[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有效
| 申请号： | 201910512008.9 | 申请日： | 2019-06-13 |
| 公开（公告）号： | CN110348487B | 公开（公告）日： | 2021-07-20 |
| 发明（设计）人： | 种衍文;李浩南;潘少明 | 申请（专利权）人： | 武汉大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06T9/00 |
| 代理公司： | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人： | 罗飞 |
| 地址： | 430072 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 一种 基于 深度 学习 光谱 图像 压缩 方法 装置 | ||
【主权项】：
1.一种基于深度学习的高光谱图像压缩方法，其特征在于，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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉大学，未经武汉大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910512008.9/，转载请声明来源钻瓜专利网。
