基于云計算技術的高光譜圖像數據存儲研究

孫麗英

（合肥科技職業學院電子信息系 安徽合肥 230088）

高光譜成像作為一種重要的遙感探測手段，已經成為了遙感探測成像領域的重要探測手段，對高光譜圖像數據進行存儲與相關的處理，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，使得高光譜圖實現了光譜與圖像之間的融合，對于人類開發地球資源和大氣環境的監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展能力在醫學和農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。高光譜圖像是在二維圖像信息的基礎上，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，光譜數據量化的深度越來越高，同時遙感衛星不間斷掃描周期次數的不斷增加，這些因素都導致了高光譜成像的數據量成倍數量級的增加，導致了高光譜圖像數據在存儲的過程中，出現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的高光譜圖像數據存儲方法，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現其丟失情況，從而提升存儲方法的性能。

一、基于云計算技術的高光譜圖像數據存儲方法

（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[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后，可以通過閾值篩選像元指數比較小的像元[9，10]，以此來減少其中的噪聲影響，最后輸出像元集合。在云計算技術的基礎上，使用并行的PPI算法進行處理，在這個過程中，產生的計算量非常大，且都集中在計算純凈像元指數的部分。將高光譜圖像存儲在HDFS上，能夠將高光譜圖像數據進行切分，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據轉換成字節完成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性來進行壓縮，其頻段數目較多，且多個頻段之間的相關性較高，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性，并根據其相關性的大小選擇自適應的預測方式。在基于頻段區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。下采樣的編碼結果如圖2所示：

圖2 下采樣編號結果示意圖

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點，原始信號經過系數變換后，得到稀疏測量值，將測量值進行壓縮處理后，進行存儲、傳輸，隨后經過解壓縮處理，完成稀疏重構后得到原始信號。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，因此需要將上式轉化為求解最優化問題：

此過程為壓縮過程中的感知重構，也是一個約束條件，其最小0范數是一個NP問題，因此需要對以上的最優化問題進行轉換，也就是將0范數問題轉換成1范數問題。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，實現高光譜圖像無損編碼壓縮。

二、實驗結果與分析

（一）搭建云計算平臺。為了驗證本文設計的基于云計算技術的高光譜圖像數據存儲方法具有一定的可行性，需要在一定的環境下測試其存儲性能。本文的實驗環境選擇的是IntelliJ IDEA集成開發環境，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節點的Spark集群，Spark集群可以將數據讀入內存，將計算結果保存在內存，以及對數據處理的實時性都利于提高圖像數據的處理，其相關配置如下表所示：

表1 Spark集群節點配置

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進行連接的，相關具體架構如圖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據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，存儲目標的檢測結果如圖5所示：圖5中，圖（1）為本文方得到的結果，圖（2）為BRE-KRX方法得到的結果，圖（3）為SU-RX方法得到的結果，圖（4）為SVDD方法得到的結果，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果

圖6 四種方法失真性能對比圖

在存儲方法得到的結果中，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量、目標所占像元數以及虛警所占像元數量作為定量判別的條件，為了使實驗結果更加具有可靠性，因此本文選取這三個指標進行對比，統計得到的結果如表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的高光譜圖像數據存儲技術具有一定的有效性。

表2 四種存儲方法的定量比較

三、結束語

遙感技術的發展促進了高光譜數據的指數級增長，對于如此海量的高光譜遙感數據來說，存儲和管理成為了人們需要面對的新的問題。本文針對傳統高光譜圖像數據存儲過程中遇到的問題，并結合高光譜遙感的發展現狀，對基于云計算技術的高光譜圖像數據存儲進行了研究。通過實驗結果表明，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。