Memon提出预测树的概念，同时利用前向自适应技术与后向自适应技术去除多光谱图像的谱间相关性。

[]mon N D,Sayood K,Magliveras S S.Lossless Compression of Multispectral Image Data[J].IEEE Transactions on Geoscience and Remote Sensing,1994,32(2):282-289.

张荣等人在预测树的概念上提出了一种侧邻域最小绝对权值预测树构造方法，极大地简化了预测树的构造复杂度。

吴铮等人结合自适应线性预测方法，利用谱间局部统计冗余和结构冗余加你自适应预测器，提出了误差补偿预测树方法，该方法在对多光谱遥感图像进行压缩时取得了较好的效果。

[]吴铮，何明一，冯燕.基于误差补偿预测树的多光谱遥感图像无损压缩方法[J].遥感学报，2005,9（2）：143-147.

夏豪等人在传统预测树的基础上提出了一种改进方案，通过定义一个幅度拉伸因子来表示相邻波段的局部灰度变化，比较局部上下文梯度来估算该幅度因子，并用它对当前的预测值进行修正，获得了较好的压缩性能。

[]夏豪，张荣.基于改进预测树的超光谱遥感图像无损压缩方法[J].电子与信息学报，2009,31（4）：813-817.

[]何岳，王素玉，沈兰荪.高光谱图像无损压缩算法的DSP优化实现[J].计算机应用研究，2008,25（1）：178-181.

LUTs是一种基于查找表的高光谱遥感图像无损压缩算法，其基本思想与预测树类似，通过建立查找表来降低运算复杂度。

[]Mielikainen J.Lossless Compression of Hyperspectral Images Using Lookup Table[J].IEEE Signal Processing Letters,2006,13(3):157-160.

武筱林提出了基于上下文的自适应无损编码（CALIC），其压缩效果优于以LOCO-I为内核的JPEG-LS无损压缩标准，它们在自然图像的压缩中取得了较好效果，但由于未考虑谱间相关性，用于高光谱图像无损压缩的效果较差。

[]Wu X L,Memon N D.Context-Based,Adaptive Lossless Image Coding[J].IEEE Transactions on Communications,1997,45(4):437-444.

Wu和Memon将CALIC推广到三维CALIC，后来Magli E等人对该方法进行了改进，提出了一种可实时实现的三维CALIC压缩算法。

[]Memon X. u N.D. Context Based Lossless Intraband Adaptive Compression-Extending Calic[J].IEEE Transactions on Geoscience and Remote Sensing,2000,9:994-1001.

[]Magli E,Olmo G,Quacchio E.Optimized Onboard Lossless and Near-Lossless Compression of Hyperspectral Data Using CALIC[J].IEEE Geoscience and Remote Sensing Letters,2004,1(1):21-25.

Rizzo F提出谱间线性预测器，将当前波段的前一波段作为参考波段，计算当前像素的上下文与参考波段对应上下文的平均值，若差值大于某一设定的阈值，则利用其前两个波段的平均预测误差对当前预测值进行修正，并且给出了空间预测与谱间预测两种工作模式。针对谱间预测的最小均方预测器的主要优势是复杂度较低，每次预测只需要4次乘法和6次加法。

[]Rizzo F,Carpentieri B.High Performance Compression of Hyperspectral Imagery with Reduced Search Complexity in the Compressed Domain[A].Proceeding of Confeience on Data Compression[C],Snowbird,USA,2004:479-488.

[]Rizzo F,Motta G,Carpentieria B,et al.Lossless Compression of Hyperspectral Imagery:A Real Time Approach[A]. Proceedings of the SPIE[C],Bellingham,USA,2005:262-272.

Wang提出了基于相关性条件预测（CCAP）的快速无损压缩算法，采用非线性预测的思想，通过对考察相邻上下文之间的相关性来决定是否进行非线性预测，CCAP对AVIRIS型高光谱数据中的Cuprite具有非常好的压缩效果，而对它几个成像区域的压缩效果并不理想。

[]Wang H Q,Babacan S D,Sayood K.Lossless Hyperspectral Image compression Using Context-Based Conditional Averages[A].Proceedings of the Data Compression Conference[C],-Snowbird,USA,2005:418-426.

Slyz提出了基于块的谱间预测方案，该方案将高光谱图像各波段都进行分块处理，当前波段的每一块都利用与其相邻的前一波段对应块进行预测。

[]Slyz M,Zhang L.A Block-Based Inter-Band Lossless Hyperspectral Image Compressor[A].Proceedings of the Data Compression Conference[C],Snowbird,USA,2005:427-436.

Aiazzi B利用JPEG中的无损压缩算法对高光谱图像进行谱内预测，在此基础上提出了预测误差反馈机制，用于去除谱间相关性，该方法成功应用于多光谱图像的无损压缩。

[]Aiazzi B,Alba P S,Alparone L, et al.Reversible Compression of Multispectral Imagery Based on an Enhanced Inter-Band JPEG Prediction[A].1997:1990-1992.

Zhang J等人首先对高光谱图像进行波段分组与排序，然后结合预测误差反馈算法进行谱间预测。

[]Zhang J,Liu G Z.An Efficient Reordering Prediction Based Lossless Compression Algorithm for Hyperspectral Images[J].IEEE Geoscience and Remote Sensing Letters,2007,4(2):283-287.

王朗与郭树昆将预测树模型与双向谱间预测算法应用于无损压缩，通过双向谱间多波段预测，利用谱间局部统计冗余和结构冗余，建立了对预测树模型误差进行自适应补偿的预测器模型。

[]王朗，郭树旭.基于双向波段预测的超光谱图像无损压缩[J].吉林大学学报，2009,27（3）：304-308.

孙蕾提出了基于多波段谱间预测方案，初步研究了参考波段数量对无损压缩性能的影响。

[]孙蕾，罗建书.基于多波段谱间预测的高光谱图像无损压缩算法[J].电子与信息学报，2007,29（12）：2876-2879.

霍承富与张荣提出了基于搜索最优双预测波段的高光谱图像无损压缩算法，基本思想是通过建立一个搜索最优双预测波段的二叉树模型，搜索与每一波段相关性最强的两个波段，利用这两个波段共同对当前波段进行谱间预测。

[]霍承富，张荣.基于搜索最优双预测波段的超光谱遥感图像无损压缩[J].电子与信息学报，2009,31（5）：1141-1147.

张晓玲提出基于感知器模型的无损压缩方法，利用神经网络的学习能力来训练预测系数，从而提高了预测精度。在此基础上，张晓玲又提出了三维自适应预测模型，采用预测排序-预测点选择-自适应预测Rice编码的方案，获得了较高的无损压缩比。

[]张晓玲，毋立芳，沈兰荪.基于感知器的遥感图像无损压缩编码[J].电子与信息学报，2001,23（7）：712-715.

Jain S K提出基于非线性预测的高光谱图像无损压缩方案（NPHI），然后通过边缘分析算法，将像素分为边缘和非边缘区域，利用上下文中非边缘像素对当前像素进行非线性预测，即基于边缘的预测算法（EPHI），与NPHI相比，进一步提高了无损压缩性能。

[]Jain S K,Adjeroh D.A.Edge-Based Prediction for Lossless Compression of Hyperspectral Image[A].Proceedings of Data Compression Conference[C],Snowbird,USA,2007:153-162.

Mielikainen J提出了一种基于聚类DPCM的无损压缩算法，首先对高光谱图像进行谱间分类，在每个类内，采用多波段预测的方案进行谱间预测，获得了较高的无损压缩比，但计算复杂度高，预测系数需要作为附加信息进行传输，并且在参考波段数达到20时压缩效果是最优的，这使得预测器的阶数过高，同时对数据内存的要求也极为苛刻，限制了其在实际中的应用。

[]Mielikainen J,Toivabeb P,Kaarna A.Linear Prediction in Lossless Compression of Hyperspect-ral Images[J].Optical Engineering,2003,43(4):1013-1017.

苏令华提出了基于同类邻点预测以及单邻点、多波段预测的方案，利用当前像素的同类像素进行预测系数的训练，其不足是预测系数需要作为附加信息进行传送，在一定程度上制约了算法性能的提高。

[]苏令华，万建伟，程翥.基于同类邻点预测的高光谱图像无损压缩[J].信号处理，2007,23（4）：544-547.

[]苏令华，万建伟.基于单邻点多波段预测的高光谱图像无损压缩算法[J].遥感学报，2007,11（2）：166-170.

Aiazzi B引入两人分块和模糊预测的概念，构造了当前像素的因果预测矢量，对这些矢量进行了模糊聚类处理，分别训练预测系数。选取模糊聚类中相似度大于特定阈值的矢量进行训练；然后引入分块处理的思路，采用迭代处理优化预测系数，最后对预测残差采用算术编码，取得很好的无损压缩结果。

[]Aiazzi B,Alba P S,Alparone L,et al.Reversible Compression of Hyperspectral Imagery through Inter-Band Fuzzy Prediction and Context Coding[A].Proceedings of Geoscience and Remote Sensing Symposium[C],1998:2685-2687.

[]Aiazzi B,Alba P S,Alparone L,et al.Lossless Compression of Multi/Hyperspectral Imagery Based on 3-D Fuzzy Prediction[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37:2287-2294.

[]Aiazzi B,et al.Crisp and Fuzzy Adaptive Spectral Predictions for Lossless and Near-Lossless Compressin of Hyperspectral Imagery[J].IEEE Geoscience and Remote Sensing Letters,2007,4(4):532-536.

基于预测方法的高光谱图像压缩研究现状