基于CP张量分解的高光谱图像压缩方法

"这篇论文提出了一种基于CANDECOMP/PARAFAC张量分解的压缩方法（CPTBC）用于高光谱图像（HSI）的地面处理。该方法将原始HSI数据视为一个整体的三阶张量，并通过张量分解将其分解为R个秩-1张量的和，从而同时利用HSI的空间和光谱信息。实验结果显示，与传统的压缩方法相比，CPTBC方法在保留图像质量的同时，显著提高了压缩效率。" 本文主要关注的是高光谱图像的压缩技术，特别是利用张量分解的方法来优化这一过程。高光谱图像（HSI）通常包含大量的光谱和空间信息，这使得数据量庞大，存储和传输成为挑战。为此，研究者提出了一种名为CP张量基压缩的策略（CP Tensor-based Compression，CPTBC），其核心是应用CANDECOMP/PARAFAC（也称为CP分解）对HSI数据进行分解。 CANDECOMP/PARAFAC是一种多模态数据分析工具，它能将三阶张量分解为多个秩-1张量的线性组合。在CPTBC方法中，原始HSI数据被视作一个三阶张量，通过CP分解，这个三阶张量可以被拆分为R个秩-1的张量，每个秩-1张量具有较少的非零元素。这种分解方式的优势在于，它能够同时考虑HSI的数据在空间和光谱维度上的关联性，从而实现更有效的压缩。 文章指出，与原始HSI数据相比，这些秩-1张量的非零元素不仅数量减少，而且分布稀疏且规律。这种特性使得HSI可以通过CPTBC方法高效地压缩成R个秩-1张量，同时保持图像的关键信息。实验部分对比了CPTBC方法与其他六种知名压缩方法（MPEG4、带状JPEG2000、TD、3D-SPECK、3D-TCE和3D-TARP），结果显示CPTBC在平均峰值信噪比（PSNR）上提升了超过13dB、10dB、6dB、4dB、3dB和3dB，证实了其在图像质量和压缩效率上的优越性。 CP张量分解为基础的压缩方法为高光谱图像的处理提供了一种新的思路，它在保持图像质量的同时，有效地减少了数据的存储和传输需求，这对于处理高光谱图像的领域如遥感、环境监测和生物医学成像等具有重要意义。未来的研究可能将进一步优化这种方法，提高压缩比率，同时保持或提高图像的恢复质量。