一种无人机定量遥感应用的数据压缩方法技术

本申请公开了一种无人机定量遥感应用的数据压缩方法，包括以下步骤：对无人机采集的多光谱图像进行预处理；通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；对深层特征信息进行量化和熵编码；通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；通过解码器对最优压缩图像进行重建。通过对多光谱图形进行多次卷积，其包括三维卷积和二维卷积，有利于提高图像重建质量和压缩比；通过将卷积后的深层特征信息进行量化和熵编码，可以进一步除去特征图像中的冗余，进一步提高图像重建质量和压缩比；通过端对端联合训练，将图像的损失与码率调节成最优比例，可实现高压缩比的同时，提高压缩质量，防止块效应、模糊、伪影等问题的出现。现。现。

【技术实现步骤摘要】
一种无人机定量遥感应用的数据压缩方法


[0001]本公开涉及压缩方法领域，具体涉及一种无人机定量遥感应用的数据压缩方法。

技术介绍

[0002]目前，无人机遥感图像的压缩方法有传统图像压缩方法和基于深度学习的图像压缩算法。传统的图像压缩算法主要有三类：基于预测编码方法、基于矢量量化编码方法和基于变换编码方法。基于预测的图像压缩方法是利用图像相邻元素和波段之间的相关性，通过临近元素的上下文信息预测当前像素值，实现图像的压缩。基于预测的图像压缩方法常用的为差分脉冲调制，此方法通过选择预测系数，使图像的残差值达到最小。基于矢量量化的图像压缩方法是将图像的若干标量转化为一个矢量，将矢量空间整体化，从而压缩数据，此方法充分利用图像的相关性，编码性能较高，但是编码难度较大，计算资源耗费极大。基于变换的图像压缩方法是将图像从空间域变换为变换域，在变换域范围内实行压缩编码，常用的变换方法有主成分分析、离散余弦变换、离散小波变换、Karhunen
‑
Loeve变换等。
[0003]传统图像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，这些方法都是对无人机遥感图像的像素值进行压缩，压缩率较低并且会出现不同程度的失真，甚至在高压缩比时由于数据量大，导致计算机内存溢出，从而导致压缩图像出现块效应、模糊、伪影等问题，严重影响无人机遥感图像的定量遥感应用。

技术实现思路

[0004]鉴于现有技术中的上述缺陷或不足，期望提供一种无人机定量遥感应用的数据压缩方法。
[0005]第一方面，一种无人机定量遥感应用的数据压缩方法，包括以下步骤：
[0006]S100.对无人机采集的多光谱图像进行预处理；
[0007]S200.通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；
[0008]S300.对深层特征信息进行量化和熵编码；
[0009]S400.通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；
[0010]S500.通过解码器对最优压缩图像进行重建。
[0011]根据本申请实施例提供的技术方案，所述对无人机采集的多光谱图像进行预处理包括以下步骤：
[0012]S100.1采集目标地区的多光谱图像；
[0013]S100.2利用SIFT算子提取多光谱图像中的特征点，根据特征点信息，拼接成多光谱遥感图像；
[0014]S100.3对多光谱遥感图像进行辐射定标，将多光谱遥感图像的DN值转换为地表反射率；
[0015]S100.4剪裁多光谱遥感图像，得到256
×
256像素的多光谱图像。
[0016]根据本申请实施例提供的技术方案，所述编码器包括自编码器和超参编码器，所述自编码器用于将N
×
256
×
256多光谱图像三维卷积成320
×
16
×
16的特征图像；
[0017]所述超参编码器用于将320
×
16
×
16的特征图像二维卷积成320
×4×
4的特征图像。
[0018]根据本申请实施例提供的技术方案，所述自编码器包括三维卷积层、GDN激活函数；所述三维卷积层采用步长为2的5
×
5的三维卷积核，所述GDN激活函数用于增加各三维卷积层之间的非线性关系。
[0019]根据本申请实施例提供的技术方案，所述编码器还包括和超参编码器，所述超参编码器包括二维卷积层和LeakyReLU激活函数；所述二维卷积层采用步长为2的5
×
5二维卷积核，所述LeakyReLU激活函数用于增加各二维卷积层之间的非线性关系。
[0020]根据本申请实施例提供的技术方案，所述解码器包括自解码器和超参解码器，所述自解码器与所述自编码器互为对称结构，所述超参解码器和所述超参编码器互为对称结构。
[0021]根据本申请实施例提供的技术方案，所述对深层特征信息进行量化和熵编码包括以下步骤：
[0022]S300.1将特征信息的浮点数据转化为整型；
[0023]S300.2通过双高斯模型，对熵编码进行熵估计。
[0024]本专利技术的有益效果：本申请公开一种无人机定量遥感应用的数据压缩方法，首先对无人机采集的图像进行预处理，得到可供使用的多光谱图像，通过编码器将多光谱进行三位卷积和二为卷积，得到深层特征信息实现压缩，再通过对深层特征信息进行量化和熵编码进一步除去特征图像中的冗余，通过端到端联合训练，将调节图像的损失和码率进行最优分配，得到最优压缩图像，最后通过解码器对压缩图像进行重建，以便后续应用。
[0025]通过对多光谱图形进行多次卷积，其包括三维卷积和二维卷积，有利于提高图像重建质量和压缩比；通过将卷积后的深层特征信息进行量化和熵编码，可以进一步除去特征图像中的冗余，进一步提高图像重建质量和压缩比；通过端对端联合训练，将图像的损失与码率调节成最优比例，可实现高压缩比的同时，提高压缩质量，防止块效应、模糊、伪影等问题的出现。
附图说明
[0026]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0027]图1是本申请的一种无人机定量遥感应用的数据压缩方法的原理图；
[0028]图2是本申请的一种无人机定量遥感应用的数据压缩方法的数据压缩模型图；
[0029]图3是本申请的一种无人机定量遥感应用的数据压缩方法的数据压缩模型图；
[0030]图4是本申请的一种无人机定量遥感应用的数据压缩方法的水体提取结果图；
具体实施方式
[0031]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描
述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。
[0032]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0033]实施例1
[0034]目前，无人机遥感图像的压缩方法有传统图像压缩方法和基于深度学习的图像压缩算法。传统图像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，这些方法都是对无人机遥感图像的像素值进行压缩，压缩率较低并且会出现不同程度的失真，甚至在高压缩比时会出现块效应、模糊、伪影等问题，严重影响无人机遥感图像的定量遥感应用。
[0035]基于深度学习的图像压缩算法虽然在一定程度上提升了图像压缩比和重建质量，但是目前深度学习的图像压缩算法并未考虑到无人机定量遥感应用场景，并且数据源较为单一，多为RGB类型的假彩色数据，并没有针对无人机遥感图像定量遥感应用设计的压缩算法。
[0036]本申请为解决上述问题提出一种无人机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机定量遥感应用的数据压缩方法，其特征在于：包括以下步骤：S100.对无人机采集的多光谱图像进行预处理；S200.通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；S300.对深层特征信息进行量化和熵编码；S400.通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；S500.通过解码器对最优压缩图像进行重建。2.根据权利要求1所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述对无人机采集的多光谱图像进行预处理包括以下步骤：S100.1采集目标地区的多光谱图像；S100.2利用SIFT算子提取多光谱图像中的特征点，根据特征点信息，拼接成多光谱遥感图像；S100.3对多光谱遥感图像进行辐射定标，将多光谱遥感图像的DN值转换为地表反射率；S100.4剪裁多光谱遥感图像，得到256
×
256像素的多光谱图像。3.根据权利要求1所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述编码器包括自编码器和超参编码器，所述自编码器用于将N
×
256
×
256多光谱图像三维卷积成320
×
16
×
16的特征图像；所述超参编码器用于...

【专利技术属性】
技术研发人员：张文豪，朱孟栩，李国洪，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：