[发明专利]一种基于特征通道信息的端到端多光谱遥感图像压缩方法

说明书

本发明实施例公开了一种基于特征通道信息的端到端多光谱遥感图像压缩方法，涉及图像处理技术领域，能够实现多光谱图像的多码率压缩。本发明包括：利用残差块提取图像特征并生成第一特征图；利用通道信息提取模块从所述第一特征图提取通道信息，对所述通道信息进行归一化权重处理后，得到第二特征图，其中，每一个残差块和对应的通道信息提取模块共同构成一个自适应特征通道加权模块；利用至少2个自适应特征通道加权模块作为基本单元，获取压缩网络模型；在对所述压缩网络模型进行训练后，将待压缩的多光谱图像输入所述压缩网络模型；获取所述压缩网络模型输出的压缩码流。本发明适用于多光谱图像的多码率压缩。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于特征通道信息的端到端 多光谱遥感图像压缩方法。

背景技术

由于多光谱图像波段数较多，光谱的分辨率高，既包含图像的空间信息， 也包含丰富的光谱信息，通过对多光谱数据进行科学、高效的分析处理，可以 在农业、军事等多个领域应用。但是也由于多光谱图像波段数多，数据量大， 对其传输和存储带来了巨大的困难，严重制约了多光谱成像技术的发展。因此 对多光谱图像进行有效的压缩，研究高性能的多光谱图像压缩方法是多光谱成 像技术的重要研究课题。

传统的多光谱图像压缩算法主要分为三类：(1)基于预测编码的算法；(2) 基于矢量量化技术编码的算法；(3)基于变换编码的算法。这三类算法都存在明 显的不足：基于预测编码的算法虽然能实现无损压缩，但是压缩率较低，其压 缩性能往往取决于预测算法的准确度；基于矢量量化技术编码的算法其复杂度 极高，在对图像进行压缩时运算量过大，很难实现高性能压缩；基于变换编码 的算法在压缩率较大时，会出现方块效应和边缘吉布斯效应，严重影响压缩性 能。传统的多光谱图像压缩方法仅对多光谱数据进行简单的处理，未能充分利 用多光谱数据相关性特点。

目前，也有将深度学习技术应用到图像压缩领域主要利用深度学习网络构 成自编码器或堆叠自编码器，其中，基于深度学习的压缩网络模型结构采用传 统的卷积对图像提取特征，但这种处理方式中，无法对不同通道进行有效区别， 从而导致所提取的图像特征相对粗略，对于多光谱图像的多码率压缩性能较差。

发明内容

本发明的实施例提供一种基于通道信息的端到端多光谱遥感图像压缩方法， 能够实现多光谱图像的多码率压缩。

为达到上述目的，本发明的实施例采用如下技术方案：

利用残差块提取图像特征并生成第一特征图；利用通道信息提取模块从所 述第一特征图提取通道信息，对所述通道信息进行归一化权重处理后，得到第 二特征图，其中，每一个残差块和对应的通道信息提取模块共同构成一个自适 应特征通道加权模块；利用至少2个自适应特征通道加权模块作为基本单元，获 取压缩网络模型；在对所述压缩网络模型进行训练后，将待压缩的多光谱图像 输入所述压缩网络模型；获取所述压缩网络模型输出的压缩码流。

具体的，采用两个残差块对输入图像提取特征得到第一特征图(也可理解 为初步特征图)，然后对初步特征图采用全局平均池化，得到通道信息。通过两 个全连接层依次从所述通道信息提取通道特征，其中：通过第一个全连接层减 少特征图数目，再经过非线性激活函数(PReLU)处理后，输出各个通道间的非 线性特征，之后通过第二个全连接层恢复特征图的数目至原有数目；利用 Sigmoid函数根据所述各个通道间的非线性特征，得到各个通道的权重，再将各 权重与对应的通道相乘得到所述第二特征图。

进一步的，在非线性激活函数(PReLU)处理之前，还包括：将自适应通道 加权网络中的残差块中的处理函数替换为其中，x_i为第 i个通道的数据，a_i为网络反馈时自动计算的结果，且每个通道使用不同的a_i，i 表示通道的序号为正整数。