[发明专利]用于高光谱图像有损压缩的空谱联合深度卷积网络方法

权利要求书

1.一种用于高光谱图像有损压缩的空谱联合深度卷积网络方法，其特征在于，包括以下步骤：

步骤1，整理高光谱图像数据集；

步骤2，采用单向光谱卷积对高光谱图像的光谱信息进行压缩，具体为：

将高光谱图像输入到网络当中，经过单向光谱卷积压缩光谱信息；记输入到网络的高光谱图像为，其中H、W、C分别为三维高光谱数据的高、宽、光谱数，具体计算如下：

其中，W₁与b₁分别表示单向光谱卷积的权值参数和偏置，F₁表示输出的特征图，表示ReLU激活函数；

步骤3，将压缩后的特征图进行量化和熵编码；

步骤4，将编码的比特流输入到解码器进行解码；

步骤5，调整平衡因子得到不同压缩率的模型参数。

2.根据权利要求1所述的用于高光谱图像有损压缩的空谱联合深度卷积网络方法，其特征在于，所述步骤1中，将数据集分为训练集和测试集，训练集的图片被随机裁剪成空间分辨率256×256的图像块。

3.根据权利要求1所述的用于高光谱图像有损压缩的空谱联合深度卷积网络方法，其特征在于，所述步骤3中，将压缩后的特征图输入到堆叠的卷积层进行空谱特征提取，并且使用广义分裂归一化作为归一化方法；降维后的特征图先后经过一层步长为4，卷积核大小为9×9的卷积层，和两层步长为2，卷积核大小为5×5的卷积层；

采用广义分裂归一化对特征进行处理，其公式如下：

其中x_i为第i层的输入，β_i和γ_i分别为偏差向量和权重矩阵；

量化层的原理是将特征图的浮点数四舍五入为整数，即， y_E代表经过编码器后的特征图，y_Q代表特征图量化后的结果；y_Q的边际密度由一系列离散概率质量得出，其权重等于y_E的概率质量函数，n为y_Q 的可能取值：

在反向传播时，采用加性均匀噪声代替量化器，其中是随机噪声，其区间与量化器的区间相同；

使用作为测试阶段的量化操作。

4.根据权利要求1所述的用于高光谱图像分类的形状自适应卷积深度神经网络方法，其特征在于，所述步骤5中，调整率-失真函数的平衡因子，即平衡压缩率与图像失真程度的参数，训练得到适应不同压缩率的压缩模型，具体为：

将基于DNN的图像压缩问题表述为率-失真优化问题，优化的目标是使失真和码字消耗的加权和最小；

设为失真和码字消耗之间的平衡因子，网络的损失函数定义为：

其中，x_n为输入图像，y_n是解压缩图像，L_D代表失真损失，L_R代表速率损失；失真损失使用L2-范数的平方来评估原始图像和解压缩图像之间的误差，计算公式如下：

码率损失L_R可用中间特征图的熵来定义：

采用样条插值，对中间特征数据的每个整数间隔进行采样，对相邻的点进行插值，得到分段线性函数来近似离散对象；

在拟合特征图的数据分布时，计算当前分布下中间特征的概率估计，并根据该概率计算熵，即当前分布的码字大小。