[发明专利]一种基于深度学习网络的激光光谱图像压缩方法及系统

权利要求书

1.一种基于深度学习网络的激光光谱图像压缩方法，其特征在于，包括：

获取待压缩激光光谱图像；

采用DPCM预测算法消除所述待压缩激光光谱图像的谱间冗余，得到第一光谱图像；

采用SPIHT算法消除所述第一光谱图像中的空间冗余，得到第二光谱图像；

采用训练好的卷积神经网络对所述第二光谱图像进行压缩，得到压缩图像；

所述采用SPIHT算法消除所述第一光谱图像中的空间冗余，得到第二光谱图像，具体包括：

拟定外光谱图像中含有L种波段，通过x_i代表第i种波段的图像；

1)估算σ(x₁)，令σ(ε₁)＝σ(x₁)；

2)将x_i当做预测波段，x_i+1代表被预测波段，根据计算预测系数a_i+1,b_i+1与预测残差图像ε_i+1，并估算σ(ε_i+1)；

3)在i＝i+1的条件下，假如i小于波段总数L，返回步骤2)；

4)码流分配权重每一种波段的码流长度是R_i＝w_iR_T，其中，R_T代表拟定的总编码长度；

在图像谱间冗余消除的基础上，拟定了预测激光光谱图像的标准差分配码流方法的编解码算法，其算法如下所示：

(1)通过上述方法分配每一种波段的码流尺寸；

(2)凭借分配的码流，对第一波段x₁进行SPIHT编码，随后对该码流进行解码，进而获得解码图像s(x₁)；

(3)将s(x₁)当做预测波段，x_i+1代表被预测的波段，计算预测系数a_i+1,b_i+1与预测激光光谱图像ε_i+1；

(4)凭借分配的码流，对图像ε_i+1进行SPIHT编码；

(5)解码获得s(ε_i+1)＝a_i+1s(x₁)+b_i+1+s(ε_i+1)；

(6)假如i等于波段总数L，那么算法完成，反之，则返回(2)；

其中，ε_i是两种临近波段的预测残差图像，σ(ε_i)是临近两波段预测残差图像的标准差，f(i,j)代表图像f的第i行第j列的图像像素灰度值，代表通过图像f预测的图像g的第i行第j列图像像素灰度值，a,b分别代表利用图像f预测图像g的灰度值的第一预测系数和第二预测系数。

2.根据权利要求1所述的基于深度学习网络的激光光谱图像压缩方法，其特征在于，在所述采用训练好的卷积神经网络对所述第二光谱图像进行压缩之前，还包括：

对卷积神经网络进行训练，得到训练好的卷积神经网络。

3.根据权利要求2所述的基于深度学习网络的激光光谱图像压缩方法，其特征在于，所述对卷积神经网络进行训练，具体包括：

以所述第二光谱图像为输入，以基于失真度的反射函数为调节目标，对卷积神经网络进行训练。