专利详情

专利权人	西安电子科技大学
专利名称	基于深度学习的高光谱图像无损压缩方法
专利简介（摘要）	本发明公开了一种基于深度学习的高光谱图像无损压缩方法，解决了传统方法光谱信息利用不充分和模型泛化能力低的问题。实现步骤包括：应用深度学习中循环神经网络建立预测模型，对高光谱图像中的每个像素进行预测训练，生成预测图像和预测网络；对高光谱图像和预测图像做差，生成残差图像；对残差图像进行算术编码，生成码流文件；对码流文件进行解码得到解码图像；使用训练好的网络进行预测，得到预测图像；将预测图像与解码图像相加，得到原始的高光谱图像。本发明将深度学习与传统方法相结合，网络中采用有记忆性结构的单元，通过大量的训练，充分利用了光谱信息，增加了模型的泛化能力，提高了压缩效率。应用在高光谱图像压缩领域。
专利类型	发明专利
专利号	ZL201810763677.9	申请日	2018-7-12	有效期限	20年
技术领域	电子信息技术,
解决的技术问题	伴随着高光谱遥感技术的快速发展，高光谱图像的空间分辨率与谱间分辨率也在不断提高，导致高光谱数据的规模持续增大。通常成像光谱仪均采用机载或者星载的方式获取影响数据，那么对于卫星数据链路而言，海量的高光谱影像数据获取与传输之间的矛盾日益加剧，从而制约高光谱遥感技术的发展。因此，为了高光谱遥感技术的长远发展，研究高效的高光谱压缩技术就显得尤为重要。目前，高光谱图像压缩方法主要是利用当前像素值的邻域像素值对其进行线性或非线性预测，通过对预测差值(预测值与真实值的差)的编码，使原本需要传输的码率降低，从而达到压缩的目的。其中，预测方法中使用比较广泛的是基于差分脉冲编码(DPCM)预测，该方法通过谱聚类预处理，然后在每个类中实现谱间最优线性预测，最后对预测残差进行熵编码，获得了当时几乎最高的无损压缩效果。 DPCM实现了高光谱图像的无损压缩，但是其方法对用于预测的光谱波段的信息利用不是很充分，模型的泛化能力以及预测准确率都有待提高。
发明内容	本发明的目的在于克服上述已有技术的缺点和不足，提出一种充分利用光谱波段信息，泛化能力强的基于深度学习的高光谱图像无损压缩方法。本发明是一种基于深度学习的高光谱图像无损压缩方法，其特征在于，包括有如下步骤： (1)对原始的高光谱图像中的所有谱线进行聚类：输入待压缩的高光谱图像，该图像有M个波段； (2)对聚类后的谱线应用深度循环神经网络进行预测：整体采用分段预测，第一波段采用谱内预测即采用相邻像素预测的方式进行波段内预测，第二波段到第M波段分别将深度循环神经网络和传统的最小二乘法作为预测器进行预测，得到初始预测图像和过渡预测图像； (3)应用预测出的图像和原始图像得出残差图像：将初始预测图像、过渡预测图像分别与原始高光谱图像相减得到初始残差图像和过渡残差图像；对比初始残差图像和过渡残差图像的每个像素，选择残差像素值较小的点，得出最终的残差图像； (4)对生成的残差图像进行算术编码，得到需要传输的码流文件； (5)对生成的码流文件进行解码得到还原的高光谱原始图像。本发明应用深度循环卷积网络与传统方法结合的方式保持信息的完整及正确性，提高压缩率，节约存储和传输空间。
技术效果	a.本发明通过对高光谱图像建立预测模型进行压缩，以传统方式与深度学习结合的方式提高了压缩效率，同时通过利用当前波段的前N波段建立，建立预测模型，并调节预测模型中的阶数值，提高了压缩精度。 b.本发明采用了深度循环神经网络作为预测器，其具有记忆性的结构克服了传统方法提取信息的局限性，将高光谱图像中数据的信息充分利用，得到较为准确的结果。 c.本发明使用了具有记忆功能的LSTM模块作为深度循环卷积网络预测器的基本单元，其复杂的结构提高了模型提取特征的能力，从而充分利用了光谱信息。 d.实验结果表明，本发明与C-DPCM等压缩方法相比，无损压缩性能较优。在本发明对五张图的平均压缩比特率比传统方法提高了0.09bpppb(bits per pixel per band)。 e.本发明通过聚类这种预处理方式，将光谱信息分类，简化了模型的训练过程，同时增加了模型的泛化能力。
专利交易方式	转让
预计交易额	8万元
联系人	王老师		电话	029-88382398
邮箱			QQ
备注