[发明专利]一种基于卷积神经网络的无人机多光谱遥感影像压缩方法

说明书

本发明提供了一种基于卷积神经网络的无人机多光谱遥感影像压缩方法，包括：S1，对多源多光谱遥感影像进行图像配准、波段合成、辐射定标、图像裁剪、最大最小值归一化处理；S2，构建卷积神经网络压缩模型，卷积神经网络压缩模型由卷积自编解码器、多进制量化和高斯混合熵编码模块、率失真联合调优模块构成；S3，多光谱遥感影像的卷积神经网络压缩模型端到端联合训练；S4，卷积神经网络压缩模型由虚拟机训练完成，生成模型参数，迁移至无人机载荷，实现无人机多光谱遥感影像压缩。本发明结合深度学习中的自编码器，将多源多光谱数据预处理与卷积神经网络压缩模型结合用于无人机多光谱遥感图像压缩，具有压缩效率高且重建质量好的特点。

技术领域

本发明涉及多光谱遥感影像处理技术领域，特别是涉及一种基于卷积神经网络的无人机多光谱遥感影像压缩方法。

背景技术

随着传感器技术的发展，多光谱遥感影像的应用越来越广泛，多光谱遥感影像包含更加丰富的光谱信息和空间信息。相对于单色图像，多光谱遥感影像在农业、林业、国土、环保、气象、军事等领域有更大的应用价值。

但是多光谱遥感影像存在以下问题：①单景多光谱遥感影像数据量大；②多光谱遥感影像的波段与波段之间存在空间冗余，同波段的图像存在谱间冗余。多光谱遥感影像的这些问题给数据的传输、存储和管理带来了极大的困难，严重制约了多光谱遥感图像的应用与发展。如何高效地对多光谱遥感影像数据进行压缩处理是亟待解决的难题。

目前，多光谱图像的压缩方法有基于预测的编码方法、基于矢量量化的编码方法、基于变换的编码方法、基于深度学习的编码方法。基于预测的编码方法通过上下文信息预测当前像素值，此方法压缩效率不高；基于矢量量化的编码方法把若干标量转化为一个矢量，矢量空间整体化，压缩数据，此方法编码难度极大；基于变换的编码方法将多光谱图像从空间域变换为频率域，在频率域范围内实行压缩编码，此方法压缩率较大时会出现块效应。基于深度学习的编码方法利用自编码器压缩数据，此方法主要是用来压缩RGB数据。

发明内容

本发明的目的是提供一种基于卷积神经网络的无人机多光谱遥感影像压缩方法，结合深度学习中的自编码器，将多源多光谱数据预处理与卷积神经网络压缩模型结合用于无人机多光谱遥感图像压缩，具有压缩效率高且重建质量好的特点。

为实现上述目的，本发明提供了如下方案：

一种基于卷积神经网络的无人机多光谱遥感影像压缩方法，包括如下步骤：

S1，多源多光谱遥感影像的预处理：

对多源多光谱遥感影像进行图像配准、波段合成、辐射定标、图像裁剪、最大最小值归一化处理；

S2，卷积神经网络压缩模型的构建：

所述卷积神经网络压缩模型由卷积自编解码器、多进制量化和高斯混合熵编码模块、率失真联合调优模块构成，所述卷积自编解码器包含自编码器和自解码器两部分，自编码器主要由卷积层、重建归一化层、LeakyReLU激活函数组成，自编码器用于提取多光谱遥感影像的特征信息，降低多光谱遥感影像的维度；自解码器用于重建编码后的图像，自解码器采用和自编码器完全对称的结构；

多进制量化和高斯混合熵编码模块采用多进制量化的量化结构对自编码器提取到的多光谱遥感影像的特征信息进行量化处理，之后，采用高斯混合模型对多光谱遥感影像进行熵编码，去除多光谱遥感影像的冗余；

率失真联合调优模块采用损失函数对多光谱遥感影像的图像失真和压缩码率进行联合调优，损失函数L如下式所示：

L＝R+λD

其中，D表示失真程度，原始图像与重建图像的均方误差代表图像的失真程度；R表示压缩码率；λ表示图像失真和压缩码率的平衡系数；

S3，多光谱遥感影像的卷积神经网络压缩模型端到端联合训练：