[发明专利]一种基于深度学习的生成式遥感图像压缩方法

权利要求书

1.一种基于深度学习的生成式遥感图像压缩方法，其特征在于，包括如下步骤：

网络模型训练阶段，将训练图像输入到构建的网络模型中进行训练，直到收敛，获得训练好的网络模型，网络模型的处理过程具体包括：

步骤1，图像张量经过编码器网络压缩处理后，得到原图像的1/128规模的隐藏表征张量；

步骤2，将隐藏表征张量输入到量化器网络，经过预量化处理和量化处理得到二进制的码流；

步骤3，量化后的二进制码流输入到解码器得到重建图像，重建图像再输入判别器进行甄别处理，在解码器与判别器有限次博弈后，达到纳什均衡状态，实现图像的失真优化，所述解码器和判别器共同构成生成对抗模型GAN；

所述编码器网络包含通道自适应模块channel-adaptor和下行块downblock，channel-adaptor是一层保留空间维度的卷积层，图像张量(B,C,H,W)经过channel-adaptor空间维度(H,W)不变，通道数变为4×max{8,c}，其中，B是批处理数量，C为图像通道，H为图像高度，W为图像宽度，上述式子中c为具体的通道数；编码器网络中包含m个基于densenet构建的downblock模块，每个downblock由密集模块d-denseblock和下采样模块downsample组成；d-denseblock由4个密集单元d-denseunit组成，d-denseblock的输出是其中所有d-denseunit在C维度上的拼接之和；d-denseunit依次由GDN归一化、LeakyRelu激活以及输出C为m的卷积层组成，原图像经过编码器实现c/(m×2¹⁰)倍率的压缩；

所述解码器和判别器：解码器由m个基于densenet构建的上行块upblock组成；每个upblock由u-denseblock和上采样模块upsample组成；u-denseblock由4个u-denseunit组成，u-denseblock的输出是其中所有denseunit在C维度上的拼接之和；u-denseunit依次由IGDN反归一化、LeakyRelu激活以及输出C为m的卷积层组成；判别器网络基本结构为4个栈式连接卷积层；

网络模型测试阶段，将图像输入到上述训练好的网络模型中，得到压缩后的图像。

2.如权利要求1所述的一种基于深度学习的生成式遥感图像压缩方法，其特征在于：所述量化器网络的具体处理过程如下，

所述量化器网络包括预量化和量化处理模块，预量化处理模块是在瓶颈层bottleneck将码流B*C*H*W映射到C*(B*H*W)中，以KL散度构造的损失函数，学习参数为C的B*H*W维度的类别分布，在注意力机制基础上实现结构的聚簇化；量化处理模块是将预量化之后的特征图feature maps进行{-1,1}二值化处理得到码流。

3.如权利要求1所述的一种基于深度学习的生成式遥感图像压缩方法，其特征在于：预量化模块的处理过程如下，

将编码器网络输出的隐藏表征张量z_e(x)映射到隐藏的嵌入空间e∈R^k×d中，d为嵌入空间向量e_j∈R^d的维度，k是向量e_j∈R^d类别数量，z_e(x)遵循参数为k的后验类别分布q(z＝k|x)，以如下方式独热编码：

z_e(x)经过网络学习，向最近邻嵌入空间e映射，在R^k×d空间中实现离散化归并表示，如下公式所示：

z_q(x)＝e_k,where k＝argmin_j‖z_e(x)-e_j‖₂

e_k表示嵌入空间e中的向量。

4.如权利要求1所述的一种基于深度学习的生成式遥感图像压缩方法，其特征在于：网络模型训练使用的损失函数如下，

L＝(1-MSSSIM)+MSE+0.01×PSNR+Pro_Q_diff+GAN_loss

MSSSIM表示图像多尺度结构相似度，MSE为均方误差，PSNR为图像信号峰值信噪比，MSSSIM，MSE，PSNR三者作为编码器网络的损失，Pro_Q_diff为预量化模块损失，GAN_loss为生成对抗损失。