[发明专利]一种基于空谱特征分离提取的多光谱图像压缩方法及系统

权利要求书

1.一种基于空谱特征分离提取的多光谱图像压缩方法，其特征在于，包括以下步骤：

(1)构建多光谱图像压缩网络并对其进行训练，优化网络参数，获得最优的多光谱图像压缩网络模型；所述多光谱图像压缩网络包括前向编码器网络、量化模块、熵编码模块、熵解码模块、逆量化模块、反向解码网络；所述前向编码网络包括谱间特征提取模块、空间特征提取模块、下采样模块；所述反向解码网络包括谱间特征恢复模块、空间特征恢复模块和上采样模块；

(2)将待压缩的多光谱图像送入多光谱图像压缩网络，通过谱间特征提取模块与空间特征提取模块分别提取多光谱图像的光谱特征与空间特征，使用下采样减小特征图的尺寸，经量化模块去除数据冗余，将量化后的中间特征数据进行无损熵编码得到用于传输和存储的压缩码流，通过训练不同的压缩网络模型，实现多光谱图像的多倍率压缩；

(3)对接收到的压缩码流进行熵解码和逆量化，获得多光谱图像空谱特征数据，再输入反向解码网络，通过上采样恢复特征图尺寸，通过解码网络中的空间特征恢复模块以及谱间特征恢复模块相应恢复相应特征，得到重构的多光谱图像。

2.根据权利要求1所述的基于空谱特征分离提取的多光谱图像压缩方法，其特征在于，步骤(1)所述的多光谱图像压缩网络中使用线性整流函数，线性整流函数表达式为：

ReLU(x_i)＝max(0,x_i)

其中x_i为第i个通道的数据，该函数将输入分两个段进行映射，当输入值小于0时，则将原值映射为0，若输入值大于0则按照原值传递；由导数可看出，在反向计算时，梯度没有损失。

3.根据权利要求1所述的基于空谱特征分离提取的多光谱图像压缩方法，其特征在于，步骤(1)所述的前向编码器网络包含8个谱间特征提取模块，8个空间特征提取模块和3个下采样模块；所述下采样模块包括1次下采样操作，步长为2，卷积核大小为4×4，以及1次卷积，步长为1，卷积核大小为3×3。

4.根据权利要求1所述的基于空谱特征分离提取的多光谱图像压缩方法，其特征在于，步骤(1)所述多光谱图像压缩网络还包括率失真优化模块；所述率失真优化模块采用重要性图网络以连续逼近码长来代替一般的熵计算，通过训练不断优化光谱特征与空间特征数据的分布，使之更加紧凑，损失函数表示为：

L＝L_d+λL_r

其中，L_d为失真度，λ是惩罚权重，用来显式控制码率；L_r是重要性图网络输出P(X)的均值；L_r的计算公式：

L_r＝avg(P(X))

其中，

x∈{0,1,...,H},y∈{0,1,...,W}

其中，P(x,y)是重要性图网络的计算过程，表示编码器之后未经过量化的输出，ω代表重要性图网络的权重参数，(x,y)指当前像素的空间坐标，b、k、s₀分别是偏差、卷积核的尺寸以及卷积的步长，重要性图网络由卷积层、传统残差单元以及Sigmoid激活函数构成，Sigmoid函数使网络的输出取值范围在[0,1]中，并根据网络的计算结果给不同重要性的像素分配不同的码长，最后以均值来代替表示L_r。

5.根据权利要求1所述的基于空谱特征分离提取的多光谱图像压缩方法，其特征在于，步骤(2)所述的量化模块去除数据冗余通过以下公式实现：

对量化函数进行近似处理，公式如下：

X_Q＝Round[(2^Q-1)×X_S]

其中，X_S为经过卷积层提取后经过Sigmoid函数之后得到的中间特征数据，Q为量化级，近似处理过的量化函数，在正向传播时将数据四舍五入，反向传播时则跳过量化层，将梯度直接传递给前一层。