CN108495132A - 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 - Google Patents
基于轻量级深度卷积网络的遥感影像大倍率压缩方法 Download PDFInfo
- Publication number
- CN108495132A CN108495132A CN201810110020.2A CN201810110020A CN108495132A CN 108495132 A CN108495132 A CN 108495132A CN 201810110020 A CN201810110020 A CN 201810110020A CN 108495132 A CN108495132 A CN 108495132A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- tested
- network
- depth convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/12—Selection from among a plurality of transforms or standards, e.g. selection between discrete cosine transform [DCT] and sub-band transform or selection between H.263 and H.264
- H04N19/122—Selection of transform size, e.g. 8x8 or 2x4x8 DCT; Selection of sub-band transforms of varying structure or type
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
- H04N19/25—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding with scene description coding, e.g. binary format for scenes [BIFS] compression
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/48—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using compressed domain processing techniques other than decoding, e.g. modification of transform coefficients, variable length coding [VLC] data or run-length data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/20—Adaptations for transmission via a GHz frequency band, e.g. via satellite
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Remote Sensing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其步骤为:1.搭建一个7层的轻量级深度卷积网络;2.选取遥感影像训练样本;3.生成训练数据集;4.训练轻量级深度卷积网络;5.压缩待测试遥感影像;6.解压待测试遥感影像的大倍率压缩文件。本方法设计了一种新的7层的轻量级深度卷积网络,该方法的模型轻巧,压缩解压缩时间短,可实现大倍率压缩,优化了反量化过程,提高了神经网络的精度,提升了复原遥感影像的质量,可以保留更多的遥感影像的边缘纹理信息。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像压缩技术领域中的一种基于轻量级深度卷积网络的遥感影像大倍率压缩方法。本发明可用于对在轨卫星拍摄的遥感影像进行实时大倍率压缩。
背景技术
目前,随着我国在轨卫星数量的快速增加,使得采集的遥感影像数据量呈几何级数增长,信息获取和数据传输的矛盾将日益加剧,在轨卫星所拍摄的遥感影像的大倍率压缩需求变得日益迫切。
西安电子科技大学在其申请的专利文献“基于深度自编码网络的大压缩比卫星遥感图像压缩方法”(专利申请号:201510524105,公开号:CN105163121A)中公开了一种深度自编码网络的大压缩比卫星遥感图像压缩方法。该方法的具体步骤是:1.将多个自编码器级联堆叠构成深度自编码网络;2.输入一组训练图像数据到深度自编码网络,训练该网络获得优化的网络参数,得到深度压缩网络和深度解压网络;3.待压缩的遥感图像送入深度压缩网络,得到高阶稀疏特征,对特征量化和编码得到最终压缩码流;4.对接收到的码流反量化和编码,得到高阶稀疏特征并送入深度解压网络,网络的最终输出为解压的遥感图像。该方法结合图像处理与深度学习技术,实现卫星遥感数据的大倍率压缩,压缩与解压过程只需进行简单的前向传递操作,实时性好,减轻了海量遥感数据的存储与传输负担。但是,该方法仍然存在的不足之处是,由于该方法需要将多个自编码器级联堆叠构成深度自编码网络,需要训练多次,训练复杂,参数量大,训练时间长,算法复杂度高,并且该方法在量化反量化过程中会损失网络的精度,降低遥感影像的重构质量。
张立保和丘兵昌在其发表的论文“基于快速方向预测的高分辨率遥感影像压缩”(光学精密工程2013年8月第21卷第8期)中公开了一种对高分辨率遥感影像的高效压缩方法。该方法的具体步骤是:1.将高分辨率遥感影像分为若干不重叠子块;2.采用梯度算子快速预测遥感影像中每个图像块的最佳提升方向,并沿着最佳预测方向插值完成方向提升小波变换;3.进行多级树集合***(SPIHT)编码。该方法虽然取得了一定的压缩效果,但是,该方法仍然存在的不足之处是,当倍率增加时,小波变换会丢失大量的高频系数,从而使得原遥感影像的纹理和边缘特征大量丢失。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于轻量深度卷积网络的遥感影像大倍率压缩方法。本发明结合深度学习与图像压缩等理论技术,设计了7层的轻量级深度卷积网络,减少了模型需要训练的参数,缩短了遥感影像的压缩解压缩时间,实现了遥感影像的大倍率压缩。
实现本发明目的的思路是,通过对搭建的轻量级深度卷积网络进行训练,得到轻量级深度卷积编码子网络与轻量级深度卷积解码子网络,将原始遥感影像输入轻量级深度卷积编码子网络,经过量化与编码输入轻量级深度卷积解码子网络,得到解压遥感影像,实现对在轨卫星所拍摄的遥感影像的实时大倍率压缩,
本发明的具体步骤包括如下:
(1)搭建一个7层的轻量级深度卷积网络;
(2)选取遥感影像训练样本:
从在轨卫星拍摄的2048*2048大小的遥感影像中,随机选取地物类型丰富的4幅遥感影像作为遥感影像的训练样本;
(3)生成训练数据集:
对遥感影像的训练样本进行随机采样,组成训练数据集;
(4)训练轻量级深度卷积网络:
(4a)将训练数据集输入到轻量级深度卷积网络中,得到训练数据集网络输出值;
(4b)利用均方根误差公式,计算训练数据集网络输出值与训练数据集的训练数据集均方根误差值;
(4c)将训练数据集均方根误差值作为轻量级深度卷积网络的代价值,对轻量级深度卷积网络进行迭代训练,直到轻量级深度卷积网络的代价值不再降低而且达到最大迭代次数时,得到训练好的轻量级深度卷积网络;
(4d)用训练好的轻量级深度卷积网络的前四层,构成轻量级深度卷积编码子网络,第五层至第七层构成轻量级深度卷积解码子网络;
(5)压缩待测试遥感影像:
(5a)将在轨卫星所拍摄的512*512大小的遥感影像作为待测试遥感影像;
(5b)将待测试遥感影像裁剪为256个32*32大小的待测试遥感影像块,送入轻量级深度卷积编码子网络中,得到待测试遥感影像的轻量级深度卷积编码子网络输出值;
(5c)将待测试遥感影像的轻量级深度卷积编码子网络输出值进行缩放量化操作,得到待测试遥感影像的缩放量化值;
(5d)将待测试遥感影像的缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值组成待测试遥感影像的待编码序列;
(5e)将待测试遥感影像的待编码序列进行霍夫曼编码,得到待测试遥感影像的二进制码流;
(5f)将待测试遥感影像的二进制码流,保存为待测试遥感影像的大倍率压缩文件;
(6)解压待测试遥感影像的大倍率压缩文件:
(6a)从待测试遥感影像的大倍率压缩文件中获得待测试遥感影像的二进制码流;
(6b)待测试遥感影像的二进制码流进行霍夫曼解码,得到待测试遥感影像的解码序列;
(6c)从待测试遥感影像的解码序列中分别得到待测试遥感影像的待反缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值;
(6d)从取值范围为[0.001,0.002]的值中选取一个随机小数;
(6e)将随机小数加上待测试遥感影像的待反缩放量化值,得到待测试遥感影像的优化待反缩放量化值;
(6f)将待测试遥感影像的优化待反缩放量化值进行反缩放量化操作,得到待测试遥感影像的反缩放量化值;
(6g)将待测试遥感影像的反缩放量化值送入轻量级深度卷积解码子网络,得到256个32*32大小的复原遥感影像块;
(6h)将256个32*32大小的复原遥感影像块进行拼接,得到复原后的遥感影像。
本发明与现有技术相比较,具有如下优点:
第一,由于本发明采用了7层的轻量级深度卷积网络,通过设计轻量级深度卷积网络中的卷积层与全连接层结合,减少了网络的参数数量,克服了现有技术存在的训练复杂,训练时间长,参数量大的问题,使得本发明具有不需要重复训练,模型轻巧,压缩解压缩时间短,卫星携带便捷的优点。
第二,由于本发明在轻量级深度卷积网络中设计了依据压缩倍率全连接处理的全连接层,可以通过输出更少的神经元数量,结合量化与编码方法,实现大倍率压缩,克服了现有技术中无法实现大倍率压缩的问题,使得本发明可实现在轨卫星的遥感影像大倍率压缩。
第三,由于本发明从取值范围为[0.001,0.002]的值中选取一个随机小数,加上待测试遥感影像的待反缩放量化值,提高了轻量级深度卷积网络的精度,克服了现有技术中当倍率增加时小波变换会丢失大量的高频系数,从而使得原遥感影像的纹理和边缘特征大量丢失的问题,使得本发明可以保留原遥感影像更多的纹理和边缘特征,提升了复原遥感影像的质量。
附图说明
图1是本发明的流程图;
图2是本发明的轻量级深度卷积网络模型图;
图3是QuickBird卫星采集的4幅训练样本图;
图4是本发明与现有技术JPEG2000不同压缩比下的PSNR对比曲线图;
图5是本发明与现有技术JPEG2000在240倍压缩比下的原始遥感影像与复原遥感影像对比图。
具体实施方式
下面结合附图,对本发明做详细的描述。
参照附图1,对本发明的实现步骤做详细的描述。
该方法通过对搭建的轻量级深度卷积网络进行训练,得到轻量级深度卷积编码子网络与轻量级深度卷积解码子网络,将原始遥感影像输入轻量级深度卷积编码子网络,经过量化与编码输入轻量级深度卷积解码子网络,得到解压遥感影像,实现对在轨卫星所拍摄的遥感影像的实时大倍率压缩,具体步骤包括如下:
步骤1.搭建一个7层的轻量级深度卷积网络。
参照图2,对搭建7层的轻量级深度卷积网络的结构描述如下。
第一层为归一化处理的预处理层;第二层为卷积处理的卷积层;第三层为展开层;第四层为依据压缩倍率全连接处理的全连接层;第五层为全连接层;第六层为折叠层;第七层为反卷积层。
步骤2.选取遥感影像训练样本。
从在轨卫星拍摄的2048*2048大小的遥感影像中,随机选取地物类型丰富的4幅遥感影像作为遥感影像的训练样本,所挑选的4幅遥感影像如图3所示。
步骤3.生成训练数据集。
对遥感影像的训练样本进行随机采样,组成训练数据集。
所述的随机采样是指,从遥感影像的训练样本中随机截取32*32大小的120万个的遥感影像块,组成训练数据集。
步骤4.训练轻量级深度卷积网络。
将训练数据集输入到轻量级深度卷积网络中,得到训练数据集网络输出值。
利用均方根误差公式,计算训练数据集网络输出值与训练数据集的训练数据集均方根误差值。
所述均方根误差公式如下:
其中,L表示训练数据集均方根误差值,表示求平方根操作,N表示训练数据集中遥感影像块的总数,∑表示求和操作,i表示遥感影像块的序号,Xi表示训练数据集中第i个遥感影像块的值,Yi表示训练数据集中第i个遥感影像块送入轻量级深度卷积网络后得到的网络输出值。
将训练数据集均方根误差值作为轻量级深度卷积网络的代价值,对轻量级深度卷积网络进行迭代训练,直到轻量级深度卷积网络的代价值不再降低而且达到最大迭代次数时,得到训练好的轻量级深度卷积网络。
所述的轻量级深度卷积网络进行迭代训练可以采用随机梯度下降算法SGD,基于自适应矩阵估计的优化算法Adam中的任意一种进行。
用训练好的轻量级深度卷积网络的前四层,构成轻量级深度卷积编码子网络,第五层至第七层构成轻量级深度卷积解码子网络。
步骤5.压缩待测试遥感影像。
将在轨卫星所拍摄的512*512大小的遥感影像作为待测试遥感影像。
将待测试遥感影像裁剪为256个32*32大小的待测试遥感影像块,送入轻量级深度卷积编码子网络中,得到待测试遥感影像的轻量级深度卷积编码子网络输出值。
将待测试遥感影像的轻量级深度卷积编码子网络输出值进行缩放量化操作,得到待测试遥感影像的缩放量化值。
所述的缩放量化操作是由下述公式实现的:
其中,Q表示待测试遥感影像缩放量化值,表示向下取整操作,E表示待测试遥感影像的轻量级深度卷积编码子网络的输出值,Emin表示待测试遥感影像的轻量级深度卷积编码子网络输出值E的最小值,Emax表示待测试遥感影像的轻量级深度卷积编码子网络输出值E的最大值,Nq表示在0-255之间所选取的量化级数。
将待测试遥感影像的缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值组成待测试遥感影像的待编码序列。
将待测试遥感影像的待编码序列进行霍夫曼编码,得到待测试遥感影像的二进制码流。
所述霍夫曼编码的具体步骤如下:
第一步,分别用待测试遥感影像的待编码序列中每个值出现次数的值除以待测试遥感影像的待编码序列的总数量,得到待测试遥感影像的待编码序列中每个值的概率值。
第二步,根据待测试遥感影像的待编码序列中每个值的概率值构造霍夫曼树。
第三步,根据霍夫曼树对待测试遥感影像的待编码序列进行编码,得到变长编码表。
第四步,使用变长编码表将待测试遥感影像的待编码序列中的每个值进行编码,得到初始二进制码流。
第五步,将变长编码表进行二进制编码,与初始二进制码流合并,得到待测试遥感影像的二进制码流。
将待测试遥感影像的二进制码流,保存为待测试遥感影像的大倍率压缩文件。
步骤6.解压待测试遥感影像的大倍率压缩文件。
从待测试遥感影像的大倍率压缩文件中获得待测试遥感影像的二进制码流。
待测试遥感影像的二进制码流进行霍夫曼解码,得到待测试遥感影像的解码序列。
所述霍夫曼解码的具体步骤如下:
第一步,在待测试遥感影像的二进制码流中获得变长编码表;
第二步,使用变长编码表对码流进行解码,得到待测试遥感影像的解码序列。
从待测试遥感影像的解码序列中分别得到待测试遥感影像的待反缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值。
从取值范围为[0.001,0.002]的值中选取一个随机小数。
将随机小数加上待测试遥感影像的待反缩放量化值,得到待测试遥感影像的优化待反缩放量化值。
将待测试遥感影像的优化待反缩放量化值进行反缩放量化操作,得到待测试遥感影像的反缩放量化值。
所述反缩放量化操作是由下述公式实现的:
其中,D表示待测试遥感影像的反缩放量化值,QT表示待测试遥感影像的优化待反缩放量化值,Nq表示在0-255之间所选取的量化级数,Emax表示待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值,Emin表示待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值。
将待测试遥感影像的反缩放量化值送入轻量级深度卷积解码子网络,得到256个32*32大小的复原遥感影像块。
将256个32*32大小的复原遥感影像块进行拼接,得到复原后的遥感影像。
本发明的效果可以通过以下仿真实验进一步说明。
1.仿真实验条件。
本发明的仿真实验在Intel(R)I5-6600K CPU 3.5GHz,GTX1080Ti,Ubuntu16.04LTS***下,TensorFlow1.2运行平台上,完成本发明以及15幅待测试2.0m分辨率的城市地物类型遥感影像的仿真实验。
2.仿真实验内容及其结果分析。
本发明的仿真实验所用的训练样本是QuickBird卫星采集的4幅2048*2048大小的全色遥感影像如图3所示,随机采样其中的1200000个32*32的遥感影像块作为训练样本进行训练。压缩之后得到的二进制文件,也在相近编码文件大小的情况下,在不同压缩比下,通过15幅分辨率为2.0m城市数据集作为待测试遥感影像集进行仿真实验。
本发明与现有技术JPEG2000不同压缩比方法的对比曲线图如图4所示,其中,横坐标表示压缩比,纵坐标表示峰值信噪比PSNR值,单位是dB。图4中以圆形标示的曲线,表示采用JPEG2000的方法所获得的峰值信噪比PSNR值画成的曲线,以方形标示的曲线表示,采用本发明的方法所获得的峰值信噪比PSNR值画成的曲线。从图4中可以看出,本发明在190倍以上的压缩比下的峰值信噪比PSNR值超过了现有技术的JPEG2000的峰值信噪比PSNR值,说明本方法190倍以上的压缩比下相比较现有技术JPEG2000具有更高的压缩性能。
从图4的曲线图中对本发明与现有技术JPEG2000分别选取5个点,构成了表1。
表1本发明与现有技术JPEG2000的峰值信噪比PSNR对比表单位:dB
压缩比 | 本发明 | JPEG2000 |
170 | 20.47 | 20.58 |
185 | 20.39 | 20.40 |
205 | 20.27 | 20.16 |
232 | 20.06 | 19.91 |
276 | 19.63 | 19.57 |
从表1中可以看出来本发明在170倍压缩比下的峰值信噪比PSNR值比JPEG2000低0.11dB,本发明在185倍压缩比下的峰值信噪比PSNR值比JPEG2000低0.01dB,本发明在205倍压缩比下的峰值信噪比PSNR值比JPEG2000高出0.11dB,本发明在232倍压缩比下的峰值信噪比PSNR值比JPEG2000高出0.15dB,本发明在276倍压缩比下比JPEG2000的峰值信噪比PSNR值高出0.06dB,说明本方法在大压缩下比现有技术JPEG2000能够保留更多遥感影像的空间信息。
参照附图5,本发明与现有技术JPEG2000在240倍压缩比下的原始遥感影像与复原遥感影像对比图,对比了本发明与现有技术JPEG2000在240倍压缩比下对遥感影像的压缩性能。
图5(a)表示从15幅分辨率为2.0m城市数据集中挑选的第一幅待测试遥感影像。图5(b)表示现有技术JPEG2000对第一幅待测试遥感影像压缩240倍的复原遥感影像。图5(c)表示本发明对第一幅待测试遥感影像压缩240倍的复原遥感影像。图5(d)表示从15幅分辨率为2.0m城市数据集中挑选的第二幅待测试遥感影像。图5(e)表示现有技术JPEG2000对第二幅待测试遥感影像压缩240倍的复原遥感影像。图5(f)表示本发明对第二幅待测试遥感影像压缩240倍的复原遥感影像。图5(g)表示从15幅分辨率为2.0m城市数据集中挑选的第三幅待测试遥感影像。图5(h)表示现有技术JPEG2000对第三幅待测试遥感影像压缩240倍的复原遥感影像。图5(i)表示本发明对第三幅待测试遥感影像压缩240倍的复原遥感影像。图5(j)表示从15幅分辨率为2.0m城市数据集中挑选的第四幅待测试遥感影像。图5(k)表示现有技术JPEG2000对第四幅待测试遥感影像压缩240倍的复原遥感影像。图5(l)表示本发明对第四幅待测试遥感影像压缩240倍的复原遥感影像。
由图5(a)~图5(l)可以看出,本发明对以上四幅待测试遥感影像压缩240倍的复原遥感影像相比较现有技术JPEG2000可以保留更多的边缘与纹理信息,说明本发明更适合遥感影像的大倍率压缩。
Claims (9)
1.一种基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,该方法通过对搭建的轻量级深度卷积网络进行训练,得到轻量级深度卷积编码子网络与轻量级深度卷积解码子网络,将原始遥感影像输入轻量级深度卷积编码子网络,经过量化与编码输入轻量级深度卷积解码子网络,得到解压遥感影像,实现对在轨卫星所拍摄的遥感影像的实时大倍率压缩,具体步骤包括如下:
(1)搭建一个7层的轻量级深度卷积网络;
(2)选取遥感影像训练样本:
从在轨卫星拍摄的2048*2048大小的遥感影像中,随机选取地物类型丰富的4幅遥感影像作为遥感影像的训练样本;
(3)生成训练数据集:
对遥感影像的训练样本进行随机采样,组成训练数据集;
(4)训练轻量级深度卷积网络:
(4a)将训练数据集输入到轻量级深度卷积网络中,得到训练数据集网络输出值;
(4b)利用均方根误差公式,计算训练数据集网络输出值与训练数据集的训练数据集均方根误差值;
(4c)将训练数据集均方根误差值作为轻量级深度卷积网络的代价值,对轻量级深度卷积网络进行迭代训练,直到轻量级深度卷积网络的代价值不再降低而且达到最大迭代次数时,得到训练好的轻量级深度卷积网络;
(4d)用训练好的轻量级深度卷积网络的前四层,构成轻量级深度卷积编码子网络,第五层至第七层构成轻量级深度卷积解码子网络;
(5)压缩待测试遥感影像:
(5a)将在轨卫星所拍摄的512*512大小的遥感影像作为待测试遥感影像;
(5b)将待测试遥感影像裁剪为256个32*32大小的待测试遥感影像块,送入轻量级深度卷积编码子网络中,得到待测试遥感影像的轻量级深度卷积编码子网络输出值;
(5c)将待测试遥感影像的轻量级深度卷积编码子网络输出值进行缩放量化操作,得到待测试遥感影像的缩放量化值;
(5d)将待测试遥感影像的缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值组成待测试遥感影像的待编码序列;
(5e)将待测试遥感影像的待编码序列进行霍夫曼编码,得到待测试遥感影像的二进制码流;
(5f)将待测试遥感影像的二进制码流,保存为待测试遥感影像的大倍率压缩文件;
(6)解压待测试遥感影像的大倍率压缩文件:
(6a)从待测试遥感影像的大倍率压缩文件中获得待测试遥感影像的二进制码流;
(6b)待测试遥感影像的二进制码流进行霍夫曼解码,得到待测试遥感影像的解码序列;
(6c)从待测试遥感影像的解码序列中分别得到待测试遥感影像的待反缩放量化值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值、待测试遥感影像的轻量级深度卷积编码子网络输出值的最小值;
(6d)从取值范围为[0.001,0.002]的值中选取一个随机小数;
(6e)将随机小数加上待测试遥感影像的待反缩放量化值,得到待测试遥感影像的优化待反缩放量化值;
(6f)将待测试遥感影像的优化待反缩放量化值进行反缩放量化操作,得到待测试遥感影像的反缩放量化值;
(6g)将待测试遥感影像的反缩放量化值送入轻量级深度卷积解码子网络,得到256个32*32大小的复原遥感影像块;
(6h)将256个32*32大小的复原遥感影像块进行拼接,得到复原后的遥感影像。
2.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(1)中所述7层的轻量级深度卷积网络的结构如下:第一层为归一化处理的预处理层;第二层为卷积处理的卷积层;第三层为展开层;第四层为依据压缩倍率全连接处理的全连接层;第五层为全连接层;第六层为折叠层;第七层为反卷积层。
3.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(3)中所述的随机采样是指,从遥感影像的训练样本中随机截取32*32大小的120万个的遥感影像块,组成训练数据集。
4.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(4b)中所述均方根误差公式如下:
其中,L表示训练数据集均方根误差值,表示求平方根操作,N表示训练数据集中遥感影像块的总数,∑表示求和操作,i表示遥感影像块的序号,Xi表示训练数据集中第i个遥感影像块的值,Yi表示训练数据集中第i个遥感影像块送入轻量级深度卷积网络后得到的网络输出值。
5.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(4c)中所述的轻量级深度卷积网络进行迭代训练可以采用随机梯度下降算法SGD,基于自适应矩阵估计的优化算法Adam中的任意一种进行。
6.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(5c)中所述的缩放量化操作是由下述公式实现的:
其中,Q表示待测试遥感影像缩放量化值,表示向下取整操作,E表示待测试遥感影像的轻量级深度卷积编码子网络的输出值,Emin表示待测试遥感影像的轻量级深度卷积编码子网络输出值E的最小值,Emax表示待测试遥感影像的轻量级深度卷积编码子网络输出值E的最大值,Nq表示在0-255之间所选取的量化级数。
7.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(5e)中所述霍夫曼编码的具体步骤如下:
第一步,分别用待测试遥感影像的待编码序列中每个值出现次数的值除以待测试遥感影像的待编码序列的总数量,得到待测试遥感影像的待编码序列中每个值的概率值;
第二步,根据待测试遥感影像的待编码序列中每个值的概率值构造霍夫曼树;
第三步,根据霍夫曼树对待测试遥感影像的待编码序列进行编码,得到变长编码表;
第四步,使用变长编码表将待测试遥感影像的待编码序列中的每个值进行编码,得到初始二进制码流;
第五步,将变长编码表进行二进制编码,与初始二进制码流合并,得到待测试遥感影像的二进制码流。
8.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(6b)中所述霍夫曼解码的具体步骤如下:
第一步,在待测试遥感影像的二进制码流中获得变长编码表;
第二步,使用变长编码表对码流进行解码,得到待测试遥感影像的解码序列。
9.根据权利要求1所述的基于轻量级深度卷积网络的遥感影像大倍率压缩方法,其特征在于,步骤(6f)中所述反缩放量化操作是由下述公式实现的:
其中,D表示待测试遥感影像的反缩放量化值,QT表示待测试遥感影像的优化待反缩放量化值,Nq表示在0-255之间所选取的量化级数,Emax表示待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值,Emin表示待测试遥感影像的轻量级深度卷积编码子网络输出值的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110020.2A CN108495132B (zh) | 2018-02-05 | 2018-02-05 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110020.2A CN108495132B (zh) | 2018-02-05 | 2018-02-05 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108495132A true CN108495132A (zh) | 2018-09-04 |
CN108495132B CN108495132B (zh) | 2019-10-11 |
Family
ID=63344570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110020.2A Active CN108495132B (zh) | 2018-02-05 | 2018-02-05 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108495132B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495744A (zh) * | 2018-10-29 | 2019-03-19 | 西安电子科技大学 | 基于联合生成对抗网络的大倍率遥感影像压缩方法 |
CN110276766A (zh) * | 2019-06-27 | 2019-09-24 | 广州久邦世纪科技有限公司 | 一种人像分割的方法及装置 |
CN111683250A (zh) * | 2020-05-13 | 2020-09-18 | 武汉大学 | 一种基于深度学习的生成式遥感图像压缩方法 |
CN111915069A (zh) * | 2020-07-17 | 2020-11-10 | 天津理工大学 | 一种基于深度学习的轻量级有毒有害气体分布的检测方法 |
CN115103031A (zh) * | 2022-06-20 | 2022-09-23 | 西南交通大学 | 一种多级量化以及自适应调整方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
US20170214930A1 (en) * | 2016-01-26 | 2017-07-27 | Sandia Corporation | Gpu-assisted lossless data compression |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
US20170347110A1 (en) * | 2015-02-19 | 2017-11-30 | Magic Pony Technology Limited | Online Training of Hierarchical Algorithms |
-
2018
- 2018-02-05 CN CN201810110020.2A patent/CN108495132B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170347110A1 (en) * | 2015-02-19 | 2017-11-30 | Magic Pony Technology Limited | Online Training of Hierarchical Algorithms |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
US20170214930A1 (en) * | 2016-01-26 | 2017-07-27 | Sandia Corporation | Gpu-assisted lossless data compression |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495744A (zh) * | 2018-10-29 | 2019-03-19 | 西安电子科技大学 | 基于联合生成对抗网络的大倍率遥感影像压缩方法 |
CN109495744B (zh) * | 2018-10-29 | 2019-12-24 | 西安电子科技大学 | 基于联合生成对抗网络的大倍率遥感影像压缩方法 |
CN110276766A (zh) * | 2019-06-27 | 2019-09-24 | 广州久邦世纪科技有限公司 | 一种人像分割的方法及装置 |
CN111683250A (zh) * | 2020-05-13 | 2020-09-18 | 武汉大学 | 一种基于深度学习的生成式遥感图像压缩方法 |
CN111683250B (zh) * | 2020-05-13 | 2021-03-16 | 武汉大学 | 一种基于深度学习的生成式遥感图像压缩方法 |
CN111915069A (zh) * | 2020-07-17 | 2020-11-10 | 天津理工大学 | 一种基于深度学习的轻量级有毒有害气体分布的检测方法 |
CN115103031A (zh) * | 2022-06-20 | 2022-09-23 | 西南交通大学 | 一种多级量化以及自适应调整方法 |
CN115103031B (zh) * | 2022-06-20 | 2023-07-14 | 西南交通大学 | 一种多级量化以及自适应调整方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108495132B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108495132B (zh) | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 | |
CN105163121B (zh) | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 | |
CN107832837B (zh) | 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法 | |
CN110087092B (zh) | 基于图像重构卷积神经网络的低码率视频编解码方法 | |
CN109495744B (zh) | 基于联合生成对抗网络的大倍率遥感影像压缩方法 | |
CN103546759A (zh) | 一种基于小波包和矢量量化相结合的图像压缩编码方法 | |
CN108419083A (zh) | 一种图像多级小波全子带压缩感知编码算法 | |
CN111163314A (zh) | 一种图像压缩方法及*** | |
CN101924562A (zh) | 基于整数小波变换的曲线矢量数据压缩式编码方案 | |
CN108093264A (zh) | 基于分块压缩感知的岩心图像压缩、解压方法和*** | |
CN105513048A (zh) | 基于子带信息熵度量的图像质量评价方法 | |
CN101132530A (zh) | 基于游程编码实现嵌入式图像压缩的方法 | |
CN108810534A (zh) | 物联网下基于方向提升小波及改进spiht的图像压缩方法 | |
CN103297775B (zh) | 基于联合码率分配和控制的多光谱图像压缩***与方法 | |
CN105100810B (zh) | 一种成像声纳实时处理***中的图像压缩解压方法及*** | |
CN113450421A (zh) | 一种基于增强深度学习的无人机侦察图像压缩与解压方法 | |
CN115102934B (zh) | 点云数据的解码方法、编码方法、装置、设备及存储介质 | |
CN111161363A (zh) | 一种图像编码模型训练方法及装置 | |
CN115439565A (zh) | 一种基于Transformer的图像压缩方法 | |
CN104486631B (zh) | 一种基于人眼视觉与自适应扫描的遥感图像压缩方法 | |
CN117336494B (zh) | 一种基于频域特征的双路径遥感影像压缩方法 | |
Jilani et al. | A fuzzy neural networks based ezw image compression system | |
CN116912520A (zh) | 基于空谱特征提取的高光谱端到端压缩方法 | |
CN103327337A (zh) | 一种基于双正交重叠变换的分类量化编码方法 | |
CN101825701A (zh) | 基于kl变换的光谱压缩方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |