[发明专利]高光谱图像压缩方法、装置、设备及可读存储介质

权利要求书

1.一种高光谱图像压缩方法，其特征在于，所述高光谱图像压缩方法包括：

将样本高光谱图像在空间维切分成若干固定大小的立方块；

按预设比例将所述若干固定大小的立方块划分为训练集和测试集；

通过训练集对卷积神经网络进行训练，其中，卷积神经网络包括非线性变换模块、量化模块以及熵模型；非线性变换模块对高光谱图像的空间和光谱维进行正向非线性变换，得到潜变量；量化模块通过添加均匀噪声的方式对潜变量进行量化；熵模型用于得到潜变量的概率分布，以供在熵编码时基于所述概率分布确定潜变量中每个元素所分配的码字；基于率失真准则对卷积神经网络训练过程进行约束，用来确定非线性变换模块以及熵模型中的参数值；非线性变换包括正向变换：Y＝g_a(W_aX+b_a)，反向变换：其中，表示输入的高光谱图像，表示重构图像，H，W，B分别对应高光谱图像的行、列和波段数，表示潜变量，h，w，N分别对应潜变量的行、列和滤波器的个数，和表示正变换网络参数，和表示反变换网络参数，g_a(.)表示非线性正向变换函数，g_s(.)表示非线性反向变换函数；

使用测试集验证训练完成的卷积神经网络的压缩性能，当训练完成的卷积神经网络的压缩性能达标时，通过训练完成的卷积神经网络对高光谱图像进行压缩处理。

2.如权利要求1所述的高光谱图像压缩方法，其特征在于，所述通过添加均匀噪声的方式对潜变量进行量化的函数表达如下：

其中，training表示训练过程，testing表示测试过程，表示单位均匀噪声，round表示取整操作，表示量化后的潜向量。

3.如权利要求2所述的高光谱图像压缩方法，其特征在于，将潜变量的统计特性引入熵模型的设计，同时，引入额外的变量构造一个条件模型，以提高熵模型的精度。

4.一种高光谱图像压缩装置，其特征在于，所述高光谱图像压缩装置包括：

构建模块，用于：

将样本高光谱图像在空间维切分成若干固定大小的立方块；

按预设比例将所述若干固定大小的立方块划分为训练集和测试集；

训练模块，用于通过训练集对卷积神经网络进行训练，其中，卷积神经网络包括非线性变换模块、量化模块以及熵模型；非线性变换模块对高光谱图像的空间和光谱维进行正向非线性变换，得到潜变量；量化模块通过添加均匀噪声的方式对潜变量进行量化；熵模型用于得到潜变量的概率分布，以供在熵编码时基于所述概率分布确定潜变量中每个元素所分配的码字；基于率失真准则对卷积神经网络训练过程进行约束，用来确定非线性变换模块以及熵模型中的参数值；非线性变换包括正向变换：Y＝g_a(W_aX+b_a)，反向变换：其中，表示输入的高光谱图像，表示重构图像，H，W，B分别对应高光谱图像的行、列和波段数，表示潜变量，h，w，N分别对应潜变量的行、列和滤波器的个数，和表示正变换网络参数，和表示反变换网络参数，g_a(.)表示非线性正向变换函数，g_s(.)表示非线性反向变换函数；

处理模块，用于使用测试集验证训练完成的卷积神经网络的压缩性能，当训练完成的卷积神经网络的压缩性能达标时，通过训练完成的卷积神经网络对高光谱图像进行压缩处理。

5.一种高光谱图像压缩设备，其特征在于，所述高光谱图像压缩设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的高光谱图像压缩程序，其中所述高光谱图像压缩程序被所述处理器执行时，实现如权利要求1至3中任一项所述的高光谱图像压缩方法的步骤。

6.一种可读存储介质，其特征在于，所述可读存储介质上存储有高光谱图像压缩程序，其中所述高光谱图像压缩程序被处理器执行时，实现如权利要求1至3中任一项所述的高光谱图像压缩方法的步骤。