[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

说明书

本发明公开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，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；再进行逐像素融合，统一进行下采样，减小特征图尺寸；然后通过量化和熵编码，得到压缩后的数据码流；恢复图像时，对接收到的码流进行熵解码以及逆量化，获得特征数据送入反向解码网络，反向解码网络的结构与前向编码网络相对称，经过上采样恢复尺寸大小以及对应的空谱特征恢复网络，分别恢复出图像的空间及谱间信息，获得重构的多光谱图像。本发明通过空谱特征提取模块，将空间和谱间信息分离提取，保证了空谱特征的完整性，结合压缩网络及率失真优化，可实现多光谱图像的高性能多码率压缩。

技术领域

本发明属于图像处理和深度学习技术领域，具体涉及到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。

背景技术

遥感器通过采集多个连续窄带光谱波段的数字图像，可以生成包含丰富光谱和空间信息的三维多光谱图像，这些丰富的信息在军事侦察、目标监视、农作物状况评估、地表资源勘测、环境研究和海洋应用等方面都有广泛的应用。然而，随着多光谱成像技术的快速发展，多光谱数据的空间分辨率越来越高，导致其数据量快速增加，这不利于图像的传输、存储和应用，会阻碍相关技术的进一步发展。所以，研究高效的图像压缩技术方法具有非常重要的现实意义。

图像数据之所以能被压缩，是因为数据间存在各种冗余成分。图像数据的冗余主要有以下几类：由相邻像素间存在相关性而引起的空间冗余，图像序列中相邻的不同帧之间存在相关性引起的时间冗余，以及由不同色彩通道或频谱带间的相关性产生的频谱冗余。多光谱图像在成像过程中，由于波段间隔小，使得各波段数据之间存在着强烈的相关性，可称为谱间相关性；而对于每个波段图像来说，它就相当于一幅二维静态图像，所以每个波段图像又存在着一般图像所具有的空间相关性。多光谱图像的压缩就是为了去除这两种冗余。然而目前，高光谱图像空间冗余的去除技术已经相当成熟，但谱间冗余的去除还处于研究阶段。

传统多光谱图像压缩算法主要分为三类：(1)基于预测编码的算法；(2)基于矢量量化技术编码的算法；(3)基于变换编码的算法。这三类算法都存在明显的不足：基于预测编码的算法虽然能实现无损压缩，但是压缩率较低，且预测器设计的好坏是影响该方法压缩性能的主要因素，一个好的预测算法能够显著降低残差图像的熵值；基于矢量量化技术编码的算法其复杂度极高，由于失真度与码书的大小成反比关系，要想降低失真度，就必须极大地增加码书的容量，当码书过大时，会极大地增加计算量；基于变换编码的算法在压缩率较大时，会出现方块效应和边缘吉布斯效应，严重影响压缩性能。传统的多光谱图像压缩方法仅对多光谱数据进行简单的处理，未能充分利用多光谱图像空谱特征丰富的特点。

随着深度学习技术的快速发展，其在图像处理领域的应用也越来越广泛，因此将深度学习技术与图像压缩相结合逐渐成为大趋势。深度学习技术结合压缩技术主要利用深度学习的多参数、可学习的特点，通过卷积神经网络或循环神经网络等框架来构成不同的网络结构，对图像数据的特征进行提取。深度学习技术的优势在于能够提取图像中的深层信息，保留物体的本质特征。将此优势应用到图像压缩上，能够有效改进传统压缩技术的特征提取不完全等不足。现今应用最多的是卷积神经网络，但一般的卷积网络也通常忽略了多光谱图像的谱间信息，会造成大量信息损失。

发明内容

发明目的：本发明提出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，实现多光谱图像的多码率压缩，能有效提高多光谱图像的压缩性能。

技术方案：本发明所述的一种基于空谱特征分离提取的多光谱图像压缩方法，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；