[發明專利]基于深度學習和分布式信源編碼的高光譜圖像壓縮方法

有效

• 申請號: 201911313423.8
• 申請日: 2019-12-18
• 公開（公告）號: CN111145276B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 李永軍;杜浩浩;李莎莎;鄧浩;陳立家;曹雪;王贊;李鵬飛
• 申請（專利權）人: 河南大學
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/0464;G06N3/08
• 代理公司: 鄭州聯科專利事務所(普通合伙) 41104
• 代理人: 王聚才

本發明提供了一種基于深度學習和分布式信源編碼的高光譜圖像壓縮方法，包括以下步驟：步驟1：構建高光譜圖像顯著性檢測深度學習網絡模型；步驟2：提取待壓縮的高光譜圖像的譜段分組與關鍵幀；步驟3：提取待壓縮的高光譜圖像的譜段組局部顯著性特征；步驟4：得到該譜段組的全局顯著性映射圖；步驟5：得到待壓縮的高光譜圖像的譜段組的感興趣區域；步驟6：對譜段組的感興趣區域進行分布式壓縮；步驟7：得到高光譜圖像的壓縮編碼；本發明克服了現有技術中難以解決的場景顯著性深層次表征問題的缺點，具有精確壓縮有用信息的優點；本發明克服了現有技術中高光譜圖像壓縮效率低缺點，具有快速實現壓縮的優點。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于深度學習和分布式信源編碼的高光譜圖像壓縮方法。

背景技術

高光譜圖像將確定地物屬性的光譜和測量地物空間幾何關系的圖像有機地結合起來，被廣泛應用于軍事偵察和國民經濟等領域。但隨著光譜、空間、時間和輻射等分辨率及量化深度的不斷提高，高光譜圖像的數據量呈指數增長，數據的存儲和傳輸面臨巨大的壓力。如何對高光譜遙感的大數據有效壓縮，適應應用需求就成為了一個迫在眉睫的問題。

宋娟、吳成柯和張靜等人在論文“基于分類和陪集碼的高光譜圖像無損壓縮”(電子與信息學報2011年33卷1期第231頁到234頁)提出了基于分類和多元陪集編碼的分布式高光譜圖像編碼算法。該算法利用高光譜圖像前一譜段相應位置的預測誤差，對當前譜段像素進行歸類，把具有相近相關性的像素分為一類，對每一類像素分別進行陪集碼編碼，有效降低了碼率。但是由于前一幀預測誤差和當前幀預測誤差的相關性不是很大，提高的壓縮效果有限，同時由于引入了分類使得編碼的復雜度有所提高。

哈爾濱工業大學在其專利技術申請“一種高光譜圖像壓縮方法”(專利申請號：201110122607.3，公開號：102156998A)中公開了一種高光譜圖像壓縮方法。該方法對待壓縮的圖像進行分級壓縮處理,對感興趣空間信息和感興趣光譜信息無損或者近無損的壓縮,對其它信息進行大于感興趣空間信息和感興趣光譜信息所選壓縮比的壓縮。該方法可以使特定區域免于損壞，但查找特定區域增加了算法的復雜度。

發明內容

本發明的目的在于提供一種基于深度學習和分布式信源編碼的高光譜圖像壓縮方法，用于解決背景技術中所述的基于分類和陪集碼的高光譜圖像無損壓縮以及一種高光譜圖像壓縮方法存在的問題。

為了實現上述目的，本發明采用以下技術方案：

基于深度學習和分布式信源編碼的高光譜圖像壓縮方法，包括以下步驟：

步驟1：構建高光譜圖像顯著性檢測深度學習網絡模型RHSNet；

步驟2：提取待壓縮的高光譜圖像X的譜段分組與關鍵幀；

步驟3：根據步驟2得到的待壓縮的高光譜圖像X的譜段分組與關鍵幀，提取待壓縮的高光譜圖像X的譜段組局部顯著性特征；

步驟4：將步驟2得到的待壓縮的高光譜圖像X的譜段分組與關鍵幀作為輸入，輸入步驟1得到的高光譜圖像顯著性檢測深度學習網絡模型RHSNet，提取待壓縮的高光譜圖像X的譜段組高層顯著性特征，得到該譜段組X_n的全局顯著性映射圖S_deep；

步驟5：將步驟3得到的待壓縮的高光譜圖像X的譜段組X_n局部顯著性特征和步驟4得到的待壓縮的高光譜圖像X的譜段組X_n的全局顯著性映射圖S_deep進行融合與增強，得到譜段組X_n的顯著性映射圖S_fuse，并進一步得到待壓縮的高光譜圖像X的譜段組X_n的感興趣區域S_ROI；