[发明专利]一种基于多方向卷积神经网络的多光谱图像压缩方法及系统

说明书

本发明公开了一种基于多方向卷积神经网络的多光谱图像压缩方法及系统，系统包括：前向编码网络、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；方法具体为：构建多光谱图像压缩网络并对其进行训练，获得最优的多光谱图像压缩网络模型；将待压缩的多光谱图像送入多光谱图像压缩网络，多方向卷积提取图像的谱间空间特征，降维融合后使用下采样减小特征图的尺寸，通过量化去除数据冗余，并通过无损熵编码获得用于传输和存储的压缩码流；对接收到的压缩码流进行熵解码和逆量化，获得多光谱图像谱空特征数据，输入反向解码网络，得到重构的多光谱图像。本发明能够实现多光谱图像的多码率压缩，有效提高多光谱图像的压缩性能。

技术领域

本发明涉及图像处理和深度学习技术领域，尤其是一种基于多方向卷积神经网络的多光谱图像压缩方法及系统。

背景技术

随着多光谱成像技术的快速发展，将丰富的光谱空间特征编码到几个窄而连续的光谱波段中，能够生成比普通可见光图像更能反映同一场景特征的多光谱图像。多光谱图像具有丰富的谱间和空间信息，已被广泛应用于环境监测、作物状况评估、军事侦察、目标监视等领域。然而，也由于其包含的信息之多，多光谱图像的数据量相比可见光图像而言急剧增加。考虑到海量的数据将给图像的传输、存储和应用带来巨大的压力，尤其是在信道容量有限的情况下，因此需要对数据进行有效压缩。

对于可见光图像的压缩，大多数情况下只需要考虑空间相关性，因此出现了许多有效的传统压缩方法，如JPEG2000和3D-SPIHT。这些算法通常在空间维度上进行变换，以消除空间冗余，以获得更高的压缩比。直接将JPEG2000或其他传统方法应用于多光谱图像压缩也可以取得很好的效果，但鉴于多光谱图像的特点，需要研究一种侧重于谱空特征同时提取的压缩算法，以更好地保留多光谱图像包含的信息。

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分为：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，各波段数据之间存在着强烈的相关性，即谱间冗余；而对于每个波段的单幅图像来说，它相当于一幅二维静态图像，即存在空间冗余。然而，现有的多光谱图像压缩算法大多侧重与去除空间冗余，而忽略了谱间冗余。

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；基于矢量量化编码的算法的计算复杂度偏高，且其压缩性能与码书大小直接相关，即码书越大，压缩性能越好，但是当码书过大时，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尽管也能获得不错的压缩效果，但都未能充分利用多光谱图像谱空特征丰富的特点。

近年来深度学习技术快速发展，其在图像处理领域的应用也愈加广泛，因此将深度学习技术与图像压缩相结合是研究的必然趋势。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，利用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，提取图像数据特征。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，能够有效弥补传统压缩技术的谱空特征提取不完全等缺点。现今应用最多的是卷积神经网络，但普通的卷积网络也通常会忽略多光谱图像的谱间信息，会造成大量信息损失。

发明内容

本发明所要解决的技术问题在于，提供一种基于多方向卷积神经网络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。

为解决上述技术问题，本发明提供一种基于多方向卷积神经网络的多光谱图像压缩方法，包括如下步骤：

(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；