[发明专利]一种基于深度学习的生成式遥感图像压缩方法

说明书

本发明技术方案提供了一种基于深度学习的生成式遥感图像压缩方法。本发明采用Pytorch深度学习框架训练，以“自编码器(AutoEncoder)+生成对抗模型(GAN)”为范式，网络模型主要分为编码器、预量化和量化模块、解码器(生成器)和判别器共三个部分。本发明适用于任意光谱维度的同源遥感图像进行压缩处理，适用于低带宽、低码率条件下遥感图像压缩传输，并且具有优异的图像重建能力，本框架针对深度神经网络的规模和运行速度也进行了优化，便于面向物联网设备的部署和推广。

技术领域

本发明属于遥感图像压缩领域，利用深度学习框架对遥感图像压缩与解压缩处理。

背景技术

相较于自然图像，遥感图像的光谱维包含了更加丰富的信息，且遥感图像种类繁多，数据量大。利用不同地物所具有的光谱曲线差异，遥感图像被广泛应用于国民经济的各个领域。随着高分遥感成像技术的应用普及，如何有效的压缩由于遥感图像光谱和空间分辨率显著提升所带来的传输和存储数据量激增等挑战是遥感图像应用过程中亟待解决的问题。

新兴的图像处理方法深度学习(Deep Learning)通过从大量训练样本中学习目标的特征来完成特定的任务。目前深度学习已经在图像分类、目标检测、行人再识别等多个图像处理的领域取得了重大成就。

目前，现有的深度学习技术多用于普通可见光图像的压缩，而基于深度学习的遥感图像压缩技术还是比较少的。Toderici(参考文献Toderici G,Vincent D,Johnston N,et al.Full Resolution Image Compression with Recurrent Neural Networks[J].arXiv preprint arXiv:1608.05148,2016.)等提出了基于长短时记忆网络的、可变比率的图像压缩算法。算法将一张32×32大小的图像输入到网络中，通过减少图像的尺度和调节特征图的个数，实现对图像的压缩，然后通过解码网络实现图像信息的还原。Ball(参考文献BalléJ,Laparra V,Simoncelli EP.End-to-end Optimized Image Compression[J].arXiv preprint arXiv:1611.01704,2016.)等使用卷积神经网络来实现图像的压缩。网络包含分析变换结构，量化结构和合成变换结构三个部分，这些结构主要由卷积层、图像降采样层、GDN归一化层等组成。Li(参考文献Li M,Zuo W,Gu S,et al.LearningConvolutional Networks for Content-weighted Image Compression[J].arXivpreprintarXiv:1703.10553,2017.)等提出了基于图像内容加权的图像压缩技术，此方法针对不同的图像内容使用不同的比特率编码，它在传统自编码器结构的基础上，加入了重要性图概念，通过重要性图来实现不同图像内容的码率控制。但是这些作者提出的方法都是针对可见光图像的压缩，而不是针对遥感图像的压缩。此外，随着超算芯片等相关计算力方案的提升，深度学习模型部署于星上环境的条件日益成熟，如何克服深度模型规模和时间上的壁垒，也是一项重要的议题。

综上所述，目前的遥感图像压缩算法还需要针对不同遥感图像光谱数目存在的巨大差异设计一套较为普适的压缩方案，以自动适应不同光谱数目条件下的遥感图像压缩处理；同时为解决海量遥感图像的快速压缩处理，需要实现更高的率失真压缩算法性能；此外，为满足遥感图像的压缩部署在星上等小型物联网设施上的应用需求，所提出的压缩的算法和模型需要满足部署平台有限的资源规模需求和较少的推理时间需求的限制。

发明内容

为解决上述问题，本发明提供了一种深度学习生成式遥感图像压缩方法，采用“自编码器(Auto-Encoder)+生成对抗模型(GAN)”的模式，通过编码器、量化器、解码器(生成器)和判别器三个部分的处理，完成满足小型物联网部署环境要求的自适应遥感图像压缩处理。