【技术实现步骤摘要】
基于深度注意力网络和场景感知的遥感图像压缩算法
[0001]本专利技术涉及图像压缩质量提升技术，具体涉及一种基于深度注意力网络和场景感知的遥感图像压缩算 法，属于图像处理领域。
技术介绍
[0002]受制于当前网络带宽和计算机硬件技术所提供的存储资源有限等因素，对信息尤其是图像信息的传输 和存储形成了考验，为了突破这一困境，对图像进行有效的压缩处理成为一种有效手段，传统的图像压缩 标准包括常用的JPEG和JPEG2000。基于深度学习的图像压缩算法能更好的应对量化问题，控制重建误差 和潜在图像表示熵之间的权衡。典型的基于简单卷积自动编码器的图像压缩系统，通过使用上下文模型来 直接建模潜在表示的熵:3D
‑
CNN学习了自动编码器的潜在分布的条件概率模型。该算法由于抛弃通用编解 码器，使用深度学习来学习适合编码的特征，因而具有不错的压缩性能。然而由于编解码器中用于学习特 征的网络比较简单，并未充分学习潜在的可编码特征，因此该深度编解码器性能仍有提升空间。
[0003]基于深度学习的方法在自然图像上取得了...
【技术保护点】
【技术特征摘要】
1.基于深度注意力网络和场景感知的遥感图像压缩算法，其特征在于实现过程包括以下步骤：步骤一：预处理模块：具体地，对输入的原始图像，进行归一化预处理；步骤二：注意力特征提取模块：具体地，将得到的预处理输出作为注意力特征提取模块的输入，通过一层由通道注意力和空间注意力级联成的注意力特征提取模块；步骤三：掩膜量化模块：具体地，使用特征重要性图来引导网络关注图像中不同区域的重要信息；掩膜过后对特征进行量化处理；同时利用网络的上下文模型学习自编码器潜在分布的条件概率模型，并将得到的交叉熵H
C
作为图像的信息熵；步骤四：解码模块：具体地，将量化后的特征进行算数编码得到码流B，进而进入解码过程；解码中，首先将码流相应地解码，再通过8倍反卷积上采样解码网络得到与原始图像相同尺寸的图像，最后去归一化和规范化后输出最终的解码图像y；步骤五：将编码和解码过程建模为卷积神经网络：具体地，通过最小化式中的率失真权衡来实现：L＝d
loss
+βH
C
，其中，L表示总误差损失函数，d
loss
是解码图像与原始图像之间的重建误差，β＞0为d
loss
和交叉熵之间的平衡因子；步骤六：构建自适应场景感知框架，具体地，自适应场景感知框架包括训练阶段和测试阶段；在训练阶段，由步骤一到步骤五构建的自动编解码器训练得到场景通用模型m，通过初始模型m，依次用不同场景数...
【专利技术属性】
技术研发人员：何小海，翟国伟，王正勇，任超，刘屹霄，熊淑华，陈洪刚，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。