摘   要： 對CCSDS算法進行了優化，提出了OCPC算法。該算法采用兩種預測模式根據像素點位置自適應地選擇預測方法，并且編碼采用Golomb Rice編碼方法，編碼中仍然采用自適應編碼K的計算方法。最后對OCPC算法的壓縮特性進行了驗證，取得了優越的壓縮性能。
關鍵詞： 圖像壓縮；CCSDS圖像壓縮算法；OCPC算法

   高光譜遙感是指在光譜從紫外到中紅外波段范圍內將其劃分為許多非常窄而且連續的波段來進行采集的遙感系統，獲得的圖像具有很高的光譜分辨率[1]。海量的高光譜數據給傳輸帶來了巨大的壓力，研究低復雜度、低存儲和高性能的高光譜圖像壓縮編碼方法是高光譜成像技術的重要研究課題。本文主要針對高光譜圖像的無損壓縮進行了相關領域的研究，并對空間數據系統咨詢委員會(CCSDS)最新發布的CCSDS高光譜圖像無損壓縮算法標準進行優化。
1 CCSDS算法簡介
    CCSDS無損壓縮算法包括圖1所示的兩個功能模塊，一個模塊是預測器模塊，用來減少高光譜圖像數據冗余；另一個模塊是編碼器模塊，對降低冗余后的數據進行編碼[2-3]。

    預測器的核心就是局部和的選取和局部差的選擇。局部和的計算決定了預測模式，精簡模式預測中選擇的預測方法為列向局部和，如圖2(a)所示；全模式預測中采用的是鄰域預測像素點選取規則，可以選擇的預測方法為周邊局域和，如圖2(b)所示。

2 CCSDS算法的優化
    針對高光譜圖像的譜間相關性和空間相關性，為了取得較好的壓縮性能，本文提出優化組合預測編碼OCPC(Optimized Combination Processing Coding)算法進行高光譜圖像的無損壓縮。這種優化的無損壓縮算法根據當前像素點的位置進行預測模式的自適應選擇，計算預測值與真實像素值之間的差分結果，并將差分結果進行Golomb Rice編碼后輸出。OCPC算法有效地解決了圖像邊界預測問題，取得了更好的壓縮特性。
2.1 預測器的優化
    OCPC算法的核心就是兩種預測模式和Golomb Rice編碼，圖4所示為OCPC算法的整個體系結構。
    OCPC算法中預測器包含精簡模式預測和全模式預測兩種預測模式。精簡模式預測用于處理高光譜圖像中的第一行、第一列和最后一列像素值；全模式預測用于處理高光譜圖像中其他區域的像素值。該算法的處理流程如下。
    (1)輸入高光譜圖像數據，判斷當前像素點位置，若當前位置為第一行、第一列或者最后一列，則跳至步驟(7)；否則,計算全模式Z譜段周邊局部和，并得到?滓z,y,x。
    (2)由步驟(1)計算的局部和和輸入圖像值可得到中心局部差和周邊局部差，這里要得到P個譜段的中心局部差值，因此要對譜段進行判定，直到Z-P個譜段中心局部差全部獲取為止。
    (3)由步驟(2)得到的P個中心局部差和3個周邊局部差可得到局域差矢量。
    (4)為了得到每個元素均為整數的局部差矢量，需要對其進行加權，由此計算出預測中心局部差z(t)。
    (5)由步驟(4)的預測中心局部差對權重進行權重更新，得到實時的權重更新矢量。
    (6)預測誤差映射器負責對步驟(5)的預測中心局部差進行預測誤差映射。
    (7)精簡模式預測P個譜段的列向局部和，得到P個譜段的中心局域差，由P個中心局部差元素得到局域差矢量，然后對該矢量進行加權，由此計算出預測中心局部差，預測中心局部差一方面由預測誤差映射器進行預測誤差映射，另一方面用于權重更新，預測誤差映射用于后續的編碼。
    (8)計算K值，對預測誤差映射值進行Golomb Rice編碼，壓縮碼流輸出。


3 OCPC算法的壓縮特性驗證
    根據上述優化處理后的OCPC算法，本節對該算法用C語言實現，并在VC++ 6.0開發平臺上對高光譜圖像進行測試，包括無損壓縮與解壓縮處理，輸出壓縮后的碼流數據與重建后的圖像[5-6]，同時得到壓縮比，并與優化前的CCSDS無損壓縮算法和JPEG-LS壓縮算法進行無損壓縮效果對比。
　基于C語言的OCPC算法的總體實現框架如下，ReducedMode( )為精簡模式預測編碼函數，FullMode( )為全模式預測編碼函數。
　    for(y==0;y<Ny;y++)
        for(x==0;x<Nx;x++)
　    {
　        if(y==0‖x==0‖x==Nx-1)
　　             ReducedMode(src,dst,height,width,bands);
　　        else if
　　             FullMode(src,dst,height,width,bands);
　　      end if;
    }
    通過VC++ 6.0平臺對該算法的C程序進行編譯、鏈接和運行,生成.exe可執行文件。在PC命令行處調用可執行文件，對圖5(a)中的高光譜圖像進行壓縮處理，本次壓縮處理采用10個預測譜段進行預測編碼處理。為了驗證該算法的壓縮性能，特針對圖5(a)壓縮處理后的數據進行解壓縮處理，得到解壓后的輸出圖像，如圖5(b)所示。在MATLAB軟件上通過重建的圖像與原圖像的對比可知，解壓后的圖像能夠完全恢復原圖像，驗證了OCPC算法對高光譜圖像無損壓縮的可行性。
    為了更客觀地評價優化處理后的OCPC算法的無損壓縮性能，另外選取3幅位寬為16 bit的Aviris星載遙感圖像,并對其進行無損壓縮處理。將OCPC算法與CCSDS算法和JPEG-LS算法壓縮進行比較， 3種算法壓縮效果對比如表2所示。

    從表2可以看出，采用JPEG-LS算法指標可以實現7.56 bit/像素的壓縮效果，優化前CCSDS算法可實現4.94 bit/像素的壓縮效果，OCPC算法可實現4.52 bit/像素的壓縮效果，表明OCPC算法均優于其他兩種算法標準。特別說明，JPEG-LS無損壓縮算法在去除空間相關性方面效果較好，只針對圖像進行單譜段獨立壓縮，由于高光譜圖像的譜間相關性要遠遠高于空間相關性，因此這里JPEG-LS算法的壓縮效果與CCSDS算法壓縮效果差距較大。
    本文主要優化了基于CCSDS最新發布的CCSDS高光譜圖像無損壓縮標準，提出了高光譜圖像無損壓縮算法OCPC算法。通過測試結果發現，CCSDS算法的壓縮特性具有在不影響圖像解壓效果下多譜段預測編碼的壓縮性能均優于單譜段獨立壓縮達到的性能，并且OCPC算法的壓縮性能得到提升。
參考文獻
[1] 童慶禧, 張兵, 鄭蘭芳. 高光譜遙感——原理技術和應用[M].北京：高等教育出版社，2006.
[2] Lossless Multispectral & Hyperspectral Image Compression. Recommendation for space data systems standards[S]. CCSDS 123.0-B-1.Blue Book.Issue 1.Washington D.C，CCSDS，May，2012：14-40.
[3] PEN S Y，PHILIPPE A. The new CCSDS image compression recommendation[C]. IEEE Aerospace Conference，2005：4138-4145.
[4] 胡棟. 靜止圖像編碼的基本方法與國際標準[M]. 北京：北京郵電大學出版社，2003.
[5] 鄭永奇，焦鑄，韓玉霞. 壓縮感知圖像重構中矩陣互相關性的研究[J]. 微型機與應用，2013,32(5)：46-49.
[6] 張曉玲，沈蘭蓀. 高光譜圖像的無損壓縮研究進展[J].測控技術，2004，23(5)：23-27.