[发明专利]一种基于深度学习的高光谱图像压缩方法及装置

说明书

本发明公开了一种基于深度学习的高光谱图像压缩方法，首先，选取训练图像，将训练图像的尺寸大小随机裁剪为32×32大小作为训练集，然后将训练集输入到搭建好的压缩网络模型中进行训练，得到包含编码网络、量化网络和解码网络的压缩模型。通过将待压缩的图像输入到编码网络中，根据编码网络的计算结果得到编码后的特征图，然后将得到的特征图输入到量化网络中进行量化计算，得到码流，最后将量化后的结果输入到解码网络，通过解码网络模型的计算得到重建后的图像。本发明可以实现对高光谱图像的压缩，并提升压缩效果。

技术领域

本发明涉及高光谱图像压缩技术领域，具体涉及一种基于深度学习的高光谱图像压缩方法及装置。

背景技术

相较于自然图像，高光谱图像包含了二维空间信息和一维光谱信息。其中，每个光谱波段分别对应一幅二维图像，且不同波段相同位置的像素构成一条光谱曲线。利用不同地物所具有的光谱曲线差异，高光谱图像被广泛应用于国民经济的各个领域。随着高分遥感成像技术的应用普及，如何有效的压缩由于遥感图像光谱和空间分辨率显著提升所带来的传输和存储数据量激增等挑战是高光谱图像应用过程中亟待解决的问题。

新兴的图像处理方法深度学习(Deep Learning)通过从大量训练样本中学习目标的特征来完成特定的任务。目前深度学习已经在图像分类、目标检测、行人再识别等多个图像处理的领域取得了重大成就。

目前，现有的深度学习技术多用于普通可见光图像的压缩，而基于深度学习的高光谱图像压缩技术还是比较少的。Toderici等提出了基于长短时记忆网络的、可变比率的图像压缩算法。算法将一张32×32大小的图像输入到网络中，通过减少图像的尺度和调节特征图的个数，实现对图像的压缩，然后通过解码网络实现图像信息的还原。Balle等使用卷积神经网络来实现图像的压缩。网络包含分析变换结构，量化结构和合成变换结构三个部分，这些结构主要由卷积层、图像降采样层、GDN归一化层等组成。Li等提出了基于图像内容加权的图像压缩技术，此方法针对不同的图像内容使用不同的比特率编码，它在传统自编码器结构的基础上，加入了重要性图概念，通过重要性图来实现不同图像内容的码率控制。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

但是现有技术中采用的上述方法都是针对可见光图像的压缩，而不是针对高光谱图像的压缩，普通图像一般只有3个波段，而高光谱图像的波段数拥有几十个到上百个，甚至更多，现有的方法无法实现对高光谱图像的压缩或者压缩效果较差。

发明内容

有鉴于此，本发明提供了一种基于深度学习的高光谱图像压缩方法及装置，用以解决或者至少部分解决现有的方法无法实现对高光谱图像的压缩或者压缩效果较差的技术问题。

本发明提供了一种基于深度学习的高光谱图像压缩方法，包括：

步骤S1：选取预设数量的图像作为训练图像，将训练图像的尺寸大小随机裁剪为32×32大小作为训练集，其中，训练图像包括普通图像和高光谱图像；

步骤S2：将训练集输入到预先搭建的压缩网络模型中，对压缩网络模型进行训练，获得训练后的压缩网络模型，其中，训练后的压缩网络模型包括编码网络、量化网络以及和解码网络；

步骤S3：将待压缩图像输入训练后的压缩网络模型，通过编码网络提取待压缩图像的特征后得到编码后的特征图，通过量化网络对编码后的特征图进行量化计算，得到量化结果，将其作为压缩后的图像，且通过解码网络对量化结果的解码计算对压缩后的图像进行恢复。

在一种实施方式中，步骤S2中训练过程采用的损失函数为：

其中，N表示图像中像素点的个数，X为原始图像的像素点数值，Y为恢复图像的像素点数值。