[论文解读] A block-based inter-band predictor using multilayer propagation neural network for hyperspectral image compression

Rui Dusselaar, Manoranjan Paul|arXiv (Cornell University)|Feb 12, 2019

Image and Signal Denoising Methods参考文献 31被引用 6

一句话总结

本文提出一种基于多层感知器神经网络（MLPNN）的分块跨波段预测器（BIP），用于高光谱图像压缩。通过训练MLPNN从当前波段数据预测后续波段，该方法仅编码网络权重和偏置——显著降低比特率——在CCSDS-123基础上实现超过2.0 dB的PSNR增益，并在子0.1 bppb速率下保持30–40 dB的PSNR。

ABSTRACT

In this paper, a block-based inter-band predictor (BIP) with multilayer propagation neural network model (MLPNN) is presented by a completely new framework. This predictor can combine with diversity entropy coding methods. Hyperspectral (HS) images are composed by a series high similarity spectral bands. Our assumption is to use trained MLPNN predict the succeeding bands based on current band information. The purpose is to explore whether BIP-MLPNN can provide better image predictive results with high efficiency. The algorithm also changed from the traditional compression methods encoding images pixel by pixel, the compression process only encodes the weights and the biases vectors of BIP-MLPNN which require few bits to transfer. The decoder will reconstruct a band by using the same structure of the network at the encoder side. The BIP-MLPNN decoder does not need to be trained as the weights and biases have already been transmitted. We can easily reconstruct the succeeding bands by using the BIP-MLPNN decoder. The experimental results indicate that BIP-MLPNN predictor outperforms the CCSDS-123 HS image coding standard. Due to a good approximation of the target band, the proposed method outperforms the CCSDS-123 by more than 2.0dB PSNR image quality in the predicted bands. Moreover, the proposed method provides high quality image e.g., 30 to 40dB PSNR at very low bit rate (less than 0.1 bpppb) and outperforms the existing methods e.g., JPEG, 3DSPECK, 3DSPIHT and in terms of rate-distortion performance.

研究动机与目标

• 通过利用波段间的光谱相关性，解决高效高光谱图像压缩的需求。
• 克服传统逐像素压缩方法计算复杂度高且对高维光谱数据效果较差的局限性。
• 开发一种基于神经网络的预测器，通过仅编码模型参数而非原始预测残差，降低比特率。
• 与现有标准（如CCSDS-123）和基于JPEG的方法相比，实现更优的率失真性能。
• 在极低比特率下（特别是低于0.1 bpppb）实现高质量重建，适用于遥感与成像应用的实际部署。

提出的方法

• 将高光谱图像划分为空间块，以支持局部跨波段预测。
• 训练一个多层感知器神经网络（MLPNN），以当前波段为输入，预测后续波段的光谱响应。
• 仅编码训练后MLPNN的权重和偏置——所需比特数极少——而非预测残差。
• 在解码端使用相同的MLPNN架构，利用传输的权重和偏置重建波段，无需重新训练。
• 将BIP-MLPNN预测器与多样性熵编码技术结合，进一步提升压缩效率。
• 以分块方式应用预测器，支持并行处理，并可在不同空间分辨率下实现可扩展性。

实验结果

研究问题

• RQ1 使用MLPNN的端到端跨波段预测器是否能在高光谱图像压缩中超越传统跨波段预测方法？
• RQ2 通过仅编码网络参数而非预测残差，BIP-MLPNN在多大程度上降低了比特率？
• RQ3 在低比特率下，BIP-MLPNN与CCSDS-123标准相比，在PSNR和率失真效率方面表现如何？
• RQ4 所提出的方法是否能在子0.1 bpppb比特率下维持高重建质量（如30–40 dB PSNR）？
• RQ5 在编码器和解码器端使用共享的MLPNN结构，是否能实现高效、低复杂度的解码而无需重新训练？

主要发现

• BIP-MLPNN预测器在预测波段中实现比CCSDS-123标准高出超过2.0 dB的PSNR，显著提升了图像质量。
• 在比特率低于0.1 bpppb时，该方法保持了高质量重建，PSNR值在30至40 dB之间。
• 与JPEG、3DSPECK和3DSPIHT等成熟压缩技术相比，该方法在率失真性能方面表现更优。
• 仅编码MLPNN的权重和偏置显著降低了数据传输成本，实现了高效的传输与存储。
• 解码器使用相同的网络结构和传输参数重建波段，无需重新训练，确保了解码复杂度低。
• 分块设计支持局部预测与并行处理，提升了可扩展性与计算效率。