本發(fā)明屬于信號處理技術(shù)領(lǐng)域，涉及一種遙感圖像壓縮方法，具體涉及一種基于樣本二叉樹字典學(xué)習(xí)的全色遙感圖像壓縮方法，可用于高空間分辨率的全色像存儲和傳輸，同時卻不損害數(shù)據(jù)的可用性。

背景技術(shù)：

遙感圖像根據(jù)光譜維數(shù)分為全色遙感圖像和多光譜遙感圖像，多光譜遙感圖像的空間分辨率低，光譜分辨率高，擁有多個譜段，而全色遙感圖像空間分辨率高，光譜分辨率低，只有一個譜段，特別是隨著近些年遙感技術(shù)的發(fā)展，全色遙感圖像分辨率得到顯著提高，甚至達(dá)到亞米級分辨率?？臻g分辨率高的全色遙感圖像擁有著良好的視覺效果，但是空間分辨率提高的同時帶來了全色遙感圖像數(shù)據(jù)量增大的問題，所以全色遙感圖像壓縮擁有著較高的研究價值。

字典學(xué)習(xí)的出現(xiàn)使得特定的信號在字典下的表示具有稀疏性，從而提升了稀疏編碼的效果，而稀疏編碼模型是近年來一種廣泛應(yīng)用的理論模型，該模型的目的為在過完備字典中搜索一組原子，而這組原子的線性組合能夠稀疏的表示信號，正是因?yàn)檫@種稀疏性為稀疏編碼模型用于全色遙感圖像壓縮提供了可能。

根據(jù)圖像壓縮后，能否完全恢復(fù)出原始圖像可以將全色遙感圖像壓縮方法分為無損的全色遙感圖像壓縮方法和有損的全色遙感圖像壓縮方法。

無損的全色遙感圖像壓縮方法利用了全色遙感圖像場景的冗余性，并通過高效的編碼技術(shù)準(zhǔn)確的重構(gòu)原始圖像，可以對具有空間均勻性高的全色遙感圖像達(dá)到大倍率壓縮的目的，卻不會丟失重要的信息，然而，無損壓縮技術(shù)不可能達(dá)到很大的壓縮比率，因此無損壓縮技術(shù)在大數(shù)據(jù)量的壓縮上存在著瓶頸；

有損的全色遙感圖像壓縮方法壓縮后的全色遙感圖像數(shù)據(jù)是有信息損失的，所以有損的全色遙感圖像壓縮方法允許人們用圖像質(zhì)量來衡量壓縮比，目前主要的基于變換的有損的全色遙感圖像壓縮方法有jpeg2000、傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，其中，jpeg2000是基于dwt變換的壓縮方法，dwt變換采用的是dwt字典，這種字典中是固定不變的，并不能保證樣本在這種字典下的表示是稀疏的。傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，通過迭代訓(xùn)練使字典使其能夠適應(yīng)特定的圖像，圖像在訓(xùn)練的字典下進(jìn)行稀疏編碼，得到稀疏編碼的系數(shù)，對其量化編碼，得到壓縮后的二進(jìn)制碼流，解決了特定的紋理信息簡單的樣本在固定字典下不具備稀疏性的問題，但是單一的字典表示能力有限，紋理信息復(fù)雜的樣本在學(xué)習(xí)到的字典下也不具有好的稀疏性，所以，jpeg2000和傳統(tǒng)的基于字典學(xué)習(xí)的壓縮方法，均不能有效表示大場景、紋理結(jié)構(gòu)復(fù)雜的全色遙感圖像。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出了一種基于樣本二叉樹字典學(xué)習(xí)的全色遙感圖像壓縮方法，用于解決現(xiàn)有全色遙感圖像壓縮方法中存在的結(jié)構(gòu)復(fù)雜的紋理信息不能夠得到有效表示的技術(shù)問題。

本發(fā)明的技術(shù)思路是：通過圖像樣本復(fù)雜度的評價函數(shù)，區(qū)分圖像中簡單樣本和復(fù)雜樣本，對訓(xùn)練圖像和待壓縮圖像分別進(jìn)行預(yù)處理得到樣本集y和t，由樣本集y和t分別建立訓(xùn)練樣本二叉樹和測試樣本二叉樹，完成不同復(fù)雜度樣本的劃分，訓(xùn)練樣本二叉樹葉節(jié)點(diǎn)上不同復(fù)雜度的樣本用來訓(xùn)練不同尺度的字典，而測試樣本二叉樹葉節(jié)點(diǎn)上不同復(fù)雜度的樣本集在對應(yīng)字典下稀疏編碼，得到系數(shù)矩陣，系數(shù)矩陣經(jīng)過量化編碼得到二進(jìn)制碼流。

根據(jù)上述技術(shù)思路，實(shí)現(xiàn)本發(fā)明目的采取的技術(shù)方案包括如下步驟：

(1)從一幅或多幅全色訓(xùn)練圖像中隨機(jī)抽取多個大小為的非平滑圖像塊，并將每個圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，yi為第i個圖像塊拉成的列矢量，i＝1,2,…,n，n為樣本數(shù)量，n為列矢量的維數(shù)；

(2)建立m層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的樣本二叉樹，并獲取多個訓(xùn)練樣本集：

2a)定義圖像塊復(fù)雜度函數(shù)bc(x)：

其中，x為包含4個子圖像塊xs的圖像塊，s為子圖像塊xs的序號，std為方差函數(shù)；

2b)確定樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類特征，對步驟(1)中的非平滑圖像塊進(jìn)行聚類，得到樣本二叉樹第二層簡單樣本y1l、樣本二叉樹第二層復(fù)雜樣本y1r和判定簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1，并將y1l作為樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y1r作為樣本二叉樹根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n1l為該層左孩子節(jié)點(diǎn)的樣本個數(shù)，n1r為該層右孩子節(jié)點(diǎn)的樣本個數(shù)；

2c)將樣本二叉樹第二層復(fù)雜樣本y1r中每個圖像塊不重疊地切分成四塊，得到樣本二叉樹第二層切分后的復(fù)雜樣本y′1r；

2d)確定復(fù)雜樣本y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類特征，對樣本二叉樹第二層切分后的復(fù)雜樣本y′1r中的圖像塊進(jìn)行聚類，得到樣本二叉樹第三層簡單樣本y2l、樣本二叉樹第三層復(fù)雜樣本y2r和樹的第三層中簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b2，并將y2l作為y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y2r作為y′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n2l為該層左孩子節(jié)點(diǎn)的樣本個數(shù)，n2r為該層右孩子節(jié)點(diǎn)的樣本個數(shù)；

2e)將樣本二叉樹第三層復(fù)雜樣本y2r中每個圖像塊不重疊地切分成四塊，得到樣本二叉樹第三層切分后的復(fù)雜樣本y′2r；

2f)將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類特征，按照自上而下的順序，對樣本二叉樹第三層到第m-1層切分后的復(fù)雜樣本中的圖像塊進(jìn)行聚類，得到第三層到第m-1層的復(fù)雜樣本所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)，并將每一層的復(fù)雜樣本中每個圖像塊不重疊地切分成四塊，得到第四層到第m層的左孩子節(jié)點(diǎn)、右孩子節(jié)點(diǎn)和該層簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)，這些孩子節(jié)點(diǎn)與根節(jié)點(diǎn)以及第二層和第三層確定的孩子節(jié)點(diǎn)，組成m層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的樣本二叉樹，得到樣本二叉樹各葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l,y2l,...,y(m-1)l,y′(m-1)r，其中，y1l,y2l,...,y(m-1)l分別為樣本二叉樹第二層到第m層左孩子節(jié)點(diǎn)訓(xùn)練樣本集，y′(m-1)r為第m層右孩子節(jié)點(diǎn)y(m-1)r切分后的訓(xùn)練樣本集；

(3)對樣本二叉樹各葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l,y2l,...,y(m-1)l,y′(m-1)r分別進(jìn)行字典訓(xùn)練，得到m個字典d1,d2…dm；

(4)從待壓縮圖像中按照自上至下、自左至右順序抽取大小為的圖像塊，并將每個圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，ti為第i個圖像塊拉成的列矢量，i＝1,2,…,m，m為樣本數(shù)量，n為t中列矢量的維數(shù)；

(5)建立m層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的測試樣本二叉樹，并獲取多個測試樣本集：

5a)對測試樣本集t進(jìn)行分支操作：將測試樣本集t中樣本復(fù)雜度小于判定標(biāo)準(zhǔn)b1的樣本作為測試樣本二叉樹第二層的簡單樣本t1l，并將該簡單樣本t1l作為測試樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，同時將測試樣本集t中樣本復(fù)雜度大于判定標(biāo)準(zhǔn)b1的樣本作為測試樣本二叉樹第二層的復(fù)雜樣本t1r，并將該復(fù)雜樣本t1r作為測試樣本二叉樹根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5b)將測試樣本二叉樹第二層的復(fù)雜樣本t1r中每個圖像塊不重疊的分成四塊，得到樣本二叉樹第二層切分后的復(fù)雜樣本t′1r；

5c)對樣本二叉樹第二層切分后的復(fù)雜樣本t′1r進(jìn)行分支操作：將t1r中樣本復(fù)雜度小于b2的樣本作為測試樣本二叉樹第三層簡單樣本t2l，并將該簡單樣本t2l作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將t1r中樣本復(fù)雜度大于b2的樣本作為測試樣本二叉樹第三層復(fù)雜樣本t2r，并將該復(fù)雜樣本t2r作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5d)將測試樣本二叉樹第三層復(fù)雜樣本t2r中每個圖像塊不重疊地切分成四塊，得到測試樣本二叉樹第三層切分后的復(fù)雜樣本t′2r；

5e)按照自上而下的順序，確定第三層到第m-1層的復(fù)雜樣本所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)，并將每一層的復(fù)雜樣本中每個圖像塊不重疊地切分成四塊，第四層到第m層的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)與根節(jié)點(diǎn)以及第二層和第三層確定的孩子節(jié)點(diǎn)組成m層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的的測試樣本二叉樹，得到測試樣本二叉樹各葉子節(jié)點(diǎn)測試樣本集t1l,t2l,...,t(m-1)l,t′(m-1)r，其中，t1l,t2l,...,t(m-1)l分別為測試樣本二叉樹第二層到第m層左孩子節(jié)點(diǎn)測試樣本集，t′(m-1)r為第m層右孩子節(jié)點(diǎn)t(m-1)r切分后的測試樣本集；

(6)對步驟(5)中建立的測試樣本二叉樹各葉子節(jié)點(diǎn)下的測試樣本集t1l,t2l,...,t(m-1)l,t′(m-1)r，在步驟(3)中對應(yīng)字典下進(jìn)行稀疏編碼，即樣本tkl在字典dk進(jìn)行稀疏編碼，其中，k＝1,…,m-1，k為樣本或字典序號；而樣本t(m-1)r在字典dm下進(jìn)行稀疏編碼，得到稀疏編碼系數(shù)x1l...xkl...x(m-1)l、x(m-1)r；

(7)對稀疏編碼系數(shù)x1l...xkl...x(m-1)l、x(m-1)r進(jìn)行量化編碼，得到二進(jìn)制碼流。

本發(fā)明與現(xiàn)有的技術(shù)相比，具有以下優(yōu)點(diǎn)：

本發(fā)明通過定義圖像塊復(fù)雜度函數(shù)，對簡單樣本和復(fù)雜樣本進(jìn)行了區(qū)分，并提出基于樣本二叉樹的字典學(xué)習(xí)方法，實(shí)現(xiàn)對不同復(fù)雜度樣本的劃分和學(xué)習(xí)，得到多個不同尺度的字典，這種不同尺度的字典能夠有效表示全色遙感圖像的復(fù)雜的局部紋理信息，與現(xiàn)有技術(shù)相比，提高了psnr指標(biāo)和主觀視覺評價。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明仿真實(shí)驗(yàn)采用的測試圖像；

圖3是本發(fā)明與ksvd算法、jpeg2000，在bpp為0.3時的壓縮重構(gòu)測試圖像的仿真效果對比圖；

圖4是本發(fā)明與ksvd算法、jpeg2000，在bpp為0.5時的壓縮重構(gòu)測試圖像仿真效果對比圖；

圖5是本發(fā)明與ksvd算法、jpeg2000在bpp為0.7時，的壓縮重構(gòu)測試圖像仿真效果對比圖；

圖6是本發(fā)明與ksvd算法、jpeg2000對測試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr折線圖。

具體實(shí)施方法

以下結(jié)合附圖和具體實(shí)施例，對本發(fā)明作進(jìn)一步詳細(xì)描述。

參照圖1，基于樣本二叉樹字典學(xué)習(xí)的全色遙感圖像壓縮方法，包括如下步驟：

步驟1、從一幅或多幅全色訓(xùn)練圖像中隨機(jī)抽取100000個大小為16×16的非平滑圖像塊，并將每個圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，yi為第i個圖像塊拉成的列矢量，i＝1,2,…,100000；

步驟2、建立三層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的樣本二叉樹，并獲取三個訓(xùn)練樣本集：

2a)定義圖像塊復(fù)雜度函數(shù)bc(x)：

其中，x為包含4個子圖像塊xs的圖像塊，s為子圖像塊xs的序號，std為方差函數(shù)；

2b)確定樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類特征，采用fcm算法對樣本集y中的樣本進(jìn)行聚類，得到樣本二叉樹第二層簡單樣本y1l、樣本二叉樹第二層復(fù)雜樣本y1r和判定簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1，并將y1l作為樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y1r作為樣本二叉樹根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n1l為該層左孩子節(jié)點(diǎn)的樣本個數(shù)，n1r為該層右孩子節(jié)點(diǎn)的樣本個數(shù)，fcm算法步驟為：

2b1)隸屬度矩陣u中的元素初始化為0.5；

2b2)固定隸屬度u，更新聚類中心ci，更新公式為：

其中，w為控制算法柔性的參數(shù)，且w＝2，ci為第i個聚類中心，i＝1,2，aj為樣本集y中第j個樣本的樣本復(fù)雜度，n為樣本個數(shù)，uij為隸屬度矩陣u的第i行第j列的元素，表示aj屬于聚類中心ci的概率，并滿足

2b3)計算代價函數(shù)j(u,c1,...cc)，如果代價函數(shù)的值小于0.001，則停止算法，并得到隸屬度矩陣u′，并跳轉(zhuǎn)到步驟2b5)，代價函數(shù)j(u,c1,...cc)為：

其中，dij²＝||aj-ci||為樣本集y中第j個樣本的樣本復(fù)雜度到第i個聚類中心的歐式距離；

2b4)更新隸屬度矩陣u，跳轉(zhuǎn)到步驟2b2)，隸屬度矩陣u中第i行、第j列的元素的更新公式為：

2b5)根據(jù)隸屬度矩陣u′得到樣本二叉樹第二層簡單樣本y1l、樣本二叉樹第二層復(fù)雜樣本y1r簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b1；

2c)將樣本二叉樹第二層復(fù)雜樣本y1r中每個圖像塊不重疊地切分成四塊，得到樣本二叉樹第二層切分后的復(fù)雜樣本y′1r；

2d)確定復(fù)雜樣本y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)和右孩子節(jié)點(diǎn)：將圖像塊復(fù)雜度函數(shù)bc(x)作為聚類特征，采用fcm算法對樣本二叉樹第二層切分后的復(fù)雜樣本y′1r中的圖像塊進(jìn)行聚類，得到樣本二叉樹第三層簡單樣本y2l、樣本二叉樹第三層復(fù)雜樣本y2r和樹的第三層中簡單樣本和復(fù)雜樣本的判定標(biāo)準(zhǔn)b2，并將y2l作為y′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將y2r作為y′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)，其中，n2l為該層左孩子節(jié)點(diǎn)的樣本個數(shù)，n2r為該層右孩子節(jié)點(diǎn)的樣本個數(shù)；

2e)將樣本二叉樹第三層復(fù)雜樣本y2r中每個圖像塊不重疊的切分成四塊，得到樣本二叉樹第三層切分后的復(fù)雜樣本y′2r；

步驟3、對樣本二叉樹三個葉子節(jié)點(diǎn)訓(xùn)練樣本集y1l、y2l和y′2r分別采用ksvd算法進(jìn)行字典訓(xùn)練，得到三個字典d1、d2和d3，ksvd算法步驟為：

3a)初始化字典d、迭代次數(shù)m、樣本h，并設(shè)定最大迭代次數(shù)：

用1初始化迭代次數(shù)m，設(shè)定最大迭代次數(shù)為25次，并采用dct字典對字典d進(jìn)行初始化，得到初始化后的字典d⁽¹⁾，用樣本二叉樹第二層簡單樣本y1l、樣本二叉樹第三層簡單樣本y2l和樣本二叉樹第三層切分后的復(fù)雜樣本y′2r中的一個樣本集對樣本集h進(jìn)行初始化，其中，di為第i個字典原子，p為字典原子的個數(shù)，且i＝1,...,p，k為原子的大??；

3b)采用omp算法對樣本h在字典d^(m)下進(jìn)行稀疏編碼，得到系數(shù)矩陣其中，d^(m)為第m次迭代中的字典，m＝1,...,25，xi為系數(shù)矩陣x中的第i列系數(shù)，m為樣本集h中的樣本個數(shù)；

3c)采用系數(shù)矩陣x，對字典d^(m)中的原子di進(jìn)行更新，得到更新后的字典d^′(m)，更新公式為：

其中，為系數(shù)矩陣x的第i行系數(shù)；

3d)對第m+1次迭代中的字典進(jìn)行更新，即d^(m+1)＝d^′(m)，并更新迭代次數(shù)，即m＝m+1，如果迭代次數(shù)m≤25，則跳轉(zhuǎn)到步驟3b)，否則，停止算法，得到第25次迭代中更新后的字典d^′(25)，執(zhí)行步驟3e)；

3e)如果步驟3a)中用樣本二叉樹第二層簡單樣本y1l對樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d1，如果步驟3a)中用樣本二叉樹第三層簡單樣本y2l對樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d2，如果步驟3a)中用樣本二叉樹第三層切分后的復(fù)雜樣本y′2r對樣本集y進(jìn)行初始化，則步驟3d)中得到的更新后的字典d^′(25)即為訓(xùn)練好的字典d3。

步驟4、從待壓縮圖像中按照自上至下、自左至右順序抽取大小為16×16的圖像塊，并將每個圖像塊拉成列矢量，再將這些列矢量排成矩陣，得到樣本集其中，ti為第i個圖像塊拉成的列矢量，i＝1,2,…,m，m為樣本數(shù)量；

步驟5、建立三層葉節(jié)點(diǎn)個數(shù)和層數(shù)相同的測試樣本二叉樹，并獲取三個測試樣本集：

5a)將測試樣本集t中樣本復(fù)雜度小于判定標(biāo)準(zhǔn)b1的樣本作為測試樣本二叉樹第二層的簡單樣本t1l，并將該簡單樣本t1l作為測試樣本二叉樹根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，同時將測試樣本集t中樣本復(fù)雜度大于判定標(biāo)準(zhǔn)b1的樣本作為測試樣本二叉樹第二層的復(fù)雜樣本t1r，并將該復(fù)雜樣本t1r作為測試樣本二叉樹根節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5b)將測試樣本二叉樹第二層的復(fù)雜樣本t1r中每個圖像塊不重疊的分成四塊，得到樣本二叉樹第二層切分后的復(fù)雜樣本t′1r；

5c)對樣本二叉樹第二層切分后的復(fù)雜樣本t′1r進(jìn)行分支操作：將t1r中樣本復(fù)雜度小于b2的樣本作為測試樣本二叉樹第三層簡單樣本t2l，并將該簡單樣本t2l作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的左孩子節(jié)點(diǎn)，將t1r中樣本復(fù)雜度大于b2的樣本作為測試樣本二叉樹第三層復(fù)雜樣本t2r，并將該復(fù)雜樣本t2r作為復(fù)雜樣本t′1r所在節(jié)點(diǎn)的右孩子節(jié)點(diǎn)；

5d)將測試樣本二叉樹第三層復(fù)雜樣本t2r中每個圖像塊不重疊地切分成四塊，得到測試樣本二叉樹第三層切分后的復(fù)雜樣本t′2r；

步驟6、測試樣本二叉樹各葉子節(jié)點(diǎn)下的測試樣本集t1l、t2l和t′3r，均采用omp算法分別在字典d1、d2和d3下進(jìn)行稀疏編碼，得到稀疏編碼系數(shù)x1l、x2l和x3r；

步驟7、對稀疏編碼系數(shù)x1l、x2l和x3r進(jìn)行量化編碼，實(shí)現(xiàn)步驟為：

7a)對稀疏編碼系數(shù)x1l、x2l和x3r中的元素取整，得到量化后的稀疏編碼系數(shù)x1l、x2l和x3r；

7b)對量化后的稀疏編碼系數(shù)x1l、x2l和x3r中的非零系數(shù)以及非零系數(shù)對應(yīng)的索引分別進(jìn)行霍夫曼編碼，得到二進(jìn)制碼流。

以下結(jié)合仿真實(shí)驗(yàn)，對本發(fā)明的技術(shù)效果進(jìn)一步說明：

1)實(shí)驗(yàn)條件：

本實(shí)驗(yàn)所用的圖像數(shù)據(jù)為quickbird衛(wèi)星的pan圖，quickbird衛(wèi)星于2001年10月成功發(fā)射，是地理變化、森林氣候等遙感數(shù)據(jù)的重要來源。它的傳感器可以拍攝多光譜波段和全波段圖像，而且是提供亞米級分辨率的最早商業(yè)衛(wèi)星，全波段的空間分辨率可以達(dá)到0.65m，光譜波段的空間分辨率可以達(dá)到2.62米。本實(shí)驗(yàn)中的pan圖拍攝的是城市影像，總共5幅圖像，其中1幅圖像用來做測試圖像，分辨率為2048×2048，如圖2所示；4幅用來做訓(xùn)練圖像，其中3幅分辨率為2048×2048，1幅分辨率為4001×6001。

實(shí)驗(yàn)仿真環(huán)境：采用軟件matlab2014r作為仿真工具，cpu為intelcorei3-2310m，主頻為2.10ghz，內(nèi)存4g，操作系統(tǒng)為windows8.1專業(yè)版。

2)仿真內(nèi)容及結(jié)果分析：

仿真1：在0.3、0.5、0.7bpp下，分別采用ksvd算法、jpeg2000以及本發(fā)明對測試圖像進(jìn)行壓縮仿真，重構(gòu)出的效果分別如圖3、圖4、圖5所示。

圖3(a)是ksvd算法，在bpp為0.3時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖3(b)是jpeg2000，在bpp為0.3時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖3(c)是本發(fā)明，在bpp為0.3時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(a)是ksvd算法，在bpp為0.5時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(b)是jpeg2000，在bpp為0.5時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖4(c)是本發(fā)明，在bpp為0.5時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(a)是ksvd算法，在bpp為0.7時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(b)是jpeg2000，在bpp為0.7時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像；

圖5(c)是本發(fā)明，在bpp為0.7時，對測試圖像進(jìn)行壓縮重構(gòu)后的圖像。

從圖3、圖4和圖5的實(shí)驗(yàn)結(jié)果可以看出，在相同的bpp下，jpeg2000重構(gòu)出的圖像紋理信息模糊，ksvd算法由于單一字典對測試樣本的表示有限，所以重構(gòu)的圖像也不理想，并且存在塊效應(yīng)現(xiàn)象，而本發(fā)明重構(gòu)的圖像在街道和房屋這些紋理信息上較為清晰，所以與jpeg2000方法以及ksvd算法相比，本發(fā)明重構(gòu)圖像的視覺效果要好。

仿真2：在不同的bpp下，分別采用ksvd算法、jpeg2000以及本發(fā)明對測試圖像進(jìn)行壓縮的仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1和圖6所示：

表1

圖6是本發(fā)明與ksvd算法、jpeg2000對測試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr折線圖；

表1是本發(fā)明與ksvd算法、jpeg2000對測試圖像進(jìn)行壓縮仿真，得到的不同bpp下的psnr表格。

從圖6和表1的結(jié)果來看，隨著bpp的增大，本發(fā)明與jpeg2000壓縮重構(gòu)的圖像的psnr的差距越來越小，而本發(fā)明與ksvd壓縮重構(gòu)的圖像的psnr差距越來越大，在保持相同的bpp下，本發(fā)明壓縮重構(gòu)的圖像的psnr比jpeg2000以及ksvd壓縮重構(gòu)的圖像的psnr要高，說明本發(fā)明對測試圖像的壓縮仿真的效果要好，所以本發(fā)明更加優(yōu)越。