孫麗英

（合肥科技職業(yè)學院電子信息系 安徽合肥 230088）

高光譜成像作為一種重要的遙感探測手段，已經(jīng)成為了遙感探測成像領(lǐng)域的重要探測手段，對高光譜圖像數(shù)據(jù)進行存儲與相關(guān)的處理，成為了具有研究意義和價值的科研方向。高光譜圖像的分辨率高，通過高光譜傳感器，使得高光譜圖實現(xiàn)了光譜與圖像之間的融合，對于人類開發(fā)地球資源和大氣環(huán)境的監(jiān)控提供了新的思路和手段[1]。高光譜圖像手段本身具有的發(fā)展能力在醫(yī)學和農(nóng)學方面也有著非常廣泛的應用，它是一種集探測器手段、精密紅外線激光光學儀器等高科技手段于一體的整體性技術(shù)。高光譜圖像是在二維圖像信息的基礎(chǔ)上，增加了一維的光譜信息，高光譜圖像的空譜間分辨力越來越高，光譜數(shù)據(jù)量化的深度越來越高，同時遙感衛(wèi)星不間斷掃描周期次數(shù)的不斷增加，這些因素都導致了高光譜成像的數(shù)據(jù)量成倍數(shù)量級的增加，導致了高光譜圖像數(shù)據(jù)在存儲的過程中，出現(xiàn)了重要幀丟失的情況[2]。因此本文設計一種基于云計算技術(shù)的高光譜圖像數(shù)據(jù)存儲方法，本文設計的方法主要是對得到的高光譜圖像進行分類處理，將重要幀進行特殊的標記處理，在存儲過程中更容易發(fā)現(xiàn)其丟失情況，從而提升存儲方法的性能。

一、基于云計算技術(shù)的高光譜圖像數(shù)據(jù)存儲方法

（一）提取高光譜圖像端元。在高光譜圖像存儲的過程中，需要對圖像進行檢索匹配[3，4]。高光譜圖像具有一定的電磁輻射，因此能夠提供超高的多維度信息量，例如，空間、光譜和時間等，因此，在進行存儲之前需要對圖像進行分類，因此需要在云計算技術(shù)的支持下，對高光譜圖像的端元進行提取，也就是高光譜的圖譜特征，為圖像分類提供依據(jù)[5，6]。本文的端元提取方法為PPI算法。對于像元來說，單位向量兩端的投影次數(shù)可以作為該像元被選擇成為端元的概率[7，8]。其向量投影示意圖如1所示：圖1中，skewer1、skewer2、skewer3表示三個隨機向量，通過迭代后，每一個隨機向量都會有相應的像元投影，記錄下每一個像元的純凈像元指數(shù)后，可以通過閾值篩選像元指數(shù)比較小的像元[9，10]，以此來減少其中的噪聲影響，最后輸出像元集合。在云計算技術(shù)的基礎(chǔ)上，使用并行的PPI算法進行處理，在這個過程中，產(chǎn)生的計算量非常大，且都集中在計算純凈像元指數(shù)的部分。將高光譜圖像存儲在HDFS上，能夠?qū)⒏吖庾V圖像數(shù)據(jù)進行切分，存儲在Block塊中，方法在云計算平臺的并行處理；隨后將高光譜圖像數(shù)據(jù)轉(zhuǎn)換成字節(jié)完成RDD讀入，通過并行算法得到端元，通過端元能夠完成高光譜圖像重要幀的標記。

圖1 向量投影示意圖

（二）高光譜圖像無損編碼壓縮。目前高光譜圖像的編碼方式主要是通過探索圖像空間相關(guān)性來進行壓縮，其頻段數(shù)目較多，且多個頻段之間的相關(guān)性較高，目前的編碼方法無法祛除譜間冗余，會降低編碼效率，影響存儲過程中的幀存儲效率。在本文的無損編碼方案中，對其進行了改進，將復雜的預測操作從編碼位置轉(zhuǎn)移到了解碼位置，在編碼位置上進行下采樣和信道方面的編碼操作,可以利用之前已經(jīng)完成重建的頻段信息作為參考，來選擇高光譜圖像的各頻段的地面信息點，地面信息點中存在著很多的頻段信息，為了實現(xiàn)編碼和壓縮的便捷性，需要對其進行分類。分類過程中，當像素類型相同時，需要檢測其是否具有相同的譜間相關(guān)性，并根據(jù)其相關(guān)性的大小選擇自適應的預測方式。在基于頻段區(qū)域的無損編碼框架中，首先需要對子圖像進行下采樣和逐比特面的編碼傳輸。這樣的子圖像解碼數(shù)目越多，能夠用于獲取邊信息的當前圖像就越多。下采樣的編碼結(jié)果如圖2所示：

圖2 下采樣編號結(jié)果示意圖

當下采樣的子圖像在解碼成功之后，解碼端可以得到的圖像分辨率會有所提高，說明分辨率具有漸進性，除此之外，圖像的像素精度也有所提高。在完成編碼后，需要對圖像進行壓縮，提取出高光譜圖像中的重要節(jié)點，原始信號經(jīng)過系數(shù)變換后，得到稀疏測量值，將測量值進行壓縮處理后，進行存儲、傳輸，隨后經(jīng)過解壓縮處理，完成稀疏重構(gòu)后得到原始信號。在壓縮的過程中，假設x是一維稀疏信號，其大小用N×1進行描述，當x中有k和非零的值時，那么可以將其稀疏度描述為k，Φ表示二維的測量矩陣，其大小為M×N，那么一維的測量值信號可以表示為：

上式為欠定方程組，因此需要將上式轉(zhuǎn)化為求解最優(yōu)化問題：

此過程為壓縮過程中的感知重構(gòu)，也是一個約束條件，其最小0范數(shù)是一個NP問題，因此需要對以上的最優(yōu)化問題進行轉(zhuǎn)換，也就是將0范數(shù)問題轉(zhuǎn)換成1范數(shù)問題。這樣通過給定的測量矩陣和測量值y，可以進一步通過計算得到原始高光譜圖像的信號逼近值，使圖像壓縮時更加接近原始信號值，減少壓縮的失真，實現(xiàn)高光譜圖像無損編碼壓縮。

二、實驗結(jié)果與分析

（一）搭建云計算平臺。為了驗證本文設計的基于云計算技術(shù)的高光譜圖像數(shù)據(jù)存儲方法具有一定的可行性，需要在一定的環(huán)境下測試其存儲性能。本文的實驗環(huán)境選擇的是IntelliJ IDEA集成開發(fā)環(huán)境，實驗過程中高光譜圖像存儲的Web服務器采用的是Tomcat，并利用Maven來構(gòu)建Spring MVC+Mybatis+MySQL的多軟件組合來提高Tomcat服務器的性能。云計算平臺中，為存儲提高高光譜圖像原始圖像存儲支持的過程中，高性能的分布式計算支持的是9節(jié)點的Spark集群，Spark集群可以將數(shù)據(jù)讀入內(nèi)存，將計算結(jié)果保存在內(nèi)存，以及對數(shù)據(jù)處理的實時性都利于提高圖像數(shù)據(jù)的處理，其相關(guān)配置如下表所示：

表1 Spark集群節(jié)點配置

Spark集群并不是直接搭載到實體機上的，而是需要通過一定手段對實體的物理資源進行虛擬而配置。不同的節(jié)點虛擬在不同的刀片服務器上，刀片服務器之間是通過千兆級別的以太網(wǎng)進行連接的，相關(guān)具體架構(gòu)如圖3所示：

圖3 云計算Spark平臺部署

在上述搭建云計算平臺下，本文的實驗采用的數(shù)據(jù)源是從某地機場截取的空間尺寸為100×100像元的126波段的AVIRIS高光譜圖像，為了使實驗擁有詳細的分析過程，將截取后的高光譜圖像和相應的目標分布進行展示如圖4所示。圖4中，圖（a）為高光譜第10波段圖像，圖（b）為真實的目標分布。在上述實驗條件下，為了驗證本文存儲方法的有效性，需要將其與傳統(tǒng)的BRE-KRX方法、SU-RX方法和SVDD方法進行比較，并對最后的實驗結(jié)果進行分析。

圖4 選擇的高光譜第10波段圖像和目標分布

（二）實驗結(jié)果對比。在檢測到總像元為400個的相同條件下，四種存儲方法中，存儲目標的檢測結(jié)果如圖5所示：圖5中，圖（1）為本文方得到的結(jié)果，圖（2）為BRE-KRX方法得到的結(jié)果，圖（3）為SU-RX方法得到的結(jié)果，圖（4）為SVDD方法得到的結(jié)果，圖（6）為四種方法失真性能曲線對比圖。

圖5 四種存儲方法的目標檢測結(jié)果

圖6 四種方法失真性能對比圖

在存儲方法得到的結(jié)果中，需要選擇一些重要定量測量指標進行性能判別，本文將能夠檢測到的異常目標數(shù)量、目標所占像元數(shù)以及虛警所占像元數(shù)量作為定量判別的條件，為了使實驗結(jié)果更加具有可靠性，因此本文選取這三個指標進行對比，統(tǒng)計得到的結(jié)果如表2所示：表2為四種方法在固定閾值下，各方法在存儲過程中的檢測性能，從上表可以看出，本文設計的存儲方法檢測到的目標最多，且虛警率最低。說明了本文設計的基于云計算技術(shù)的高光譜圖像數(shù)據(jù)存儲技術(shù)具有一定的有效性。

表2 四種存儲方法的定量比較

三、結(jié)束語

遙感技術(shù)的發(fā)展促進了高光譜數(shù)據(jù)的指數(shù)級增長，對于如此海量的高光譜遙感數(shù)據(jù)來說，存儲和管理成為了人們需要面對的新的問題。本文針對傳統(tǒng)高光譜圖像數(shù)據(jù)存儲過程中遇到的問題，并結(jié)合高光譜遙感的發(fā)展現(xiàn)狀，對基于云計算技術(shù)的高光譜圖像數(shù)據(jù)存儲進行了研究。通過實驗結(jié)果表明，本文研究的存儲方法雖然在性能提升的過程中取得了一定成效，但是由于技術(shù)和條件的限制，還存在著很多缺陷和不足，在今后的研究中將會進一步探析。