基于多尺度非对称编解码网络的遥感图像压缩方法

本发明属于图像处理，特别涉及一种遥感图像压缩方法，可用于对纹理细节丰富、数据量大的图像进行处理。

背景技术：

1、日益成熟的遥感技术大大促进了遥感卫星图像采集等相关任务的开展，并广泛应用于农业、应急救灾、土地动态监测、城市规划、军事侦察、资源勘察和环境监测等领域，但遥感图像相比自然图像信息量更大，数据维度更高，庞大的数据量使得遥感图像难以存储、传输和应用，因此，研究高效可行的遥感图像压缩算法是解决遥感图像传输困难以及节省存储资源的必要手段。目前，针对遥感图像的压缩方法主要分为传统的遥感图像压缩方法和基于深度学习的遥感图像压缩方法。

2、传统的遥感图像压缩方法依赖于手工设计的特征提取器，主要包括基于矢量量化的压缩方法、基于变换的压缩方法和基于预测的压缩方法，其中：

3、基于矢量量化的压缩方法，可以将一组连续的像素点映射到一组有限的矢量码中，从而实现对图像数据的压缩。典型的方法如ryan等人在the lossless compression ofaviris images by vector quantization[j].ieee transactions on geoscience andremote sensing,1997,35(3):546-550中介绍的在矢量量化过程中仅索引子码表来改进编码过程，并通过均值归一化取得了较好的压缩性能。但这种基于矢量量化的压缩方法计算复杂度较高，且仅在处理连续色调变化和纹理丰富的图像时效果较好，有较大的局限性。

4、基于变换的压缩方法，主要通过将原始数据映射到变换域内，使得变换域内数据的相关性明显降低，数据冗余信息大幅减少。典型的方法如bo等人在remote-sensingimage compression using two-dimensional oriented wavelet transform[j].ieeetransactions on geoscience and remote sensing,2010,49(1):236-250中提出的在变换域内使用较少的比特稀疏地表示像素，这种基于变换的方法虽然能够减少空间冗余，但是需要兼顾压缩效果与算法整体复杂度之间的平衡，难以直接应用。

5、基于预测的压缩方法，主要利用图像当前像素与邻域内像素之间的相关性，通过附近已知像素的值来推测当前位置处的像素值，从而降低原始图像数据的信息熵。典型的方法如jarno等人在lossless compression of hyperspectral images using clusteredlinear prediction with adaptive prediction length[j].ieee geoscience andremote sensing letters,2012,9(6):1118-1121中提出的自适应预测长度方法(c-dpcm-adaptive prediction length，c-dpcmapl)。这种基于预测的压缩方法的优势在于其拥有较低的算法复杂度，易于硬件实现，但这种基于预测的方法压缩性能相对较差。

6、传统压缩方法仅利用手工设计的特征提取器，虽然可以有效解决高分辨率卫星图像数据传输问题，但压缩倍数比较高时，会在细节纹理处产生严重的失真现象，并不能很好地处理多变的光学遥感图像。

7、目前基于深度学习的自然图像压缩已经展现出了巨大的潜力，将深度学习方法应用于遥感图像压缩具有极大的可行性，基于深度学习的遥感图像压缩已经成为当前的热点研究之一。深度学习具有强大的学习能力、特征提取能力、表达能力及高维数据的处理能力，相比于传统压缩方法，深度学习可以更好地解决遥感图像大规模数据量、多细节、冗余强和大倍率压缩的问题。

8、赵华等人在申请号为cn202211594112.5的专利文献中，公开了一种基于端到端卷积神经网络的遥感图像压缩方法，其通过自编码器提取图像的特征信息，再利用量化和熵编码去除图像中的特征冗余，最后利用率失真优化对图像失真和压缩码率联合调优。

9、chong等人在high-order markov random field as attention network forhigh-resolution remote-sensing image compression[j].ieee transactions ongeoscience and remote sensing,2021,60:1-14中提出了一种基于高阶马尔可夫随机场的高分辨率遥感图像压缩注意力模型，将马尔科夫随机场的参数学习与图像压缩网络相结合，有效地表达了先验信息，同时加速了训练的收敛速度。

10、han等人在edge-guided remote sensing image compression[j].ieeetransactions on geoscience and remote sensing,2023中提出了一种高保真的有损遥感图像压缩网络，加入了边缘引导的双鉴别器gan网络和最小化多约束的边缘保真度约束，能够重构出遥感图像清晰的边缘结构和纹理细节。

11、zhai等人在adaptive scene-aware deep attention network for remotesensing image compression[j].journal of electronic imaging,2021,30(5):053008-053008中将遥感图像的分类策略引入到基于深度学习的图像压缩中，取得了良好的遥感图像压缩效果。

12、上述这四种图像压缩技术均为基于深度学习的遥感图像压缩方法，其由于对于遥感图像本身所含有的多尺度细节信息关注度较少，因而信息熵的分布拟合度较差，且模型的复杂度较高，通道冗余较多，难以达到最优的压缩性能。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于多尺度非对称编解码网络的遥感图像压缩方法，以增强压缩模型对遥感图像中多尺度信息的特征提取能力，提升压缩模型对遥感图像信息熵的拟合度，同时降低模型复杂度，减少通道冗余，提高遥感图像的压缩性能。

2、实现本发明目的的技术思路是：通过设置多尺度残差模块和多尺度空洞注意力模块，增强压缩模型对遥感图像多尺度信息的特征提取能力；通过构建非对称编解码网络，降低模型复杂度；通过构建自适应上下文熵模型，提高对遥感图像信息熵的拟合度，减少通道冗余。

3、根据上述技术思路，本发明的实现步骤包括如下：

4、(1)从现有的遥感图像数据集中选出一组遥感图像，并对其进行归一化和裁剪操作的预处理，得到尺寸统一为640×640的数据集；再将该数据集按照9：1的比例划分为训练集和测试集；

5、(2)在pytorch框架下构建基于多尺度非对称编解码网络的遥感图像压缩网络：

6、(2a)建立包括多尺度特征融合模块和局部残差学习模块的多尺度残差模块msrb；

7、(2b)建立包括多尺度滑动窗口空洞模块、卷积模块和基本残差块的多尺度空洞注意力模块msda；

8、(2c)建立包括非均匀通道上下文模型和离散拉普拉斯混合熵模型的自适应上下文熵模型；

9、(2d)将多尺度残差模块msrb、多尺度空洞注意力模块msda、基本残差块、卷积块依次级联，构成多尺度非对称编码器；

10、(2e)建立与多尺度非对称编码器结构相同的多尺度非对称解码器；

11、(2f)建立包括n个不同大小的卷积层的超先验编码器，0<n<5；

12、(2g)建立与现有超先验编码器结构相同的超先验解码器；

13、(2h)将多尺度非对称编码器、超先验编码器、超先验解码器、自适应上下文熵模型和多尺度非对称解码器依次级联，构成基于多尺度非对称编解码网络的遥感图像压缩网络；

14、(2i)选择现有的率失真损失函数l作为该网络的损失函数；

15、(3)将步骤(1)所述的训练集输入到遥感图像压缩网络，使用adam优化器和梯度下降法，以最小化损失函数为目标进行迭代训练，得到训练好的遥感图像压缩网络；

16、(4)将测试集输入到训练好的遥感图像压缩网络中，输出重建的遥感图像。

17、本发明与现有技术相比，具有如下优点：

18、第一，多尺度特征的提取能力高，模型复杂度低：

19、现有的基于深度学习的遥感图像压缩模型没有对遥感图像中的多尺度特征进行优化，造成其对遥感图像的特征提取能力较差；

20、本发明提出的多尺度非对称编解码器，使用多尺度残差块自适应地检测和融合多尺度特征，并利用多尺度空洞注意力捕获和聚合各个尺度上的语义信息，使网络不仅可以有效提取不同尺度地物的特征，保留更多遥感图像的细节信息；而且能在不影响图像重构性能的同时减少解码复杂度。

21、第二，提高了信息熵的拟合度，减少了通道冗余：

22、现有的基于深度学习的遥感图像压缩模型一般使用高斯熵模型对潜在特征进行建模，同时几乎没有考虑不同通道熵值大小不均匀的问题；本发明提出的自适应上下文熵模型，使用离散拉普拉斯混合模型，提高了量化后的潜在特征精准建模程度，并利用非均匀通道上下文模型为熵值更大的通道切片分配更小的通道数量粒度，有效降低了通道冗余，提高了压缩效率。

23、实验结果表明，相比于现有的传统遥感图像压缩方法和基于深度学习的遥感图像压缩方法，本发明更加关注遥感图像细节纹理信息的重建，在相同码率下呈现出了更好的重建质量，实现了更高的压缩性能。