一种基于端到端卷积神经网络的遥感图像压缩方法技术

本发明专利技术提出了一种基于端到端卷积神经网络的遥感图像压缩方法，能够提高量化效率且拥有更加强大的近似分布能力。本发明专利技术量化结构采用多进制量化到整系数，提高量化效率；并且采用高斯混合模型进行熵编码，相较于单高斯模型，其拥有更加强大的近似分布能力。具体地，首先利用自编码器提取图像的特征信息，降低图像的维度；利用量化处理将特征图像的浮点数据浮点型数据量化成整型；然后利用高效的熵编码环节去除量化后特征图像中的冗余，进一步提高编码性能；最后利用率

【技术实现步骤摘要】
一种基于端到端卷积神经网络的遥感图像压缩方法


[0001]本专利技术涉及遥感图像信息处理
，具体涉及一种基于端到端卷积神经网络的遥感图像压缩方法。

技术介绍

[0002]随着遥感卫星技术的迅猛发展，在轨运行的光学遥感卫星越来越多，遥感卫星持续不断的获取观测数据并回传地面，日积月累长期观测后得到海量遥感影像数据。一方面，海量遥感影像数据给存储系统带来极大压力，提升了数据存储和定期维护的成本，且会随着存储年限的增加持续上升，不仅导致长期存储压力增大，也会使得高价值有效数据检索困难。
[0003]为了解决海量遥感数据存储的难题，现有方法主要通过对所有帧观测数据均进行无损压缩处理，但是量化效率不高且近似分布能力有限。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种基于端到端卷积神经网络的遥感图像压缩方法，能够提高量化效率且拥有更加强大的近似分布能力。
[0005]为实现上述目的，本专利技术的技术方案为：
[0006]一种基于端到端卷积神经网络的遥感图像压缩方法，包括如下步骤：
[0007]利用自编码器提取图像的特征信息；利用量化处理将特征图像的浮点数据浮点型数据量化成整型，得到量化后特征图像；针对量化后特征图像，使用高斯混合模型进行熵估计，高斯混合模型的分布函数为其中，引入信息来对的分布进行估计，ω
i
代表不同高斯模型的权重，F代表不同的高斯模型，N(u
i
,σ
i
)代表模型的高斯分布参数，代表熵编码结果；<br/>[0008]利用率
‑
失真优化对图像失真和压缩码率进行联合调优，所述率
‑
失真优化采用的损失函数如下式所示：
[0009][0010]其中，D表示失真，原始图像与重建图像的均方误差代表图像的失真程度；R表示码率；λ表示失真与码率的平衡系数；代表失真度；和代表与的码率；损失函数是由端到端卷积神经网络的图像压缩算法码率和原始图像与重建图像之间的损失值组成；
[0011]端到端卷积神经网络的图像压缩算法与的码率估计如公下式所示：
[0012][0013][0014]其中，和代表与的分布。
[0015]其中，所述高斯混合模型为双高斯模型混合，其中一个高斯模型权重设置为ω
i
，另一个高斯模型的权重设置为1
‑
ω
i
。
[0016]其中，利用自编码器提取图像的特征信息的具体步骤如下：
[0017]对图像进行下采样操作，将遥感图像裁剪为3
×
256
×
256大小的图像，利用卷积核尺寸为5、步长为2、零填充为2的卷积层对输入图像进行卷积操作，得到192个大小为128
×
128的特征图，然后利用GDN激活函数连接两个卷积层，GDN激活函数用于增加卷积神经网络各层之间的非线性关系；将自编码器输出的320
×
16
×
16的特征图像作为输入图像，采用卷积核尺寸为3、步长为1、零填充为1的卷积层对特征图像进行处理，得到一个新的320
×
16
×
16的特征图像；利用卷积核尺寸为5、步长为2、零填充为2的卷积层对新的特征图像进行下采样，采用LeakyReLU激活函数增加网络各卷积层之间的非线性关系，最后得到一组320
×4×
4的特征向量，超参编码器进一步降低了数据维度，提取到图像的深层特征信息。
[0018]其中，利用量化处理将特征图像的浮点数据浮点型数据量化成整型的具体方式为：
[0019][0020]其中，y
i
为自编码器输出的特征图，为量化结果。
[0021]其中，量化结构采用添加随机噪声方式用来保证梯度反转。
[0022]有益效果
[0023]1、本专利技术量化结构采用多进制量化到整系数，提高量化效率；并且采用高斯混合模型进行熵编码，相较于单高斯模型，其拥有更加强大的近似分布能力。具体地，首先利用自编码器提取图像的特征信息，降低图像的维度；利用量化处理将特征图像的浮点数据浮点型数据量化成整型；然后利用高效的熵编码环节去除量化后特征图像中的冗余，进一步提高编码性能；最后利用率
‑
失真优化对图像失真和压缩码率的联合调优。端到端卷积神经网络图像压缩算法重建图像的峰值信噪比较传统图像压缩算法有明显提升。
[0024]2、本专利技术在传统卷积神经网络图像压缩算法的基础上采用更加高效的量化环节和表达能力更强的熵编码模型设计端到端卷积神经网络图像压缩，通过构建遥感图像数据集，实现遥感图像的压缩与重建，能处理多个传感器获取的遥感数据，具有很强的适用性。
[0025]3、本专利技术对于端到端的编码，率
‑
失真优化是对图像失真和压缩码率的联合调优，码率估计和图像失真的调优结果将直接影响整个端到端卷积神经网络图像压缩算法的优化效果。
附图说明
[0026]图1为本专利技术端到端卷积神经网络原理图。
[0027]图2为本专利技术自编码器网络结构示意图。
[0028]图3为本专利技术自解码器网络结构示意图。
具体实施方式
[0029]下面结合附图并举实施例，对本专利技术进行详细描述。
[0030]针对地面同一场景的遥感卫星观测影像数据，此类数据需要进行数据压缩，针对传统的遥感数据压缩算法压缩效率低且量化效率不高且近似分布能力有限问题，本专利技术提供了一种基于端到端卷积神经网络的遥感图像压缩方法，以节省宝贵的长期储存空间、提高有效数据检索效率。本专利技术端到端卷积神经网络如图1所示，本专利技术压缩方法包括如下步骤：
[0031]步骤1，利用自编码器提取图像的特征信息，降低图像的维度，自编码器网络结构如图2所示；利用量化处理将特征图像的浮点数据浮点型数据量化成整型，得到量化后特征图像。
[0032]利用自编码器提取图像的特征信息的具体步骤如下：
[0033]对图像进行下采样操作。将遥感图像裁剪为3
×
256
×
256大小的图像，利用卷积核尺寸为5、步长为2、零填充为2的卷积层对输入图像进行卷积操作，得到192个大小为128
×
128的特征图，然后利用GDN激活函数连接两个卷积层，GDN激活函数用于增加卷积神经网络各层之间的非线性关系；将自编码器输出的320
×
16
×
16的特征图像作为输入图像，采用卷积核尺寸为3、步长为1、零填充为1的卷积层对特征图像进行处理，得到一个新的320
×
16
×
16的特征图像；利用卷积核尺寸为5、步长为2、零填充为2的卷积层对新的特征图像进行下采样，采用LeakyReLU激活函数增加网络各卷积层之间的非线性关系，最后得到一组320
×4×
4的特征向量，超参编码器进一步降低了数据维度，提取到图像的深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于端到端卷积神经网络的遥感图像压缩方法，其特征在于，包括如下步骤：利用自编码器提取图像的特征信息；利用量化处理将特征图像的浮点数据浮点型数据量化成整型，得到量化后特征图像；针对量化后特征图像，使用高斯混合模型进行熵估计，高斯混合模型的分布函数为其中，引入信息来对的分布进行估计，ω
i
代表不同高斯模型的权重，F代表不同的高斯模型，N(u
i
,σ
i
)代表模型的高斯分布参数，代表熵编码结果；利用率
‑
失真优化对图像失真和压缩码率进行联合调优，所述率
‑
失真优化采用的损失函数如下式所示：其中，D表示失真，原始图像与重建图像的均方误差代表图像的失真程度；R表示码率；λ表示失真与码率的平衡系数；代表失真度；和代表与的码率；损失函数是由端到端卷积神经网络的图像压缩算法码率和原始图像与重建图像之间的损失值组成；端到端卷积神经网络的图像压缩算法与的码率估计如公下式所示：的码率估计如公下式所示：其中，和代表与的分布。2.如权利要求1所述的方法，其特征在于，所述高斯混合模型为双高斯模型混合，其中一个高斯模型权重设置为ω
i
，另一个高斯模型的权重设置为1
‑
ω
i
。3.如权利要求1或2所述的方法，其特征在于，利用自编...

【专利技术属性】
技术研发人员：赵华，金雪，岳荣刚，刘云鹤，智喜洋，韩奇超，刘也，石晟玮，王婧思，齐星楠，
申请(专利权)人：中国人民解放军六三九二一部队，
类型：发明
国别省市：