【技术实现步骤摘要】
本专利技术属于卫星遥感影像压缩编码领域，特别涉及到了一种基于频域特征的双路径遥感影像压缩方法。
技术介绍
1、近些年随着遥感卫星技术的快速发展，卫星影像数据需要的内存空间、传输带宽变得越来越大。然而，在卫星端有限的存储和传输带宽，使得大量的高分辨率遥感影像很难被实时地传输到地面，导致用户无法及时获取影像数据，严重影响遥感卫星影像的实时智能服务，使得遥感卫星商业化发展面临的严峻挑战。
2、图像压缩可以用最少的比特数来表示图像的信息。通常图像压缩可以分为无损压缩和有损压缩。无损压缩可以保证图像压缩前和重建后的信息不丢失，但是它的压缩倍率低，无法满足遥感卫星的实时传输需求。有损压缩是目前高分辨率遥感卫星上常用的方法，它可以有效地降低遥感影像传输的数据量。当前，主流的卫星影像压缩方法是jpeg2000，该方法性能稳定，容易部署在卫星端。但是对于高倍率的遥感影像压缩，jpeg2000很难满足卫星遥感影像的保真度。
3、随着深度学习技术在各个领域的快速发展，基于神经网络的图像压缩方法可以实现复杂地物环境下的高倍率、高保真压缩。当前，有研究逐渐开始采用深度学习方法来替换传统的图像压缩方法。对于遥感影像压缩，目前的基于神经网络的模型还不够成熟，主要表现在：
4、（1）现有基于神经网络的压缩方法性能稳定性差，压缩性能不高。遥感影像数据具有丰富的地物信息，特征关联度低，使得现有方法很难实现高性能压缩。
5、（2）高倍压缩时，高频特征丢失严重。现有图像压缩模型主要是基于变分自编码器设计的，需要将影像映射
技术实现思路
1、针对上述存在的技术问题，本专利技术提出一种基于频域特征的双路径遥感影像压缩方法，可实现高倍率、高保真的遥感影像压缩。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种基于频域特征的双路径遥感影像压缩方法，使用基于频域特征的双路径图像压缩模型，对待压缩的遥感影像进行压缩，得到图像压缩码流；其中：
4、所述双路径图像压缩模型包括主网络，压缩模型主网络包括：编码器、量化器和熵编码模块；
5、压缩模型主网络的编码器包括离散小波变换模块和若干个级联的双路径频域特征编码模块；离散小波变换模块将输入的遥感影像分解为高频特征和低频特征；每个双路径频域特征编码模块，分别对输入的高频特征和低频特征，均进行通道数调整、频域分解、频域特征融合和频域特征提取，分别得到新的高频特征和低频特征；
6、压缩模型主网络使用2个量化器分别对编码器最终输出的高频特征和低频特征进行量化，以及使用2个熵编码模块分别对量化后的高频特征和低频特征进行熵编码，生成高频特征的码流和低频特征的码流。
7、进一步地，所述双路径图像压缩模型，与基于频域特征的双路径图像重构模型一起，利用遥感影像数据集训练其中模型参数得到；其中，
8、所述双路径图像重构模型包括主网络，所述重构模型主网络包括熵解码模块和解码器；
9、重构模型主网络使用两个熵解码模块，分别对所述双路径图像压缩模型生成的高频特征的码流和低频特征的码流，进行熵解码得到高频特征和低频特征；
10、重构模型主网络的解码器包括若干个级联的双路径频域特征解码模块和离散小波反变换模块；每个双路径频域特征解码模块对输入的高频特征和低频特征，分别进行上采样、频域分解、频域特征融合和再次上采样，分别得到新的高频特征和低频特征；最后一个双路径频域特征解码模块得到的高频特征和低频特征，即为待重构的高频特征和低频特征；离散小波反变换模块，根据解码器最终输出的待重构的高频特征和低频特征进行离散小波反变换，得到重构遥感影像。
11、进一步地，所述双路径频域特征编码模块包括1×1的卷积模块、离散小波变换模块、特征融合模块和3×3的卷积模块各2个，具体实现如下：
12、1）利用两个1×1的卷积模块分别对输入的低频特征l和高频特征h的通道数进行调整；
13、2）利用两个离散小波变换模块分别对低频特征l和高频特征h进行分解，生成四个l的特征分量和四个h的特征分量；
14、3）利用第一个特征融合模块对l的低频特征分量与h的低频特征分量进行特征融合，得到l'，利用第二个特征融合模块对l的高频特征分量与h的高频特征分量进行特征融合，得到h'；
15、4）利用两个3×3卷积分别对l'和h'进行特征提取，分别生成新的低频特征和新的高频特征。
16、进一步地，所述双路径频域特征解码模块包括1×1的反卷积模块、离散小波变换模块、特征融合模块和3×3的反卷积模块各2个，具体实现如下：
17、1）利用两个1×1的反卷积模块分别对输入的低频特征l和高频特征h进行上采样；
18、2）利用两个离散小波变换模块对1）中所得上采样后的低频特征和高频特征进行分解，生成四个低频特征分量和四个高频特征分量；
19、3）利用第一个特征融合模块对2）中所得的低频特征分量进行特征融合，得到新的低频特征，利用第二个特征融合模块对2）中所得的高频特征分量进行特征融合，得到新的高频特征；
20、4）利用两个3×3反卷积分别对3）中所得新的低频特征和高频特征进行上采样，分别生成新的低频特征和和新的高频特征。
21、进一步地，所述双路径图像压缩模型还包括子网络，用于提取主网络编码器最终输出的高频特征和低频特征中的边缘信息，并相应生成高频边缘信息的码流和低频边缘信息的码流，以及构建相应的概率分布模型；
22、所述高频边缘信息的码流和低频边缘信息的码流，与高频特征的码流和低频特征的码流，一起构成图像压缩码流；
23、所述概率分布模型，用于压缩模型主网络中的熵编码模块分别对量化后的高频特征和低频特征进行熵编码。
24、进一步地，压缩模型子网络包括子编码器、量化器、熵编码模块、熵解码模块、子解码器；
25、压缩模型子网络的子编码器包括若干个级联的双路径频域特征编码模块，用于提取压缩模型主网络的编码器所输出高频特征和低频特征的边缘信息，分别记为高频边缘信息和低频边缘信息；
26、压缩模型子网络使用2个量化器分别对高频边缘信息和低频边缘信息进行量化，以及使用2个熵编码模块分别对量化后的高频边缘信息和低频边缘信息进行熵编码，生成高频边缘信息的码流和低频边缘信息的码流；
27、压缩模型子网络使用2个熵解码模块，分别对高频边缘信息的码流和低频边缘信息的码流进行熵解码，分别得到高频边缘信息和低频边缘信息；
28、压缩模型子网络的子解码器包括2个级联的双路径频域特征解码模块和1个entropy模块；所述双路径频域特征解码模块本文档来自技高网...
【技术保护点】
1.一种基于频域特征的双路径遥感影像压缩方法，其特征在于，使用基于频域特征的双路径图像压缩模型，对待压缩的遥感影像进行压缩，得到图像压缩码流；其中：
2.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径图像压缩模型，与基于频域特征的双路径图像重构模型一起，利用遥感影像数据集训练其中模型参数得到；其中，
3.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径频域特征编码模块包括1×1的卷积模块、离散小波变换模块、特征融合模块和3×3的卷积模块各2个，具体实现如下：
4.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径频域特征解码模块包括1×1的反卷积模块、离散小波变换模块、特征融合模块和3×3的反卷积模块各2个，具体实现如下：
5.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径图像压缩模型还包括子网络，用于提取主网络编码器最终输出的高频特征和低频特征中的边缘信息，并相应生成高频边缘信息的码流和低频边缘信息的码
6.根据权利要求5所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，压缩模型子网络包括子编码器、量化器、熵编码模块、熵解码模块、子解码器；
7.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，量化器采用量化函数Q(x)为：
8.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述熵编码采用算术编码。
...【技术特征摘要】
1.一种基于频域特征的双路径遥感影像压缩方法，其特征在于，使用基于频域特征的双路径图像压缩模型，对待压缩的遥感影像进行压缩，得到图像压缩码流；其中：
2.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径图像压缩模型，与基于频域特征的双路径图像重构模型一起，利用遥感影像数据集训练其中模型参数得到；其中，
3.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径频域特征编码模块包括1×1的卷积模块、离散小波变换模块、特征融合模块和3×3的卷积模块各2个，具体实现如下：
4.根据权利要求1所述的基于频域特征的双路径遥感影像压缩方法，其特征在于，所述双路径频域特征解码模块包括1×1的反卷积模块、离散小波变换模块、...
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。