[发明专利]基于深度学习和分布式信源编码的高光谱图像压缩方法

权利要求书

1.基于深度学习和分布式信源编码的高光谱图像压缩方法，其特征在于：包括以下步骤：

步骤1：构建高光谱图像显著性检测深度学习网络模型RHSNet；

步骤2：提取待压缩的高光谱图像X的谱段分组与关键帧；

步骤3：根据步骤2得到的待压缩的高光谱图像X的谱段分组与关键帧，提取待压缩的高光谱图像X的谱段组局部显著性特征；

步骤4：将步骤2得到的待压缩的高光谱图像X的谱段分组与关键帧作为输入，输入步骤1得到的高光谱图像显著性检测深度学习网络模型RHSNet，提取待压缩的高光谱图像X的谱段组高层显著性特征，得到该谱段组X_n的全局显著性映射图S_deep；

步骤5：将步骤3得到的待压缩的高光谱图像X的谱段组X_n局部显著性特征和步骤4得到的待压缩的高光谱图像X的谱段组X_n的全局显著性映射图S_deep进行融合与增强，得到谱段组X_n的显著性映射图S_fuse，并进一步得到待压缩的高光谱图像X的谱段组X_n的感兴趣区域S_ROI；

步骤6：对步骤5得到的待压缩的高光谱图像X的谱段组X_n的感兴趣区域S_ROI进行分布式压缩，直至待压缩的高光谱图像X的谱段组X_n中非关键帧的序列号加1后的和值等于谱段组X_n中非关键帧的总数值；

步骤7：判断待压缩的高光谱图像X的谱段组数加1后的和值是否等于高光谱图像X总的谱段组数N，若是，则得到高光谱图像的压缩编码；否则，执行步骤3。

2.根据权利要求1所述的基于深度学习和分布式信源编码的高光谱图像压缩方法，其特征在于：步骤1中所述的构建高光谱图像显著性检测深度学习网络模型RHSNet的方法为：

步骤1.1：对用于训练的高光谱图像和对应的高光谱图像显著性映射图进行尺寸归一化；

步骤1.2：把归一化的高光谱图像X_norm和对应的高光谱图像显著性映射图S_norm送入ResNet-50网络，构建高光谱图像显著性检测深度学习网络模型RHSNet，具体方法为：

其中，G(i,j)∈{0,1}表示第i行第j列的像素点是否为GT label；

P(i,j)表示预测出(i,j)像素点为显著物体的概率；

e＝{e_k∶k＝1,2,……,K²}和f＝{f_k∶k＝1,2,……,K²}是两个对应Patch的像素值，分别从预测显著性概率图S_norm和高光谱图像X_norm中裁剪；

μ_e、μ_f和σ_e、σ_f分别是e和f的均值和标准差，σ_ef为e和f的协方差；

C₁、C₂分别取0.01²和0.03²；

步骤1.3：利用随机梯度下降法对高光谱图像显著性检测深度学习网络模型RHSNet进行训练，训练批次的大小为Batch＝32，动量为Momentum＝0.9，重量衰减为γ＝0.0005，学习率初始设定为lr＝0.001，当损失稳定时，每训练十个批次学习率lr降低0.1倍，训练周期Epoch＝80，最终得到训练好的高光谱图像显著性检测深度学习网络模型RHSNet。