1、2097-3012(2023)03-0328-07 Journal of Spatio-temporal Information 时空信息学报 收稿日期:2022-08-30；修订日期:2023-09-03 基金项目:战略性国际科技创新合作重点专项项目（2016YFE0205300）作者简介:林瑶瑶，研究方向为遥感图像处理与分析。E-mail: 通信作者:田永明，研究方向为遥感图像处理与分析。E-mail: 多光谱遥感影像星上压缩影响评价 林瑶瑶1，唐新明2，薛玉彩2，田永明1，齐麟3 1.济南市勘察测绘研究院，济南 250013；2.自然资源部国土卫星遥感应用中心，北京 100048；3.山
2、东高速工程检测有限公司，济南 250013 摘 要：开展卫星多光谱遥感影像星上压缩影响评价，是验证卫星影像是否满足应用指标的重要内容。高分七号卫星突破了我国 11 万立体测绘技术，可满足高精度住建应用、统计应用等。当前，仍缺少高分七号星上压缩指标论证的相关研究，因此，基于高分七号模拟多光谱影像，本文从影响影像灰度、纹理、相关性等构像质量特征和影像应用能力，包括影像分割一致性及影像分类精度两方面进行影像压缩评价，并以临朐县为例进行了验证。结果表明，对于星上 JPEG-LS 压缩算法提供的两种压缩比：压缩比为 31 时，影像灰度、纹理信息保持好；多光谱遥感影像分割后图斑总数变化率和平均图斑面积变化
3、率绝对值不超过 1%，影像分割一致性较高；影像分类后 Kappa 系数达 0.91。压缩比为 61 时，单波段 61 压缩后影像相关系数最小降低到 0.891，重建影像峰值信噪比小于 50，影像分类后 Kappa 系数为 0.87。多光谱影像宜采用 31 压缩比。本研究可为高分七号星上压缩指标论证提供参考。关键词：高分七号模拟影像；JPEG-LS 算法；影像特征；分割精度；分类精度 引用格式：林瑶瑶,唐新明,薛玉彩,田永明,齐麟.2023.多光谱遥感影像星上压缩影响评价.时空信息学报,30(3):328-334 Lin Y Y,Tang X M,Xue Y C,Tian Y M,Qi L.20
4、23.Evaluation of on-board compression effects on multispectral remote sensing images.Journal of Spatio-temporal Information,30(3):328-334,doi:10.20117/j.jsti.202303002 1 引 言 2012 年 1 月 9 日，资源三号卫星成功发射，它是我国首颗民用高分辨率光学立体测图卫星，主要应用于我国 15 万测绘产品制作，12.5 万地形图的修补与更替（王鸿燕等，2020；王煌文等，2022；刘翔等，2023）。高分七号测绘卫星的全色分辨率
5、达 0.7 m，多光谱影像分辨率也达到 2.8 m，是实现我国 11 万卫星测绘能力的关键卫星工程（赵文普等，2022；张太煜和冯献霆，2023）。随着图像分辨率的提高，卫星星上数据量亦是成倍增长，高分七号原始数据量已是资源三号的 5 倍。星上海量的遥感数据需要经过压缩后才能及时下传到地面站。在遥感领域，采取的压缩算法有基于小波变换的 JPEG2000 算法（连佳佳等，2019）、多级 树集合分裂排序（set partitioning in hierarchical trees，SPIHT）算法（叶辰等，2022）、基于离散余弦变换的 JPEG 压缩算法（刘婷和梁文龙，2022）、JPEG-L
6、S 压缩算法（尤传亮，2019）等。在星上进行影像压缩的实时性要求较高，同时星上缓存巨大数据量的能力也有限。为能够及时获得较高压缩倍率的数据，满足使用精度和要求，须采用硬件压缩方式来实现星载高分辨率遥感影像的缓存和下传。其中，JPEG-LS 压缩算法复杂度低，压缩性能良好，更适用于硬件系统（陈聪，2018；张人愉，2018）。遥感影像分类是多光谱影像应用的重要内容之一。经过压缩后的影像质量下降，部分影像信息丢失，影响到遥感影像在土地和地质应用、变化检测、专题信息提取与分析等方面的应用能力和应用范畴。Xue 等（2014）利用 JPEG-LS 压缩算法对资 林瑶瑶 等：多光谱遥感影像星上压缩影响
7、评价 329 源三号多光谱影像进行不同倍率压缩，分析影像融合效果，结果表明 3 倍压缩后的遥感影像可以满足测绘应用需求。Danoedoro（2013）比较分析了基于像素和基于对象的分类方法对 ALOS-AVNIR2 多光谱遥感影像分类精度的影响，结果表明基于对象的分类方法结果更稳定、分类精度更高。谭可清（2018）研究了 JPEG2000 压缩对 Landsat 8 与资源三号监督分类结果的影响。Elkholy 等（2019）对 Geo-eye 卫星遥感影像研究了离散小波变换（discrete wavelet transformation，DWT）压缩对 Geo-eye 卫星遥感影像的神经网络
8、及最大似然分类结果的影响。胡晔（2020）选择 JPEG2000 压缩算法对高分二号、Landsat 8 及资源三号卫星影像压缩，利用最大似然和支持向量机分类算法对影像进行分类，并计算 Kappa 系数、总体分类精度等精度指标。综上所述，目前对多光谱遥感影像压缩影响分析多集中在不同卫星影像受压缩算法影响程度，以及不同分类方法对多光谱影像应用能力影响等方面的研究，缺少对高分辨率遥感影像星上压缩质量影响的相关研究。因此，本文对高分七号模拟多光谱影像进行了系统的星上压缩影响评价实验。利用JPEG-LS算法对高分七号模拟多光谱影像进行不同倍率压缩，比较压缩后影像与未压缩影像灰度特征、纹理特征的差异；对
9、遥感影像进行多尺度分割，选取分割后的图斑单元作为样本，继而采用面向对象的分类方法对遥感影像进行分类。同时，以临朐县为例，将未压缩影像的分割和分类结果作参照，对压缩后影像进行分割一致性和分类精度的验证。2 多光谱影像压缩质量评价方法 2.1 构像质量评价 根据遥感影像构像质量分析内容、方向的不同，从灰度特征、纹理特征分析和影像对照差异分析两个方面进行构像质量分析评价（林瑶瑶，2019）。前者通过分别分析未压缩影像和重建影像的特征，研究不同压缩倍率后影像特征的变化；后者采取未压缩影像和重建影像直接进行关联的方法，研究压缩导致的影像质量的差别。影像特征分析从影像光谱特征和纹理特征两方面进行。其中，光
10、谱特征包括影像灰度平均值和灰度标准方差；纹理特征包括基于灰度共生矩阵提取的对比度和信息熵。影像光谱特征可以反映影像亮度值变化，影像纹理特征反映了纹理沟纹、影像信息量变化等。影像对比特征分析通过比较原始未压缩影像和重建影像差异来进行。相关系数与峰值信噪比是常用的两种评价因子。其中：11001111220000()()CC()()MNgfjiMNMNfgjijif i,jg i,jf i,jg i,j （1）式中，CC 为影像相关系数；(,)f i j、f分别为未压缩影像在第 i 行、j 列的灰度值及整幅影像的灰度平均值；(,)i jg、g分别为重建影像在第 i 行、j列的灰度值及整幅影像的灰度平
11、均值；M、N 分别为影像总行数、总列数。影像相关系数用于表示两幅影像灰度相似程度。另：102MSEPSNR10log(21)B （2）112001MSE(,)(,)MNjif i jg i jMN （3）式中，B为影像位数；PSNR为峰值信噪比，与均方误差（mean square error，MSE）相关，将压缩前后影像相同行、列号处的像元灰度差当作噪声，将未压缩影像当作信号，计算其信噪比。峰值信噪比大，影像受压缩影响小，影像质量高。2.2 分割一致性评价 本文利用基于区域生长的分割技术对多光谱影像数据进行分割。eCognition的多尺度分割方法将影像的空间及光谱异质性综合考虑，有效防止了只
12、顾及光谱异质性最小造成的分割后图斑形状较为零碎现象，在面向对象分类中广为应用（陈蕊和张继超，2020；林荣清等，2020）。本文采用控制变量的方法，通过设置分割尺度参数、形状因子及紧致度因子分析实验影像不同地物的分割效果，继而选取合适的分割参数对多光谱影像进行分割，实验中，各个波段权重设为1。结合遥感影像视觉分割效果和最佳分割尺度图，确定本文采用的分割尺度为28、形状因子为0.2、紧致度因子为0.5。采用确定的分割参数对原始未压缩影像和压缩后重建影像进行多尺度分割，以未压缩影像分割330 Journal of Spatio-temporal Information 时空信息学报 2023,30
13、(3)图斑数据为参考，分析不同压缩倍率对重建影像分割结果的影响，如图1所示。图 1 影像分割影响评价 Fig.1 Evaluation of image segmentation accuracy 2.3 分类精度评价 不同地物目标拥有不同的对象特征，关系到影像分析与信息提取；其中，光谱信息是最基础的特征，随着高分辨率影像的涌现，对象的形状和纹理信息得到充分表达。因此，本文运用遥感影像的光谱信息、形状信息和纹理信息进行多光谱影像的分类（潘俊虹和梁明，2022；王书珩，2022；武萌华，2023）。首先，利用监督分类方法对原始未压缩影像及压缩后重建影像分别进行分类，得到各自的分类结果；其次，将重
14、建影像分类结果与原始影像分类结果进行对比分析，研究压缩算法对多光谱影像专题信息分类精度及整体分类精度影响，评价路线如图2所示。图 2 影像分类精度评价 Fig.2 Evaluation of image classification accuracy 实验中，将地物类型分为建设用地、水体、林地、耕地、阴影、其他土地共六类；采用像元平均亮度值、每个波段平均值、相异性、最大差异、形状指数、长宽比及归一化植被指数（normalized difference vegetation index，NDVI）作为提取样本的分类指标。利用混淆矩阵可以计算出评价分类效果的制图精度、用户精度、总体分类精度（邵亚琴
15、等，2022）和Kappa系数（徐辉等，2019）。3 评价实验与结果分析 3.1 实验数据 遥感影像压缩评价实验与测试影像有着直接关系，综合考虑压缩算法与卫星研制工程，开展高分七号卫星影像模拟。进行多光谱遥感影像压缩质量评价，需要综合考虑不同地物地貌的遥感影像受压缩算法的影响，实验选取影像大小为1700像素1700像素、分辨率为2.8 m的高分七号模拟多光谱影像作为测评影像，如图3所示。多光谱实验影像区域选取山东省潍坊市临朐县，影像包括大面积的裸土、山林，以及成片的河流和城市建筑，地物类型丰富。图 3 多光谱影像 Fig.3 Multispectral images 3.2 压缩算法 JPE
16、G-LS的核心是LOCO-I（low complexity lossless compression for images）算法，是一种基于自回归上下文来预测残差的编码方法，其编码方式由被编码像素点的失真控制参数和局部梯度的关 林瑶瑶 等：多光谱遥感影像星上压缩影响评价 331 系决定：如果被编码像素点的局部梯度在失真控制参数范围外，编码进入常规模式；否则，进入游程模式。在JPEG-LS游程编码模式中，编码器以x为起点计算游程长度，遇到不同像素值（对于有损压缩则为其值超出误差限）的图斑或当前行的行尾时，游程终止。JPEG-LS常规编码方式包含重建值预测、预测误差计算和对预测误差进行Golomb
17、编码三个部分（刘向增等，2021）。其原理如 min()max(,)max()min()abcabxabcababcx,xxxxPx,xxx,xxxx，其他 （4）式中，xP为预测值；ax、bx、cx分别为位于a、b、c处的像素值。当x上方存在水平边缘时，选取像素a作为x的预测值；若x左侧存在垂直边缘，选用像素b作为x的预测值；如果算法没有检测到边 缘，则用abc来作为x处的预测值，如图4所示。预测误差为x处像素预测值与实际值的差值，利用Golomb对预测误差进行编码。图 4 预测值选取示意图 Fig.4 Diagram of prediction value selection 3.3 影像
18、特征评价结果 计算未压缩影像与压缩后影像各个波段及多波段灰度平均值和标准方差，如表1所示。31压缩后单个波段和多波段差值统计不大，多波段统计均值差值为0.939，方差差值为0.018；61压缩后多波段均值差值为1.694，方差差值为0.725，各个波段和多波段差值统计较大。表 1 影像灰度平均值、标准方差统计 Tab.1 Statistics of image gray average and standard deviation 未压缩 31 压缩 61 压缩 波段 灰度平均值 灰度标准方差 灰度平均值 灰度标准方差 灰度平均值 灰度标准方差 红 183.454 69.636 184.388
19、 69.780 184.984 70.648 绿 342.804 63.316 343.738 63.514 344.186 64.535 蓝 302.997 31.614 303.965 31.892 305.820 32.290 近红外 331.780 118.549 332.701 118.663 332.821 119.752 多波段 290.259 63.861 291.198 63.843 291.953 63.136 影像压缩前后纹理特征，如表2所示。31压缩后影像纹理差异不明显，多波段对比度差值和信息熵差值为0.042和0.001；61压缩后多波段对比度差值和信息熵差值为0.3
20、27和0.007，各个波段和多波段差值较明显。表 2 影像对比度、信息熵统计 Tab.2 Statistics of image contrast and information entropy 未压缩 31 压缩 61 压缩 波段 对比度 信息熵 对比度 信息熵 对比度 信息熵红 12.374 1.865 12.817 1.888 13.9031.743绿 12.979 1.964 13.004 1.974 15.2101.812蓝 3.588 1.595 3.817 1.606 4.9451.343近红外 47.371 2.121 47.693 2.124 48.4292.106多波段 1
21、4.520 2.011 14.478 2.012 14.8472.004 影像压缩后与原始未压缩影像的差异特征，如表3所示。31压缩后影像相关系数高，峰值信噪比大于50，压缩算法对重建影像影响较小，影像质量良好；单波段61压缩后影像相关系数最小降低到0.891，峰值信噪比小于50，重建影像质量较差。表 3 影像对比特征统计 Tab.3 Statistics of image contrast features 31 压缩 61 压缩 波段 相关性 峰值信噪比 相关性 峰值信噪比红 0.997 51.349 0.971 41.636 绿 0.996 51.318 0.965 41.562 蓝 0
22、.986 51.628 0.891 42.596 近红外0.999 51.22 0.988 41.023 多波段0.999 56.984 0.990 46.990 332 Journal of Spatio-temporal Information 时空信息学报 2023,30(3)3.4 影像分割一致性评价结果 设置分割尺度为28，形状因子为0.2、紧致度因子为0.5，未压缩影像及31、61压缩比情况下的分割变化情况，如图5、图6所示。在房屋、耕地此类地物边界明显的地区，影像执行分割后图斑形状变化较小；在林地、水体此类地物边界模糊的地区，影像执行分割后图斑形状变化相对明显；整体上，61重建影
23、像分割图斑形状较31重建影像分割图斑形状变化明显。图 5 原始影像和重建影像的分割结果示例一 Fig.5 Example of segmentation results for the original image and the reconstructed imageExample 1 图 6 原始影像和重建影像的分割结果示例二 Fig.6 Example of segmentation results for the original and the reconstructed imageExample 2 影像进行不同倍率压缩后，影像光谱特征及纹理特征会发生不同程度的变化，影像分割后图斑
24、数量及图斑面积也会发生变化。图斑面积以像素形式体现，实验将平均图斑面积及图斑面积方差作为图斑面积变化的指标。由表4知，压缩倍数越高，影像分割差异越大。31压缩后，图斑总数变化率为0.90%，平均图斑面积变化率为0.91%；61压缩后，图斑总数变化率为6.02%，平均图斑面积变化率为6.41%；两种压缩倍率压缩后，图斑面积方差变化率均较大，图斑面积离散程度也逐渐增大。表 4 影像分割统计数据 Tab.4 Statistical data of image segmentation 压缩比 图斑 总数 图斑总数 变化率 平均图 斑面积 平均图斑面 积变化率 图斑面积 方差 图斑面积方差 变化率 未
25、压缩影像 16498 175.17 24836.31 31 压缩 16349 0.90%176.77 0.91%26380.41 6.22%61 压缩 15504 6.02%186.40 6.41%28733.89 15.69%3.5 影像分类精度评价结果 结合实验影像地物特征表现，针对每一种地物类型，随机选取了80300个样本作为训练区域，实施监督分类，并利用混淆矩阵对分类结果进行分析评价。以原始影像为基准，31压缩后重建影像的Kappa系数为0.91，影像分类精度结果统计，如表5所示。除了耕地的制图精度、Kappa系数小于0.90以外，其他地物类型的制图精度、用户精度及Kappa系数均大于
26、0.90；受压缩算法影响，重建影像在纹理相对细致的地区出现明显条带现象，容易与其他类型地物混淆，造成耕地的制图精度、Kappa系数较低。虽然水体也具有比较细致的纹理，但是由于水体与其他地物类型的光谱信息有着较大差别，所以其分类精度受压缩算法影响较小。表 5 31 JPEG-LS 分类精度 Tab.5 31 JPEG-LS classification accuracy 精度 水体建筑耕地 林地 阴影其他制图精度 0.970.920.85 0.97 0.90 0.92用户精度 0.940.910.95 0.97 0.94 0.91Kappa 系数0.970.910.84 0.92 0.90 0.
27、90 以原始影像为基准，61压缩后重建影像的Kappa系数为0.87，影像分类精度结果统计，如表6所示。除了个别地物，如水体的制图精度、用户精度、Kappa系数，林地的制图精度、用户精度，建筑的用户精度，以及其他地物类型的制图精度大于0.90以外，其余地物类型的各分类精度指标均小于0.90；当压缩比为61时，影像分类精度受到较大影响。林瑶瑶 等：多光谱遥感影像星上压缩影响评价 333 表 6 61 JPEG-LS 分类精度 Tab.6 61 JPEG-LS classification accuracy 精度 水体 建筑 耕地 林地 阴影其他制图精度 0.95 0.85 0.76 0.95 0
28、.89 0.91用户精度 0.90 0.93 0.86 0.96 0.87 0.86Kappa 系数 0.95 0.84 0.75 0.88 0.86 0.884 结 论 对高分七号模拟多光谱影像进行压缩影响评价，可为高分七号星上多光谱压缩指标提供技术参考。本文从影像灰度、纹理，影像分割、分类精度四方面进行多光谱影像压缩影响评价，结果表明：影像经JPEG-LS压缩后，31压缩后影像灰度、纹理差异不明显，61压缩后影像差异有明显提升；61压缩后影像图斑总数变化率和平均图斑面积变化率约是31时的7倍，影像分割精度受到较大影响；31压缩后影像的总体分类精度为0.95，Kappa系数为0.91；61压
29、缩后影像的总体分类精度和Kappa系数分别降低为0.92、0.87，影像分类精度受到一定程度影响。综上所述，比较星上JPEG-LS提供的31及61两种压缩比，多光谱遥感影像宜采用的压缩比为31。多光谱影像不同波段受压缩影响不同，降低单波段影像受影响程度，对提高影像应用能力，如影像专题信息提取、变化检测等方面具有重要意义。后续需要进一步开展多光谱影像压缩后在地质方面的影响，以及不同波段受压缩影响的具体程度。参考文献 陈聪.2018.JPEG-LS 近无损图像压缩码率控制算法及其硬件实现.硕士学位论文.北京:中国科学院大学(中国科学院国家空间科学中心)陈蕊,张继超.2020.基于eCognitio
30、n的遥感图像面向对象分类方法研究.测绘与空间地理信息,43(2):91-95 胡晔.2020.遥感影像压缩失真对分类精度影响的研究.硕士学位论文.武汉:武汉大学 连佳佳,王志有,王利斌,刘文怡,张会新.2019.基于JPEG2000算法的图像编码装置的设计.电子技术应用,45(3):46-49 林荣清,王延正,刘晓恒.2020.基于 eCognition 的水体提取研究.科技与创新,(19):17-20 林瑶瑶.2019.高分辨测绘卫星星上压缩影像质量评价.硕士学位论文.青岛:山东科技大学 刘婷,梁文龙.2022.关于检测 JPEG 图像的二次压缩算法研究.无线互联科技,19(21):141-
31、143 刘翔,唐新明,祝小勇,丁健行,曲典.2023.资源三号卫星DSM精度评估.北京测绘,37(3):317-324 刘向增,范立佳,徐雪灵,薛洁鹏,苗启广.2021.星载 JPEG-LS 图像压缩质量评价研究.微电子学与计算机,38(9):45-53 潘俊虹,梁明.2022.多尺度分割的高分辨率遥感影像分类对比研究.现代计算机,28(22):56-60 邵亚琴,王佳佳,银玉霞.2022.基于 ENVI 软件对忻州窑矿土地类型识别及精度评价.内蒙古科技大学学报,41(1):66-75 谭可清.2018.面向分类的遥感影像压缩质量评价.硕士学位论文.武汉:武汉大学 王煌文,魏金豹,曹宇佳.20
32、22.基于资源三号卫星遥感影像的地表覆盖类型分类研究.测绘与空间地理信息,45(11):152-155 王鸿燕,唐新明,樊文锋,高欣圆.2020.资源三号卫星在自然资源管理中的应用.卫星应用,(10):19-25 王书珩.2022.基于多特征参数的高分影像分类方法研究.硕士学位论文.长春:吉林大学 武萌华.2023.基于像素和面向对象的遥感影像分类方法比较.城市勘测,(1):101-104 徐辉,潘萍,杨武,欧阳勋志,宁金魁,邵锦锋,李琦.2019.基于多源遥感影像的森林资源分类及精度评价.江西农业大学学报,41(4):751-760 叶辰,包学才,姚家伟.2022.基于改进SPIHT的传感网
33、络低复杂度图像压缩算法.南昌工程学院学报,41(1):89-96 尤传亮.2019.一种图像无损压缩算法 JPEG-LS 的 FPGA 实现.硕士学位论文.南京:东南大学 张人愉.2018.基于 JPEG-LS 的遥感卫星图像解压缩并行处理算法和系统研究.硕士学位论文.北京:中国科学院大学(中国科学院遥感与数字地球研究所)张太煜,冯献霆.2023.高分七号立体测绘数据在 11 万基础地理信息更新中应用.城市勘测,(4):71-74 赵文普,刘钰,吴晓春,焦朋涛,张雪萍.2022.利用高分七号卫星开展 110000 立体测图精度验证.测绘科学,47(1):165-171,180 Danoedor
34、o P.2013.The effect of image compression level on the land-cover classification accuracy of ALOS-AVNIR2 data using per-pixel and object-based approaches/34th Asian Conference on Remote Sensing Elkholy M,Hosny M M,Farid El-Habrouk H M.2019.Studying the effect of lossy compression and image fusion on
35、image classification.Alexandria Engineering Journal,58(1):143-149 Xue Y C,Hu Z,Xie W H.2014.Quality assessment of multi-spectral image compression/International Workshop on Earth Observation and Remote Sensing Applications,413-417 334 Journal of Spatio-temporal Information 时空信息学报 2023,30(3)Evaluatio
36、n of on-board compression effects on multispectral remote sensing images LIN Yaoyao1,TANG Xinming2,XUE Yucai2,TIAN Yongming1,QI Lin3 1.Jinan Geotechnical Investigation and Surveying Research Institute,Jinan 250013,China;2.Land Satellite Remote Sensing Application Center,Ministry of Natural Resources
37、 of the Peoples Republic of China,Beijing 100048,China;3.Shandong Hi-speed Engineering Testing Co.,Ltd.,Jinan 250013,China Abstract:The purpose of this paper is to study whether the on-board compressed multispectral remote sensing images meet the relevant application requirements.In order to ensure
38、timely downlink transmission of on-board data,it is necessary to compress the on-board image data.However,this compression process results in irreversible information loss,which directly affects the applicability and scope of use of satellites multispectral remote sensing images.It is important to e
39、valuate the impact of satellite compression on multispectral remote sensing images to verify whether satellite images meet the application targets.The GF-7 satellite has broken through the 110,000 stereoscopic mapping technology in China,making it suitable for high-precision applications in resident
40、ial construction and statistical analysis.However,there is currently a lack of relevant research regarding compression index demonstration for GF-7.In this paper,JPEG-LS is used to compress GF-7 analog multispectral images at different magnification and utilize an object-oriented classification meth
41、od for image classification.Before classification,the remote sensing images are segmented at multiple scales,and then the sample selection and classification of the segmented image object are carried out.In this paper,the segmentation consistency and classification accuracy of multispectral remote s
42、ensing images are evaluated based on results obtained from the original uncompressed image segmentation and classification.Additionally,image compression evaluation is carried out for GF-7 analog multispectral images from two aspects of image quality characteristics such as grayscale,texture,correla
43、tion,and application ability,including image segmentation consistency and image classification accuracy.We illustrate this using Linqu County as an example.The results show that when the compression ratio is 31,grayscale and texture information is well-preserved the image.After multispectral remote
44、sensing image segmentation,the absolute change rate of the total number of spots and the average sopt area remains under 1%,indicating high segmentation consistency.After image classification,the kappa coefficient reaches 0.91.When the compression ratio is 61,the correlation coefficient for the sing
45、le band is reduced to 0.891,the reconstructed image peak signal-to-noise ratio is less than 50,and the Kappa coefficient after image classification is 0.87,and the suitable compression ratio is 31.Considering the compression ratio of 31 and 61 provided by JPEG-LS on-board,the compression ratio suita
46、ble for multispectral remote sensing images is 31.The conclusion of this paper can provide a reference for the demonstration of compression index on the GF-7 satellite.Key words:GF-7 analog image;JPEG-LS;image characteristic;segmentation accuracy;classification accuracy Supported by Key Projects for Strategic International Science,Technology and Innovation Cooperation(2016YFE0205300)
