随着遥感传感器在空间分辨和谱间分辨率上的不断提高,一组多光谱图象的数据量将更大,因此研究有效的多光谱图象数据压缩技术有着重要意义.该文正是从这一实际面要出发,着力研究多光谱遥感图象的压缩方法.当前根据不同的遥感应用,对遥感图象的压缩技术大致分为三类:无损压缩,近无损压缩和有损压缩.从信息论的角度来看,所有的压缩技术都是通过去除数据冗余来达到压缩目的的.而不同类型的数据,其数据冗余的特性也各有相同.对特定类型的数据压缩研究,应从其数据冗余的特点出发,提出针对性较强的特殊方法.通常认为多光谱图象数据存在两类冗余:空间冗余和谱间冗余.该文从多光谱遥感图象的成象特点出发,将多光谱图象的谱间冗余进一步分成谱间统计冗余和谱间结构冗余:统计冗余主要由谱间分辨率决定,分辨率越高,各波段图象之间的相关性越强,统计冗余越多;而谱间结构冗余是由于各波段图象的成象对象是同一地物,具有相同的物理结构,地物的分布特征是谱间结构冗余的本质.这两类冗余在本质上是不同的,因此,在研究压缩方法时应分别对待.以前的压缩方法没有具体区分这两类冗余,在去谱间相关时往往只偏重去除某一类冗余.该文从这一基本点出发,针对多光谱图象各种冗余的特点,提出相应的去相关方法,再进行编码,取得了以下研究成果:1.根据多光谱图象中同类地物具有相似的光谱以射特性这一基本原理,提出了基于分类的空间预测和谱间预测无损压缩方法(CBS<2>P<2>).该方法利用遥感图象识别中的分类技术,先将多光谱图象进行分类,每一类的中心波段矢量代表了在地物在各波段的典型以射值,以此构造各类地物的谱间预测器,进行谱间预测,同时考虑分类后每一类地物的空间分布特性,用JPEG标准中的无损压缩建议进行空间预测,同时去除空间相关性和谱间结构相关性.2.根据多光谱图象的结构特点,提出了基于多方式预测的无损压缩方法(MPS).该方法对每一点多种预测方式中选择一个最佳预测方式,利用各波段之间相同空间位置的邻域点可能有相同的是佳预测方式这一假设,对多个波段的图象只生成一个预测方式矩阵,减少存储每幅图象的预测矩阵带来的附加开销,再用预测矩阵中的最佳预测方式对多光谱图象中的每一点进行预测,同时去除空间相关性和谱间结构相关性.3.对MAW预测树无损压缩方法提出了改进方法:侧四领域预测树方法(SNMAW).该方法通过改变MAW预测树方法中领域点的定义,将非因果预测变为因果预测,使构造预测树的算法简化,从而大大提高了预测树方法的计算速度.4.在无损压缩中,一般将预测后的残差图象作为无记忆信源进行熵编码来完成压缩过程.实际上,任何一种去相关方法都不可能从整体上完全去除信源中的所有冗余.该文通过分析多光谱图象的残差图象的特点,将其残差图象按谱维方向重新排列成一维数据,增强相邻数据之间的相关性,建立上下文模型,再进行算术编码.这样对重新排列后的数据进行压缩,可进一步提高压缩效率.5.提出了一种基于K-L变换和预测树的近无损压缩方法.该方法在谱维方向进行K-L变换,有效地去除谱间统计冗余,而变换后的图象仍存在空间相关性和谱间结构相关性,再利用改进的预测树方法(SNMAW)方法进行无损压缩,在最大误差很小的限制下,得到较高的压缩效率.6.提出了一种共享有效图的小波变换有损压缩方法(SSMWT).该方法将小波变换压缩技术中的零树编码推广以多光谱图象压缩中,利用多光谱图象的结构相关性,对多幅小波图象只需构造一幅有效图,同时去除空间冗余和谱间结构冗余,并与K-L变换相结合,进一步去除谱间统计冗余,实验表明了该方法的有效性.研究多光谱图象的压缩技术具有很大的实用意义,该文在这一领域做了一些初步研究,其远大的应用前景值得研究小组去进行再深入的研究和开发出实用产品.