[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

说明书

本发明公开了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，用于在低比特率下对高光谱图像进行有损压缩，该方法包括：高光谱图像整体输入到卷积神经网络当中训练和测试；编码器和解码器采用卷积结构提取高光谱图像的空谱特征，网络采用的激活函数为广义分裂归一化层，经过量化器和熵编码后得到比特流进行存储和传输；考虑到波段之间的相关性，首先采取单向光谱卷积针对光谱信息进行压缩和解压缩，再通过编码器提取空谱联合特征；网络损失函数为率‑失真损失函数。该损失函数平衡压缩率与图像失真程度，使得网络能够根据不同的平衡因子学习到不同的压缩能力，在性能上有了显著的提升。

技术领域

本发明属于图像处理技术领域，特别是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。

背景技术

高光谱图像是由几十甚至上百连续光谱波段组成的三维立体数据，与二维图像不同的是增加了一维光谱信息。成像设备以非常高的分辨率对光谱进行采样，使得每个像素包含丰富的光谱信息。高光谱图像在地质调查、大气勘测、农业监控等领域有广泛应用。

高光谱图像的波段数目从几十到几百不等，不同波段之间像素的相关性强，这样使得高光谱图像存在很大的光谱冗余，这些冗余占用了大量的存储空间和信道容量，为数据的计算、存储和传输带来了很大的压力。在保证结果的基础上，通过对高光谱图像光谱信息的降维可以减少存储空间，提高计算效率，所以对高光谱图像进行降维是十分有必要的。

传统对于高光谱图像光谱信息的降维，主要分为两类，一类是基于特征提取方法。该方法采用变换的方式，将原始数据从高维空间投影到线性无关的低维空间，低维空间的数据冗余信息变少，并能够尽可能地替代数据的本质特征。第二类方法为波段选择。从高光谱图像的众多波段中选择最具有代表性的波段，组成图像子集代替原始图像实现降维功能。

这些方法都把高光谱图像光谱信息降维作为预处理步骤，和传统压缩方法相结合以提高压缩质量。缺点在于与图像压缩系统耦合度不高，计算过程复杂。

发明内容

本发明的目的是结合深度学习中神经网络的方法，并将高光谱图像光谱信息降维过程作为压缩模型的一部分，提出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。

实现本发明目的的技术解决方案为，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，包括如下步骤：

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。

进一步的，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。