[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

说明书

本发明公开了一种基于深度学习网络的激光光谱图像压缩方法及系统。该方法包括：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。与传统的方法相比，本发明提供的方法的编码增益状态更佳，且图像压缩效率较高，能够有效对激光光谱图像进行压缩，具有较高的应用价值。

技术领域

本发明涉及图像压缩技术领域，特别是涉及一种基于深度学习网络的激光光谱图像压缩方法及系统。

背景技术

激光光谱图像压缩技术，作为遥感数据储存与传输的关键技术，从信息论的角度来看，大多数压缩技术都是经过消除数据冗余来完成图像压缩的目的，然而不同种类的数据，其数据冗余的特性也都是各不相同的。一般情况下认为激光光谱图像数据含有两种冗余，谱间冗余和空间冗余。对激光光谱图像压缩的研究大体是把二维转换压缩方法扩展至三维数据里，然后在消除二维空间冗余的同时消除谱间冗余。

针对上述问题，相关研究学者提出了一些解决方法，其中较为常用的方法有压缩光场重建与深度估计方法和基于视点相关性的光场图像压缩算法。前者首先通过感知重建算法构建一种视角数据，进而得到数据子孔径，然后使用角度像素块散焦线性与匹配线索估算出原始图像的置信度与深度。再估算图像的边缘信息，最后将上述得到的资源信息进行融合，进而得到最终深度，对图像进行压缩训练，完成对图像的压缩。但是该方法并没有消除冗余的步骤，图像压缩效率不高。后者采用线性加权算法来提高图像编码块的预测精度，并运用失真优化方法选取最优的编码块尺寸，实验结果表明，该方法能够实现对激光光谱图像的压缩，但是存在编码增益状态不佳的问题。上述方法中存在压缩效率低、编码增益状态不佳的问题，都会影响压缩方法的性能。

发明内容

本发明的目的是提供一种编码增益状态佳、图像压缩效率高的基于深度学习网络的激光光谱图像压缩方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习网络的激光光谱图像压缩方法，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。

可选的，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。

可选的，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。

本发明还提供了一种基于深度学习网络的激光光谱图像压缩系统，包括：

待压缩激光光谱图像获取模块，用于获取待压缩激光光谱图像；

谱间冗余消除模块，用于采用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；

空间冗余消除模块，用于采用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；

图像压缩模块，用于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。

可选的，所述系统还包括：

卷积神经网络训练模块，用于对卷积神经网络进行训练，得到训练好的卷积神经网络。