基于深度自編碼網(wǎng)絡的大壓縮比衛(wèi)星遙感圖像壓縮方法
【技術領域】：
[0001] 本發(fā)明屬于圖像處理和機器學習技術領域，更進一步涉及遙感圖像的壓縮方法， 具體是一種基于深度自編碼網(wǎng)絡的大壓縮比衛(wèi)星遙感圖像壓縮方法，可用于衛(wèi)星遙感圖像 的在軌實時大倍率壓縮、存儲與傳輸，自然場景圖像。
【背景技術】：
[0002] 遙感是空間信息網(wǎng)絡的重要應用，在環(huán)境、交通、海洋、農(nóng)業(yè)、水利、測繪、地質等諸 多領域發(fā)揮著重要的作用。隨著新的衛(wèi)星數(shù)據(jù)業(yè)務和新型傳感器的發(fā)展，我國衛(wèi)星遙感數(shù) 據(jù)量正在呈幾何級數(shù)增長，海量的高分辨衛(wèi)星遙感數(shù)據(jù)在為遙感應用帶來質量更高的數(shù)據(jù) 源的同時，也給遙感數(shù)據(jù)存儲與傳輸帶來了困難。研究星地高速數(shù)據(jù)傳輸?shù)男略砗托路?法，設計壓縮比大、失真度小、實時性好，并且能夠準確保留影像結構信息的星上在軌壓縮 算法，已經(jīng)成為當前極為迫切和重要的任務。
[0003] 遙感數(shù)據(jù)存在空間性冗余、結構性冗余、時間性冗余、關注度冗余、心理視覺冗余、 匹配性冗余與編碼冗余等，使得其壓縮成為可能。
[0004] DWT變換雖然能夠對影像進行多尺度表示，但是無法捕獲對象的邊緣、紋理、輪廓 等抽象結構信息。傳統(tǒng)的遙感圖像壓縮技術很難做到大倍率實時在軌壓縮。
[0005] 傳統(tǒng)的遙感圖像數(shù)據(jù)壓縮一般屬于數(shù)據(jù)級壓縮，只是為了減少存儲空間與傳輸帶 寬，壓縮數(shù)據(jù)不包含圖像的特征。與數(shù)據(jù)級壓縮相比，特征級壓縮不僅可以減少存儲空間與 傳輸帶寬，而且可以有效減少遙感圖像分類、目標檢測和識別等后續(xù)步驟的處理時間。
[0006] 目前，遙感圖像的特征級壓縮方法還很少，主要是基于字典學習的線性稀疏編碼 方法，線性稀疏編碼是一種"淺層架構"下的數(shù)據(jù)表征模型，只能學習到低級的諸如邊緣方 向的低階特征，盡管可以通過字典學習獲得稀疏描述空間，但通常不能挖掘出復雜非結構 化場景的隱含解釋性因素。

【發(fā)明內容】
：
[0007] 本發(fā)明的目的在于克服現(xiàn)有技術的不足，結合深度學習與圖像壓縮與傳輸?shù)壤碚?技術，提出了一種基于深度自編碼網(wǎng)絡的大壓縮比衛(wèi)星遙感圖像壓縮方法，以實現(xiàn)遙感圖 像的大倍率實時在軌壓縮。
[0008] 為實現(xiàn)上述目的，本發(fā)明的基于深度自編碼網(wǎng)絡的大壓縮比衛(wèi)星遙感圖像壓縮方 法包括如下步驟：
[0009] 1)將多個自編碼器堆疊構成深度自編碼網(wǎng)絡，自編碼器主要包括基本的自編碼 器、稀疏自編碼器、降噪自編碼器、正則化自編碼器。為挖掘復雜非結構化場景下的遙感影 像的高階稀疏特征，利用深度學習思想構造深度自編碼網(wǎng)絡。
[0010] 2)輸入一組訓練圖像數(shù)據(jù)到深度自編碼網(wǎng)絡，訓練該網(wǎng)絡獲得優(yōu)化的網(wǎng)絡參數(shù)， 得到深度壓縮網(wǎng)絡和深度解壓網(wǎng)絡，這里的深度壓縮網(wǎng)絡也就是深度自編碼壓縮網(wǎng)絡，同 樣，深度解壓網(wǎng)絡就是深度自編碼解壓網(wǎng)絡。
[0011] 3)將待壓縮的衛(wèi)星遙感圖像送入深度壓縮網(wǎng)絡，進行一次前向傳遞操作，網(wǎng)絡的 輸出即高階稀疏特征，對高階稀疏特征進行量化和編碼得到最終的能夠進行傳輸與存儲的 碼流，實現(xiàn)遙感數(shù)據(jù)的大倍率壓縮。
[0012] 4)對接收到的碼流進行反量化和編碼，得到高階稀疏特征，將高階稀疏特征送入 深度解壓網(wǎng)絡，網(wǎng)絡的輸出為解壓后的遙感圖像。解壓后的遙感圖像通常也稱為重構圖像。
[0013] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0014] 第一，本發(fā)明可以將遙感圖像所有波段的立方體數(shù)據(jù)作為深度壓縮網(wǎng)絡的輸入， 網(wǎng)絡自動提取空間以及光譜維的特征，能夠去除各波段間的光譜冗余以及波段內部的空間 冗余，克服了現(xiàn)有算法壓縮前需要先進行去光譜間相關性的操作的不足。本發(fā)明也可以對 去波段間相關性后的遙感圖像數(shù)據(jù)進行壓縮。
[0015] 第二，本發(fā)明的壓縮過程只進行一次前向傳遞操作，只需簡單的矩陣乘法等操作， 因而實時性較好，實現(xiàn)簡單，為在軌壓縮提供了可能。
[0016] 第三，本發(fā)明由于使用深度學習技術提取遙感圖像數(shù)據(jù)的抽象高階稀疏特征，所 以只對壓縮圖像數(shù)據(jù)做簡單的反量化和編碼操作即得到圖像的高階稀疏特征，減少了后期 應用處理的時間，屬于特征級壓縮方法。
【附圖說明】：
[0017] 圖1是本發(fā)明的實現(xiàn)流程圖；
[0018] 圖2是本發(fā)明中深度壓縮網(wǎng)絡與深度解壓網(wǎng)絡形成示意圖；
[0019] 圖3(a)是本發(fā)明實驗中采用的待壓縮衛(wèi)星遙感圖像的第10波段原始圖像；
[0020] 圖3(b)是本發(fā)明實驗中采用的待壓縮衛(wèi)星遙感圖像的第60波段原始圖像；
[0021] 圖4(a)是本發(fā)明方法采用4個自編碼器構成的壓縮比為16的深度壓縮網(wǎng)絡對圖 3(a)所示圖像壓縮后重構結果圖；
[0022] 圖4(b)是本發(fā)明方法采用4個自編碼器構成的壓縮比為16的深度壓縮網(wǎng)絡對圖 3(b)所示圖像壓縮后重構結果圖；
[0023] 圖5(a)是本發(fā)明方法采用2個自編碼器構成的壓縮比為8的深度壓縮網(wǎng)絡對圖 3(a)所示圖像壓縮后重構結果圖；
[0024] 圖5(b)是本發(fā)明方法采用2個自編碼器構成的壓縮比為8的深度壓縮網(wǎng)絡對圖 3(b)所示圖像壓縮后重構結果圖；
[0025] 圖6(a)是本發(fā)明實驗中采用的一幅待壓縮彩色自然場景圖像；
[0026] 圖6(b)是本發(fā)明方法采用4個自編碼器構成的壓縮比為16的深度壓縮網(wǎng)絡對圖 6(a)所示圖像壓縮后重構結果圖；
[0027] 圖7(a)是本發(fā)明實驗中采用的一幅待壓縮彩色自然場景圖像；
[0028] 圖7(b)是本發(fā)明方法采用4個自編碼器構成的壓縮比為16的深度壓縮網(wǎng)絡對圖 7(a)所示圖像壓縮后重構結果圖。
【具體實施方式】：
[0029] 為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，下面結合【附圖說明】本發(fā)明技 術方案中所涉及的技術問題。
[0030] 應指出的是，所描述的實施方式僅旨在便于對本發(fā)明的理解，而對其不起任何限 定作用。
[0031] 隨著新的衛(wèi)星數(shù)據(jù)業(yè)務和新型傳感器的發(fā)展，我國衛(wèi)星遙感數(shù)據(jù)量正在呈指數(shù)級 數(shù)增長，新一代遙感衛(wèi)星要求數(shù)據(jù)實時傳輸?shù)乃俾蔬_到幾百Mbps-幾Gbps，而目前最高傳 輸速率才有幾百Mbps。星上遙感數(shù)據(jù)壓縮技術也得到了越來越多的重視，現(xiàn)有的無論是數(shù) 據(jù)級衛(wèi)星遙感圖像壓縮技術還是特征級衛(wèi)星遙感圖像壓縮技術，都很難在保證圖像質量的 條件下達到壓縮比大于8倍的大倍率壓縮。設計一種壓縮比大、失真度小、實時性好，并且 能夠準確保留影像結構信息的星上在軌壓縮算法，已經(jīng)成為衛(wèi)星遙感影像壓縮當前極為迫 切和重要的任務，本發(fā)明正是在衛(wèi)星遙感圖像壓縮技術領域進行地研究與創(chuàng)新。
[0032] 實施例1
[0033] 本發(fā)明是一種基于深度自編碼網(wǎng)絡的大壓縮比衛(wèi)星遙感圖像壓縮方法，參見圖1， 包括如下步驟：
[0034] 1)構建深度自編碼網(wǎng)絡，將多個自編碼器級聯(lián)堆疊構成深度自編碼網(wǎng)絡，自編碼 器主要包括基本的自編碼器、稀疏自編碼器、降噪自編碼器、正則化自編碼器。本發(fā)明利用 深度學習技術逐步提取數(shù)據(jù)的高階稀疏特征的技術優(yōu)勢，構建深度自編碼網(wǎng)絡提取遙感影 像的高階稀疏特征，并應用于衛(wèi)星遙感影像壓縮。
[0035] 2)訓練深度自編碼網(wǎng)絡，輸入一組訓練圖像數(shù)據(jù)到深度自編碼網(wǎng)絡，訓練該網(wǎng)絡 獲得優(yōu)化的網(wǎng)絡參數(shù)，得到深度壓縮網(wǎng)絡和深度解壓網(wǎng)絡。訓練好深度自編碼網(wǎng)絡，也就訓 練好了每個自編碼器，然后按一定的規(guī)則堆疊這些自編碼器構成深度壓縮網(wǎng)絡和深度解壓 網(wǎng)絡，它們也都是深度神經(jīng)網(wǎng)絡。
[0036] 3)在深度壓縮網(wǎng)絡中壓縮衛(wèi)星遙感影像，將待壓縮的衛(wèi)星遙感圖像送入深度壓縮 網(wǎng)絡，計算網(wǎng)絡各隱藏層的輸出，得到層次化的逐步抽象的稀疏特征，對高階稀疏特征進行 量化和編碼得到最終的能夠進行傳輸與存儲碼流，實現(xiàn)遙感數(shù)據(jù)的大倍率壓縮。已有的均 勻量化、非均勻量化、矢量量化、熵編碼和算術編碼等量化和編碼方法，各自具有其優(yōu)缺點， 在本發(fā)明中均可使用，實際使用中要根據(jù)稀疏特征的特點進行選擇。