[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

说明书

本发明提供了一种基于深度学习和分布式信源编码的高光谱图像压缩方法，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；步骤2：提取待压缩的高光谱图像的谱段分组与关键帧；步骤3：提取待压缩的高光谱图像的谱段组局部显著性特征；步骤4：得到该谱段组的全局显著性映射图；步骤5：得到待压缩的高光谱图像的谱段组的感兴趣区域；步骤6：对谱段组的感兴趣区域进行分布式压缩；步骤7：得到高光谱图像的压缩编码；本发明克服了现有技术中难以解决的场景显著性深层次表征问题的缺点，具有精确压缩有用信息的优点；本发明克服了现有技术中高光谱图像压缩效率低缺点，具有快速实现压缩的优点。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习和分布式信源编码的高光谱图像压缩方法。

背景技术

高光谱图像将确定地物属性的光谱和测量地物空间几何关系的图像有机地结合起来，被广泛应用于军事侦察和国民经济等领域。但随着光谱、空间、时间和辐射等分辨率及量化深度的不断提高，高光谱图像的数据量呈指数增长，数据的存储和传输面临巨大的压力。如何对高光谱遥感的大数据有效压缩，适应应用需求就成为了一个迫在眉睫的问题。

宋娟、吴成柯和张静等人在论文“基于分类和陪集码的高光谱图像无损压缩”(电子与信息学报2011年33卷1期第231页到234页)提出了基于分类和多元陪集编码的分布式高光谱图像编码算法。该算法利用高光谱图像前一谱段相应位置的预测误差，对当前谱段像素进行归类，把具有相近相关性的像素分为一类，对每一类像素分别进行陪集码编码，有效降低了码率。但是由于前一帧预测误差和当前帧预测误差的相关性不是很大，提高的压缩效果有限，同时由于引入了分类使得编码的复杂度有所提高。

哈尔滨工业大学在其专利技术申请“一种高光谱图像压缩方法”(专利申请号：201110122607.3，公开号：102156998A)中公开了一种高光谱图像压缩方法。该方法对待压缩的图像进行分级压缩处理,对感兴趣空间信息和感兴趣光谱信息无损或者近无损的压缩,对其它信息进行大于感兴趣空间信息和感兴趣光谱信息所选压缩比的压缩。该方法可以使特定区域免于损坏，但查找特定区域增加了算法的复杂度。

发明内容

本发明的目的在于提供一种基于深度学习和分布式信源编码的高光谱图像压缩方法，用于解决背景技术中所述的基于分类和陪集码的高光谱图像无损压缩以及一种高光谱图像压缩方法存在的问题。

为了实现上述目的，本发明采用以下技术方案：

基于深度学习和分布式信源编码的高光谱图像压缩方法，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；