舒 锐，武少林，龚 伟，陈 阳，张天序

（1.上海卫星工程研究所，上海 200240；2.华中科技大学 人工智能与自动化学院，湖北 武汉 430074；3.武汉工程大学 电气信息学院，湖北 武汉 430062）

0 引言

JPEG-LS（Joint Photographic Experts Group-Lossless）是图像无损压缩领域中最经典的、基于预测的算法，于2000 年由联合图像专家小组JPEG 所提出，其核心是LOCO-I（Low Complexity Lossless Compression，LOCO-I）算 法。JPEG-LS 算法先利用周围左边、左上边及上边的3 个像素值做一个简单的中值边界检测预测，然后通过上下文模型修正预测值，最后转化为Golomb-rice 编码输出。JPEGLS 算法以较低的复杂度达到了当年（2000 年）的最高压缩比。LOCO-I 算法仅为单通道的灰度图像设计，SHAWN 等［1］于2004年将LOCO-I 推广到了 高光谱图像压缩，提出了LOCO-3D 算法，压缩比提高了约0.2。2015 年，在C-DPCM 算法的基础上，WU等［2］发现剔除原始高光谱图像数据中的异常像素值后，预测的准确率提升了，此附带局部光谱异常数据剔除的算法被称为C-DPCM-RLSO（C-DPCMRemoval of Local Spectral Outliers）。人工智能的研究热潮将神经网络技术带到了各行各业中，LUO等［3］于2019 年提出了C-DPCM-RNN（C-DPCMRecurrent Neural Networks）方法，将C-DPCM 中的线性预测器替换为循环神经网络（Recurrent Neural Network，RNN），该方法在矫正的机载可见光/红外成像光谱仪（Airborne Visible Infrared Imaging Spectrometer，AVIRIS）公开高光谱测试集上取得目前本领域内最高的压缩比。目前，现存的很多高光谱图像压缩算法的通用性不强，很多算法采取单一的上下文模型，这类固定的上下文建模算法存在明显的弊端，容易产生偏好现象。例如，JPEG 算法在医学图像上的压缩性能表现明显优于其他类型图像，JPEG 2000 算法偏向于场景过度平滑的自然照片［4］。此外，有些算法需要调优参数才能达到较好的压缩性能。例如，C-DPCM 类算法虽然取得目前本领域内最好的压缩效果，但是算法需要提前给定图像聚类数目［5］，显然，不同类型的图像的最优聚类数目是不同的，不恰当的图像聚类数目会降低算法的压缩性能。……