CN103442225A - 基于数据库在线学习更新的有限速率下遥感图像传输系统 - Google Patents
基于数据库在线学习更新的有限速率下遥感图像传输系统 Download PDFInfo
- Publication number
- CN103442225A CN103442225A CN2013103207432A CN201310320743A CN103442225A CN 103442225 A CN103442225 A CN 103442225A CN 2013103207432 A CN2013103207432 A CN 2013103207432A CN 201310320743 A CN201310320743 A CN 201310320743A CN 103442225 A CN103442225 A CN 103442225A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- information
- target
- data
- 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
Images
Abstract
基于数据库在线学习更新的有限速率下遥感图像传输系统,属于遥感图像传输领域,其特征在于利用航天遥感部分的先验信息数据库建立遥感图像采集设备类型信息、应用需求信息、遥感图像、特征向量及其表示系数、拍摄位置及姿态及目标重要度信息的映射数据组,同时建立遥感图像以及目标重要度位置索引,通过基于特征的目标检测模块用实测的遥感图像及其特征向量更新所述映射数据组,再通过基于感兴趣区域的有限速率编码单元,根据遥感图像目标区域位置信息及目标重要度信息在设定的输出码率信息下,结合设定的失真或受限速率的约束条件,用区域变换和量化的方式按不同的目标重要度信息分级编码后输出,经解码得到有限速率下少失真地传输遥感图像。
Description
技术领域
本发明提供了一种基于数据库在线学习更新的有限速率下遥感图像传输系统,属于无线通信与数字图像分析的交叉技术领域。本发明特别涉及一种通过引入先验信息数据库,并采用在线字典学习进行数据库更新的方法,为海量遥感图像数据提供速率受限信道下高性能传输服务的通信系统。
背景技术
二十世纪以来,遥感技术得到了快速而深入的发展,并在地理信息、资源勘探、天气监测、军事情报、救灾抢险等诸多方面得到了重要的应用。数十年内,遥感图像采集能力不断提升:由灰度图像到全彩色图像,再到多光谱图像;图像分辨率由米级到分米级,再到厘米级;量化精度由8比特到11比特,并有进一步扩展的趋势。
不断提升的遥感图像采集能力,带来的是不断膨胀的遥感图像数据量,以及对星地传输链路所构成的巨大压力。以我国于2012年发射升空的资源三号遥感测绘卫星为例,该卫星具有4部米级分辨率的相机,每天传输数据量约1790GB,空天数传链路码率约为900Mbps。对于军事领域及其他特殊领域的遥感应用,厘米级遥感图像的数据规模将是上述数据量的104倍,而空天数传链路码率不可能获得同等幅度的扩展。因此,在速率受限信道下进行高性能海量遥感图像数据传输,是未来遥感技术发展与应用所必须解决的基础问题。
为实现有限通信速率下的海量数据传输,当前的遥感应用系统采用图像压缩方法减少实际需要传输的数据规模。遥感系统常用的数据压缩方法有基于离散余弦变换(Discrete CosineTransform,DCT)的JPEG通用图像压缩标准以及基于离散小波变换(Discrete WaveletTransform,DWT)的JPEG2000通用图像压缩标准。JPEG及JPEG2000作为通用图像压缩标准,针对自然图像具有较为理想的压缩性能。但是,由于遥感应用对于遥感图像的失真度具有严格限制,通常仅能使用低压缩率(2:1到8:1之间)的JPEG/JPEG2000实现方案以保证遥感图像的还原可信度;对于军事情报等特殊应用场合,需要使用无损JPEG/JPEG2000实现方案,所能够获得的压缩率更为有限。
与此同时,迅猛增长的遥感数据正在对空天传输链路构成前所未有压力,而由于发射机功率、星地链路条件等实际因素的限制,星地传输链路所能够支持的数据传输速率难以以相同的速度增长。因此,如何在有限的星地链路数据传输能力条件下,实现海量遥感数据的高性能传输,是未来遥感技术发展需要解决的具有基础意义的重要问题。
已有的基于特征配准的低速率遥感图像传输系统,虽然考虑了时间上的冗余特性,但往往由于配准精度不够和光照,噪声等因素的影响,以及拍摄周期长等原因,差分方法不能有效降低码率,而且参考数据不能更新。本发明提出了一种基于数据库在线学习更新的有限速率下遥感图像传输系统,机器学习与数字图像处理技术引入无线通信领域,发掘并利用相同目标(语义上)区域遥感数据的基本特征,采用基于在线学习方法的数据库更新技术,通过对不同目标区域的特征提取和学习,提高目标的识别准确率。将现有的通用图像压缩编码传输方案转化为面向自动目标识别和分层的图像编码传输方案,通过提高重要目标的检测准确率并自适应调节其重要性系数,大幅降低图像的传输速率。同已有的基于特征配准的低速率遥感图像传输系统相比,将先验信息数据库的在线字典学习技术引入通信过程,克服了固定数据库适应性较差的缺点,能更充分地对数字图像内容进行分析,并通过分层编码和码率控制技术,利用计算、存储能力换取通信能力,在满足遥感图像失真度要求的前提下,能够在速率受限的传输信道上大幅度提升系统对遥感数据的实际传输能力。
发明内容
本发明的目的在于提供一种基于数据库在线学习更新的有限速率下遥感图像传输系统。该系统针对遥感信息数据规模迅速增加的实际问题,结合机器学习和数字图像分析方法,在遥感图像分析及特征提取、学习的基础上,对不同对象进行分层传输,从而提供速率受限信道下的高性能海量遥感图像传输服务。
本发明特征在于含有航天遥感部分,空天传输部分以及地面接收部分,其中:
航天遥感部分包括:至少一组遥感图像采集设备;至少一个先验信息数据库;至少一个基于特征的目标检测单元;至少一个基于感兴趣区域的有限速率遥感图像编码单元;
遥感图像采集设备含有:遥感图像设备的类型信息,包括镜头类型、分辨率以及传感器量化精度;应用需求信息,至少包括资源探测、气候监测、军事情报;输出:所述的遥感图像采集设备类型信息和应用需求信息,拍摄位置及姿态,以矩阵或高维数组形式组织的遥感图像像素点信息,简称遥感图像信息。
先验信息数据库,这是一种先在陆地上根据所述遥感图像采集设备类型信息、所述应用需求信息、相应的遥感图像数据建立,以后又不断地在星上学习更新后输入的目标先验信息数据库;
所述的目标先验信息,用数组的形式表示,各数据之间具有一一对应的映射关系,其中包括:所述遥感图像采集设备类型信息、作为所述应用需求的目标以及用人工标注的目标重要度信息;所述目标的遥感图像数据信息,简称遥感图像;所述遥感图像的特征向量及特征表示系数,在陆地上以离线学习的方式用主成分分析法PCA或特征描述方法SIFT得到;在星上是以在线学习的方式,经相同的特征提取方法后,用在线字典学习的方法进行数据更新后得到的;所述的图像特征是指:各类矿产资源的光谱数据特征,或者气候变化的历史数据特征,或者敏感军事目标的遥感图像特征;采用的数据检索方式包括按图像特征向量索引或目标重要性系数索引进行检索,所述图像特征包括:对矿产资源,采取光谱数据资源库和图像库交互检索,对气候变化数据,采取时间变化、气候标注和云图数据交互检索,对军事目标采取重要目标语义库、重要目标图像库和相应特征的交互更新;
基于特征的目标检测单元,含有:图像特征提取模块,图像特征匹配模块以及在线数据库更新模块,其中:
图像特征提取模块,设有:所述先验信息数据库的访问接口,从遥感图像采集设备输入一组标注有遥感图像采集设备的类型信息、应用需求信息以及拍摄位置和姿态信息库、以矩阵或高维数组形式组织的遥感图像信息,使用与目标相适应的目标特征描述算法SIFT获得遥感图像的特征向量,所述特征向量包括特征点坐标及特征点描述,所述特征点描述是指高维数组向量簇;
图像特征匹配模块,设有:所述先验信息数据库的访问接口,所述图像特征匹配模块从图像特征提取模块输入所述遥感图像的特征向量,通过在线字典学习算法获得与所述遥感图像的特征向量对应的特征表示系数,通过与所述先验信息数据库的检索与匹配,得到对应目标的重要性系数,匹配失败则为无效区域,同时输入目标重要性系数及其对应的区域位置信息到所述的基于感兴趣区域的有限速率编码单元;
在线数据更新模块,设有:所述先验信息数据库的访问接口,以所述图像特征匹配模块输入的表示系数与所述先验信息数据库中得到的表示系数作为输入,通过在线字典学习算法,获得新的与当前所述的遥感图像特征向量对应的表示系数,同时完成对所述先验信息数据库中所述遥感图像特征向量与表示系数的更新,供下一次基于特征的目标检测利用;
基于感兴趣区域的有限速率遥感图像编码单元,设有:区域变换模块,码率控制模块,量化器,复合数据编码模块,其中:
区域变换模块输入为遥感图像、目标重要性系数及其对应的目标区域位置信息,把目标区域位置信息和空域像素信息通过方向自适应小波变换把空域像素变换到能量集中的变换域,再把变换系数输出;
码率控制模块,从所述基于特征的目标检测单元输入目标重要性信息及对应的目标区域位置信息,根据设定的输出码率,在设定的失真约束或受限制的速率下,对不同重要度的目标区域进行码率优化分配,输出不同的量化系数;
量化器从所述区域变换模块输入区域变换系数,从所述码率控制模块输入对应的量化系数,对不同目标重要度的区域建立不等精度的量化系数表,结合随影的目标区域位置信息,输出到所述复合数据编码模块;
复合数据编码模块,对输入的区域位置信息及对应的量化系数表中的量化系数进行熵编码,且对重要度高的量化系数提供额外的编码保护,以控制失真对数据解码的影响,最后生成二进制码流送往空天传输部分;
空天传输部分,是一个速率受限的空天传输链路,以所述复合数据编码模块输入二进制码流,送往所述地面接收部分;
地面接收部分,是一台计算机,内设有:基于感兴趣区域的有限速率遥感图像解码单元,含有复合数据解码模块,反量化器,逆变换模块,目标区域复合模块,其中:
复合数据解码器,从所述空天传输链路输入二进制码流,进行结构化解码,结合纠错编码完成数据检错及纠错,输出目标区域位置信息及对应的量化系数;
反量化器,对所述复合数据解码模块输入的量化系数进行反量化操作,输出反量化后的变换域系数;
逆变换模块,对从反量化器输入的变换域系数作逆变换,输出目标区域的空域像素值;
目标区域复合模块根据所述的数据编码模块输入的目标区域位置信息和所述逆变换模块输入的空域像素值进行整合得到重建的遥感图像。
本发明所描述的基于数据库在线学习更新的有限速率下遥感图像传输系统适用范围广、灵活性高,可针对不同的场合专门设计各模块。该传输系统通过利用机器学习,数字图像分析技术并与无线通信相结合的手段,在充分挖掘先验信息的基础上,利用计算能力换取存储能力,来实现较高图像质量下较高压缩率。通过面向不等重要性目标区域的分层传输机制,优先保证较高重要性的目标区域,并作较高等级的差错保护,以在较低的传输速率限制下,能够使重要目标有较高的主观质量。通过基于在线学习的数据库更新方式,在先验信息数据库的基础上,每次完成目标识别的同时在线更新数据库,增加了目标区域检测的准确性。通过分类学习将目标特征与目标重要性系数相匹配,在检测目标区域的同时,输出的重要性系数将用于基于感兴趣区域的编码。通过特征提取和感兴趣区域编码相结合的方式,不但能够提高遥感图像重要目标的检测率,还可以高图像质量低速率的传输重要目标,能够满足大规模数据和实时性高的应用场景的需求。
附图说明:
图1基于数据库在线学习更新的有限速率下遥感图像传输系统框图
图2基于数据库在线学习更新的有限速率下遥感图像传输体制流程图
图3先验信息数据库结构图
图4先验信息数据库的组织调度流程图
图5基于特征的目标检测单元结构框图
图6基于特征的目标检测流程图
图7基于感兴趣区域的有限速率遥感图像编码单元结构框图
图8基于感兴趣区域的有限速率遥感图像编码流程图
图9基于感兴趣区域的有限速率遥感图像解码单元结构框图
图10基于感兴趣区域的有限速率遥感图像解码流程图
具体实施方式
本发明的特点是:运用基于数据库在线学习更新的技术进行遥感图像分析的基础上,实现大规模遥感图像数据高性能编码传输。利用图像特征提取与特征学习的方法,通过在线学习进行先验信息数据库的更新,高效识别提取遥感图像的目标信息,实现失真测度受限条件下遥感图像信息的大幅度压缩;利用基于离线学习获得的先验信息数据库,并结合特定应用下特殊的数据内容特性、数据结构特性、数据相关性,使用计算和存储能力的开销换取通信能力的大幅提升,在传输链路速率受限的条件下提升信息传输的效能;通过数字图像分析和机器学习技术在无线通信领域中的应用,利用高价值目标区域识别基础上的分层传输,实现大规模遥感图像数据的高效压缩,解决高分辨率、宽光谱、高量化精度的海量遥感数据在有限速率的空天链路上进行可靠传输的业务需求,为遥感技术的长期发展提供可能的通信体制支持。
基于数据库在线学习更新的有限速率下遥感图像传输系统,其特征在于,它包括:至少一组遥感图像采集设备;至少一个先验信息数据库;至少一个基于特征的目标检测单元;至少一个基于感兴趣区域的有限速率遥感图像编码单元;至少一个基于感兴趣区域的有限速率遥感图像解码单元;具有速率限制的空天传输链路。具体包括:
所述的基于数据库在线学习更新的有限速率下遥感图像传输系统按照以下步骤执行的组织调度机制:遥感图像采集设备进行遥感数据信息采集,得到遥感图像(以矩阵或高位数组形式组织的遥感图像像素点信息)以及遥感参数(包含拍摄位置及姿态、镜头参数、光谱参数、矩阵参数、量化精度等必要信息);遥感图像输入基于特征的重要目标检测单元,根据数据库的先验信息获得目标区域位置信息,其对应的重要性系数以及提取的各目标区域特征(利用SIFT,PCA等)输入数据库,完成在线对各目标区域特征表示系数与重要性系数的映射更新,目标特征向量和特征表示系数的映射更新;遥感图像,失真约束信息及目标区域位置信息和对应重要性系数输入基于感兴趣区域的有限速率遥感图像编码单元,编码单元的输出为发送数据;发送数据经数据编码后由空天传输链路传输,在接收端解码得到接收数据;接收数据输入基于感兴趣区域的有限速率遥感图像解码单元,得到重建的遥感图像。
遥感图像采集设备,输出如下遥感数据信息:以矩阵(高维数组)形式组织的遥感图像像素点信息,包括拍摄位置及姿态、镜头参数、光谱参数、矩阵(数组)参数、量化精度等在内的参数信息。根据分辨率、镜头类型(灰度、全彩色、多光谱)、传感器量化精度等的不同,遥感数据信息相应存在差异。
先验信息数据库:根据遥感图像采集设备的类型(分辨率、镜头类型、量化精度),结合应用需求(资源探测、气候监测、军事情报),选取相应的现有遥感影像数据,在特征提取(可以用主成分分析法)的基础上建立先验特征信息数据库(各类矿产资源的光谱数据特征、气候变化的历史数据特征、包含敏感军事目标的遥感图像特征)。先验信息数据库的作用是进行目标检测及生成目标重要性系数(给不同目标以不同的权重系数)。
所述的先验信息数据库按照以下步骤执行的组织调度机制:在陆地上,根据不同目标内容的先验图像信息进行批量的、一次性的离线学习,对所有选取的资源图像数据、天气变化数据及敏感军事目标数据,进行特征提取(可用PCA,SIFT特征描述法),以获得图像特征与特征表示系数的对应关系;在星上进行基于在线学习(如在线字典更新方法)的数据更新,根据具体的应用场景建立相应的数据检索方法:对资源图像采取光谱数据,资源库和图像库交互检索;对气候数据采取时间变化,气候标注和云图数据交互检索;对应军事目标进行重要目标语义库,重要目标图像库和相应特征的检索。具体实施步骤为:对地面的图像数据库进行分类;对不同类别(资源、气候、军事)的图像进行特征提取;将这些特征表示系数及人工标注的目标的重要性系数作为分类训练器的输入,获得两者的映射关系表,这样就建立了目标标签,目标的特征表示系数及目标重要性系数的映射关系表。数据库可按照目标标签,目标重要性系数、图像特征或目标特征表示系数进行查询检索;目标的标签按照分层语义的方式进行组织。若查询及检索失败,则将该目标特征加入数据库,并重新训练分类器。
基于特征的目标检测单元以遥感图像采集设备采集得到的遥感图像数据为数据输入,利用遥感图像数据的特征表示系数在先验信息数据库中的检索匹配,得到目标标签并获得目标重要性系数及目标区域位置信息。含有:图像特征提取模块,图像特征匹配模块,在线数据库更新模块,其中:
图像特征提取模块以矩阵(多维数组)形式组织的遥感图像数据像素信息为输入,使用与应用类型相适应的遥感图像特征提取算法提取图像特征。提取得到的图像特征包括特征点坐标及特征点描述。其中,特征点描述以高维向量簇的形式进行组织,供图像特征匹配模块进行特征匹配。
图像特征匹配模块以获取的遥感图像的目标特征向量为输入,利用在线字典学习算法寻找特征向量在数据库中的表示系数,经过检索和匹配表示系数,输出对应的目标重要性系数及区域位置信息。不能匹配的特征区域则视为无关区域。
在线数据库更新模块,以先验信息数据库和当前特征在数据库中的表示系数作为输入,通过在线字典学习算法,获得新的特征表示系数,同时完成对特征向量和特征表示系数映射的更新,并用于下一次的基于特征的目标检测。
基于特征的目标检测单元具体实施步骤为:遥感图像采集设备采集得到遥感图像;图像特征提取模块对遥感图像进行处理,提取得到遥感图像的图像特征;根据遥感图像特征,建立数据库查询条件,与先验信息数据库进行交互,得到图像特征的表示系数(在字典中的索引系数),并查询映射表获得目标重要性系数;利用重要性系数信息获得遥感图像中目标区域位置信息;根据获得的特征表示系数及先前数据库中数据的映射表,对映射关系和映射元素进行更新。
基于感兴趣区域的有限速率遥感图像编码单元结合基于图像特征的目标检测单元的输出信息,在根据重要性系数划分区域的基础上,重要性系数较大的分配较多的编码码率,反之分配较少的编码码率,在有限速率下保证高价值目标区域的图像质量。基于感兴趣区域的有限速率遥感图像编码单元包括区域变换模块,码率控制模块,量化器,复合数据编码模块。
区域变换模块根据基于特征的目标检测单元的输出,目标区域位置信息和重要性系数输入码率控制单元,根据区域位置信息与空域像素进行变换,将空域变换到能量集中的变换域,输出变换系数。
码率控制模块以目标区域位置信息,目标重要性系数和设定的输出码率信息作为输入,在预设的失真限制条件下,根据对不同重要性的区域进行码率优化分配,对应不同目标区域的输出不同的量化参数。
量化器以区域变换模块输出的变换系数和码率控制模块的控制信息作为输入,对不同重要性系数的目标区域采取不等精度的量化(不同设置的量化表),在规定的失真限度下,能够保证有限速率下重要目标的图像主观质量,同时将量化系数输出。
复合数据编码模块以量化系数,目标区域位置信息作为输入,进行结构化的数据编码。对量化系数进行熵编码(如CABAC、Huffman等方法),并且编码器对于重要参数提供额外的编码保护,从而控制数据传输过程中产生的失真对数据解码造成的影响。编码模块生成二进制码流通过传输链路发送给基于感兴趣区域的有限速率遥感图像解码单元。
基于感兴趣区域的有限速率遥感图像编码单元具体实施步骤为:将基于特征的目标检测单元输出的目标区域重要性系数和目标区域位置信息输入区域变换模块,得到不同区域的变换域系数;将目标区域位置信息,目标重要性系数和设定的输出码率信息输入码率控制单元,码率控制单元通过码率优化分配,实现对不同重要性区域的不等精度量化;将来自区域变换模块的变换系数,码率控制模块的控制信息作为量化器的输入,得各目标区域的量化系数;将来自量化器的量化系数及目标区域位置信息,输入复合数据编码器,得到发送数据。
基于感兴趣区域的有限速率遥感图像解码单元以基于感兴趣区域的有限速率遥感图像编码单元所输出的、经传输链路发送的二进制码流为输入,对接收的编码数据进行解码,并结合数据解码后的各目标区域位置信息,实现不同区域的恢复重建。基于感兴趣区域的有限速率遥感图像解码单元包括复合数据解码器,反量化器,逆变换模块,目标区域复合模块。
复合数据解码器以基于感兴趣区域的有限速率遥感图像编码单元所输出的经传输链路发送的二进制码流为输入,进行结构化的数据解码,并结合纠错编码完成数据检错及纠错。复合数据解码器输出各目标区域位置信息,各目标区域的量化系数。
反量化器根据设定的量化方法,以数据解码后的量化系数作为输入,对量化系数进行反量化操作,得到反量化后的变换域系数。
逆变换模块根据反量化器的输出和预先规定的变换方式,做逆变换后得到各目标区域的空域像素值。
目标区域复合模块以逆变换模块输出的空域像素值和目标区域位置信息为输入,将各区域复合成重建的遥感图像,经后处理后输出。
基于感兴趣区域的有限速率遥感图像解码单元具体实施步骤为:复合数据解码器进行数据解码,得到各目标区域位置信息以及各区域的量化系数;将各目标区域的量化系数输入到反量化器,得到各目标区域的变换域系数;逆变换模块根据变换域系数实现变换域到空域像素值的转化;目标区域复合模块的作用是将恢复的各区域的像素值以及跟目标区域的位置信息整合,得到重建的遥感图像。
具有速率限制的空天传输链路提供二进制码流的空天信息传输,连接遥感平台信息发送端(编码单元)及数据中心信息接收端(解码单元)。该传输链路具有能够支持的传输速率上限。
基于数据库在线学习更新的有限速率下遥感图像传输系统,其特征在于包括:
至少一组遥感图像采集设备,它输出一路遥感数据信息,包括以矩阵(高维数组)形式组织的遥感图像像素点信息,以及包含拍摄位置及姿态、镜头参数、光谱参数、矩阵(数组)参数、量化精度等在内的参数信息。
至少一个面向特定应用的先验信息数据库及相应的组织调度机制,数据库根据特定应用需求与场景(资源、气候、军事)和已有的先验数据,通过分类学习算法(可用支持向量机),在地面离线建立特征向量和特征表示系数映射关系(字典),特征表示系数和目标重要性系数的映射表,并支持相应的数据检索操作。此处,在设定的特征描述方式下,先验信息为设定应用场景下(资源、气候、军事)的遥感图像中重要目标的数据(经特征提取后的光谱、标注、目标信息)。数据库星上功能除了具备检索查询操作功能,还具有在线更新的功能。
至少一个基于特征的目标检测单元及相应的组织调度机制,以遥感图像采集设备采集得到一幅的遥感图像数据为输入,并具有先验信息数据库访问接口,利用规定的特征提取方法(如SIFT)获得遥感图像的特征向量,通过在线字典学习获得特征向量对应的特征表示系数,并检索得到特征对应的目标重要性系数,同时更新两者的映射关系(更新字典)。基于特征的目标检测单元包括图像特征提取模块、图像特征匹配模块以及在线数据库更新模块。图像特征提取模块以一幅遥感图像数据为输入,使用图像特征提取算法,提取其图像特征(包括特征点位置信息及相应的特征描述向量)。图像特征匹配模块获取的遥感图像的目标特征向量为输入,利用在线字典学习算法寻找特征向量在数据库中的表示系数,经过检索和匹配表示系数,输出对应的目标重要性系数及区域位置信息。在线数据库更新模块使用在线字典学习算法,以先验信息数据库和当前特征在数据库中的表示系数作为输入,获得新的特征表示系数,同时完成对特征向量和特征表示系数映射的更新,并用于下一次的基于特征的目标检测;基于特征的目标检测单元以遥感图像采集设备为输入,与先验信息数据库进行交互,输出端连接基于感兴趣区域的有限速率遥感图像编码单元。
至少一个基于感兴趣区域的有限速率遥感图像编码单元,根据基于特征的目标检测单元所给出的目标区域位置信息及目标重要性系数,在给定的失真约束(如PSNR限制)或受限制的速率下,采用不等优先级的编码方式,结合不等的差错保护形成发射数据,由空天传输链路传输。基于感兴趣区域的有限速率遥感图像编码单元包括区域变换模块,码率控制模块,量化器,复合数据编码模块。区域变换模块根据基于特征的目标检测单元的输出,目标区域重要性系数输入码率控制模块,目标区域位置信息和空域像素经过变换(如方向自适应小波变换),将空域像素变换为能量集中的变换域系数。量化器以区域变换模块输出的变换域系数和码率控制器的控制信息作为输入,对不同的目标区域采取不等精度地量化(不同设置的量化表),在规定的失真限度下,能够保证有限速率下重要目标的主观质量,同时将量化系数输出。复合数据编码模块以量化器的系数,目标区域位置信息作为输入,进行结构化的数据编码。对量化系数进行熵编码(如CABAC、Huffman等),并且编码器对于重要参数提供额外的编码保护,从而控制数据传输过程中产生的失真对数据解码造成的影响,最终输出用于传输的二进制码流。基于感兴趣区域的有限速率遥感图像编码单元的输入端连接以遥感图像采集设备和基于特征的目标检测单元,输出端接入空天传输链路。
至少一个基于感兴趣区域的有限速率遥感图像解码单元,根据经空天传输链路传输获得的二进制码流,进行数据解码获得各目标区域的空域像素值及目标区域位置信息,经复合重建完成基于数据库在线学习更新的有限速率下遥感图像传输。基于感兴趣区域的有限速率遥感图像解码单元包括复合数据解码器,反量化器,逆变换模块,目标区域复合模块。复合数据解码器对接收的二进制码流,进行结构化的数据解码,并结合纠错编码完成数据检错及纠错,输出各目标区域位置信息,各目标区域的量化系数。反量化器根据设定的量化方式,以数据解码后的量化系数作为输入,得到反量化后的变换域系数。逆变换模块根据反量化器的输出和预先规定的变换方式(如方向自适应小波变换),做逆变换后得到各目标区域的空域的像素值。目标区域复合模块以逆变换模块输出的空域像素值和目标区域位置信息为输入,将各区域复合成重建的遥感图像并输出。基于感兴趣区域的有限速率遥感图像解码单元接收来自空天传输链路的数据,并输出重建遥感图像数据。
具有速率限制的空天传输链路,提供二进制码流的空天信息传输,连接遥感平台信息发送端(编码单元)及数据中心信息接收端(解码单元)。该传输链路具有能够支持的传输速率上限。
基于数据库在线学习更新的有限速率下遥感图像传输系统,其特征在于所述系统和通信体制是按照以下步骤实现的:
1)遥感图像采集设备进行遥感数据信息采集,得到遥感图像(以矩阵或高位数组形式组织的遥感图像像素点信息)以及遥感参数(包含拍摄位置及姿态、镜头参数、光谱参数、矩阵参数、量化精度等必要信息)。
2)遥感图像输入基于特征的目标检测单元。目标检测单元根据遥感图像进行图像特征提取,同先验信息数据库进行交互,获得图像特征区域位置信息和目标重要性系数,并在线更新数据库。
3)遥感图像,目标区域位置信息及目标重要性系数输入基于感兴趣区域的有限速率遥感图像编码单元,经压缩编码得到发送数据。
4)发送数据通过空天传输链路传输,在接收端解码得到接收数据。
5)接收数据输入基于感兴趣区域的有限速率遥感图像解码单元,输出为重建图像信息。
下面结合附图,对本发明的具体实施方式说明如下。
本发明所述的基于数据库在线学习更新的有限速率下遥感图像传输系统,其体系框架与基本结构参见附图1。该基本结构中含有:
至少一组遥感图像采集设备,它输出一路遥感数据信息,包括以矩阵(高维数组)形式组织的遥感图像像素点信息,以及包含拍摄位置及姿态、镜头参数、光谱参数、矩阵(数组)参数、量化精度等在内的参数信息。
面向特定应用的先验信息数据库及相应的组织调度机制,数据库根据特定应用需求与场景和已有的先验数据建立,并支持相应的数据检索操作。此处,在设定的特征描述方式下,先验信息为设定应用场景下的遥感图像中重要目标的特征数据信息。
基于特征的目标检测单元及机制,以遥感图像采集设备采集得到一幅的遥感图像数据为输入,并具有先验信息数据库访问接口,利用规定的特征提取方法获得遥感图像的特征描述向量,通过在线字典学习获得特征向量对应的特征表示系数,并检索得到特征对应的目标重要性系数,同时更新两者的映射关系(更新字典),在完成数据库更新的同时,输出目标区域位置信息和目标重要性系数。基于特征的目标检测单元以遥感图像采集设备为输入,与先验信息数据库进行交互,输出端连接基于感兴趣区域的有限速率遥感图像编码单元。
至少一个基于感兴趣区域的有限速率遥感图像编码单元,根据基于特征的目标检测单元所给出的目标区域位置信息及目标重要性系数,在给定的失真约束或受限制的速率下,采用分层编码方式,结合不等差错保护形成发射数据,由空天传输链路传输。基于感兴趣区域的有限速率遥感图像编码单元的输入端连接以遥感图像采集设备和基于特征的目标检测单元,输出端接入空天传输链路
至少一个基于感兴趣区域的有限速率遥感图像解码单元,根据通过空天传输链路传输获得的二进制码流,进行数据解码获得各目标区域的空域像素值以目标区域位置信息,经复合重建完成基于数据库在线学习更新的有限速率下遥感图像传输。基于感兴趣区域的有限速率遥感图像解码单元接收来自空天传输链路的数据,并输出重建遥感图像数据
具有速率限制的空天传输链路,提供二进制码流的空天信息传输,连接遥感平台信息发送端(编码单元)及数据中心信息接收端(解码单元)。该传输链路具有能够支持的传输速率上限。
根据上述基于数据库在线学习更新的有限速率下遥感图像传输系统及通信体制的基本结构的描述,本发明的实现流程包括以下步骤,参见附图2:
1)遥感图像采集设备进行遥感数据信息采集,得到遥感图像(以矩阵或高位数组形式组织的遥感图像像素点信息)以及遥感参数(包含拍摄位置及姿态、镜头参数、光谱参数、矩阵参数、量化精度等必要信息)。
2)遥感图像输入基于特征的目标检测单元。目标检测单元根据遥感图像进行图像特征提取,同先验信息数据库进行交互,获得图像特征对应目标区域位置信息和目标重要性系数,并更新数据库。
3)遥感图像,目标区域位置信息及目标重要性系数输入基于感兴趣区域的有限速率遥感图像编码单元,经压缩编码得到发送数据。
4)发送数据通过空天传输链路传输,在接收端解码得到接收数据。
5)接收数据输入基于感兴趣区域的有限速率遥感图像解码单元,输出为重建图像信息。
本发明的重要特征还在于它包含先验信息数据库及相应的组织调度机制。先验信息数据库的组织结构参见附图3,它包括:
数据检索输入接口,包括基于图像特征的数据存储和检索,以提取的输入图像的特征向量为关键字,组织遥感图像信息在数据库中的存储模式,以便于快速进行特征匹配和目标检测;基于目标重要性系数的数据索引,以目标重要性系数为关键字,组织遥感图像特征向量、特征向量的表示系数在数据库中的存储模式,以便于快速查找访问。
先验信息数据库初始化模块的数据有:遥感图像数据,以像素矩阵(数组)的组织形式存储遥感图像信息;各类目标标注的标签,即目标语义名称;利用所确定的图像特征提取方法(如SIFT、光谱特征,红外特征等)得到对应目标的特征向量;根据实际需求赋予各类目标不同的重要性系数。此外还包括离线字典学习建立图像特征向量和特征表示系数的关系,即初始字典;利用一定的分类算法(如支持向量机,最近邻分类等)建立特征表示系数与目标重要性系数之间的映射表;同时建立原始目标图像与特征向量之间的索引。
检索结果输出接口,根据不同的检索需求,将来自先验信息数据库的查询结果输出。若检索目标图像,则输出数字图像矩阵,若检索图像特征,则输出对应目标图像特征向量;若检索重要性系数,则输出目标的重要性系数。
根据上述先验特征信息数据库的组织结构描述,其调度机制包括以下步骤,参见附图4:
1)检索输入接口接收来自数据库外部的检索请求。
2)判断检索请求类型,如果是基于图像特征的检索,则查询基于图像特征的数据索引;如果是基于目标重要性系数的检索,则查询基于目标重要性系数的数据索引。
3-a)若查询成功,且查询的是基于图像特征的数据索引,则根据索引信息获得遥感图像特征,随后根据图像与图像特征双向索引,获得与之相对应的遥感图像;若查询成功,且查询的是基于目标重要性系数的数据索引,则根据索引信息获得遥感图像,随后查询图像与图像特征双向索引,获得与之相对应的图像特征。
3-b)若查询失败,则说明查询的数据不包含在先验信息数据库中,生成空图像及空图像特征。
4)整合遥感图像,遥感图像特征及目标重要性系数的查询结果,输出数据库。
本发明的重要特征还在于它包含至少一个基于特征的目标检测单元。基于特征的目标检测单元的结构框图参见附图5,它包括:
图像特征提取模块以矩阵(多维数组)形式组织的遥感图像数据像素信息为输入,使用与应用类型相适应的遥感图像特征提取算法提取图像特征,亦或利用现有应用较广泛的特征表示方法如SURF,HOG等。提取得到的图像特征包括特征点坐标及特征点描述。其中,特征点描述表示为高维向量簇,供图像特征匹配模块进行特征匹配。
图像特征匹配模块获取的遥感图像的目标特征向量为输入,利用在线字典学习算法寻找特征向量在数据库中的表示系数,经过检索和匹配表示系数,输出对应的目标重要性系数及区域位置信息。不能匹配的特征区域则视为无关区域。
在线数据库更新模块,先验信息数据库和当前特征在数据库中的表示系数作为输入,通过在线字典学习算法,获得新的特征表示系数,同时完成对特征向量和特征表示系数映射的更新,并用于下一次的基于特征的目标检测。
根据上述基于特征的目标检测单元的结构描述,其运行机制包括以下步骤,参见附图6:
1)遥感图像采集设备采集得到遥感图像;。
2)图像特征提取模块对遥感图像进行处理,提取得到遥感图像的图像特征;
3)根据遥感图像特征建立数据库查询条件,与先验信息数据库进行交互,根据字典表示得到图像特征表示系数,并查询获得目标重要性系数;
4)用目标区域重要性系数获得遥感图像中区域位置信息;
5)根据获得的特征表示系数及先验信息数据库完成数据库的在线更新。
本发明的重要特征还在于它包含至少一个基于感兴趣区域的有限速率遥感图像编码单元。基于感兴趣区域的有限速率遥感图像编码单元的结构框图参见附图7,它包括:
区域变换模块根据基于特征的目标检测单元的输出,目标区域重要性系数信息输入码率控制单元,各目标目标区域位置信息和对应空域像素经过变换(可以使方向自适应小波变换),将空域变换到能量集中的变换域。
量化器以区域变换模块输出的变换系数和码率控制器的控制信息作为输入,对不同的目标区域采取不等精度地量化(不同设置的量化表),在率失真优化下将量化系数输出。
复合数据编码模块以量化器的系数,目标区域位置信息作为输入,进行结构化的数据编码。对量化系数进行熵编码(如CABAC、Huffman等方法),并且编码器对于重要参数提供额外的编码保护,最终输出用于传输的二进制码流。
根据上述基于感兴趣区域的有限速率遥感图像编码单元的结构描述,其运行机制包括以下步骤,参见附图8:
1)基于特征的目标检测单元生成的各区域区域重要性系数和区域位置信息输入区域变换模块,得到不同区域的变换域系数;
2)将目标区域位置信息,目标重要性系数和设定的输出码率信息输入码率控制单元,码率控制单元通过码率优化分配,实现对不同重要性区域的不等精度量化;
3)将来自区域变换模块的变换系数及码率控制模块的控制信息作为量化器的输入,得各目标区域的量化系数;
4)将来自量化器的量化系数及目标区域位置信息,输入复合数据编码器,得到发送数据。
本发明的重要特征还在于它包含至少一个基于感兴趣区域的有限速率遥感图像解码单元。基于感兴趣区域的有限速率遥感图像解码单元的结构框图参见附图9,它包括:
复合数据解码器对接收的二进制码流,进行结构化的数据解码,并结合纠错编码完成数据检错及纠错,输出各目标区域位置信息,各目标区域的量化系数。
反量化器根据设定的量化方式(如均匀量化),以数据解码后的量化系数作为输入,得到反量化后的变换域系数。
逆变换模块根据反量化器的输出和预先规定的变换方式(如方向自适应小波变换),做逆变换后得到各目标区域的空域的像素值
目标区域复合模块接收来自逆变换模块输出的空域像素值和目标区域位置信息为输入,将各区域复合成重建,并结合后处理技术将遥感图像输出。
根据上述基于感兴趣区域的有限速率遥感图像解码单元的结构描述,其运行机制包括以下步骤,参见附图10:
1)复合数据解码器进行数据解码,得到各目标区域位置信息以及各区域的量化系数;
2)各目标区域的量化系数输入到反量化器,得到各目标区域的变换域系数;
3)逆变换模块根据变换域系数实现变换域到空域像素值的转化;
4)目标区域复合模块的作用是将恢复的各区域的像素值以及与目标区域位置信息整合,并经过后处理得到重建的遥感图像。
Claims (1)
1.基于数据库在线学习更新的有限速率下遥感图像传输系统,其特征在于含有航天遥感部分,空天传输部分以及地面接收部分,其中:
航天遥感部分包括:至少一组遥感图像采集设备;至少一个先验信息数据库;至少一个基于特征的目标检测单元;至少一个基于感兴趣区域的有限速率遥感图像编码单元;
遥感图像采集设备含有:遥感图像设备的类型信息,包括镜头类型、分辨率以及传感器量化精度;应用需求信息,至少包括资源探测、气候监测、军事情报;输出:所述的遥感图像采集设备类型信息和应用需求信息,拍摄位置及姿态,以矩阵或高维数组形式组织的遥感图像像素点信息,简称遥感图像信息。
先验信息数据库,这是一种先在陆地上根据所述遥感图像采集设备类型信息、所述应用需求信息、相应的遥感图像数据建立,以后又不断地在星上学习更新后输入的目标先验信息数据库;
所述的目标先验信息,用数组的形式表示,各数据之间具有一一对应的映射关系,其中包括:所述遥感图像采集设备类型信息、作为所述应用需求的目标以及用人工标注的目标重要度信息;所述目标的遥感图像数据信息,简称遥感图像;所述遥感图像的特征向量及特征表示系数,在陆地上以离线学习的方式用主成分分析法PCA或特征描述方法SIFT得到;在星上是以在线学习的方式,经相同的特征提取方法后,用在线字典学习的方法进行数据更新后得到的;所述的图像特征是指:各类矿产资源的光谱数据特征,或者气候变化的历史数据特征,或者敏感军事目标的遥感图像特征;采用的数据检索方式包括按图像特征向量索引或目标重要性系数索引进行检索,所述图像特征包括:对矿产资源,采取光谱数据资源库和图像库交互检索,对气候变化数据,采取时间变化、气候标注和云图数据交互检索,对军事目标采取重要目标语义库、重要目标图像库和相应特征的交互更新;
基于特征的目标检测单元,含有:图像特征提取模块,图像特征匹配模块以及在线数据库更新模块,其中:
图像特征提取模块,设有:所述先验信息数据库的访问接口,从遥感图像采集设备输入一组标注有遥感图像采集设备的类型信息、应用需求信息以及拍摄位置和姿态信息库、以矩阵或高维数组形式组织的遥感图像信息,使用与目标相适应的目标特征描述算法SIFT获得遥感图像的特征向量,所述特征向量包括特征点坐标及特征点描述,所述特征点描述是指高维数组向量簇;
图像特征匹配模块,设有:所述先验信息数据库的访问接口,所述图像特征匹配模块从图像特征提取模块输入所述遥感图像的特征向量,通过在线字典学习算法获得与所述遥感图像的特征向量对应的特征表示系数,通过与所述先验信息数据库的检索与匹配,得到对应目标的重要性系数,匹配失败则为无效区域,同时输入目标重要性系数及其对应的区域位置信息到所述的基于感兴趣区域的有限速率编码单元;
在线数据更新模块,设有:所述先验信息数据库的访问接口,以所述图像特征匹配模块输入的表示系数与所述先验信息数据库中得到的表示系数作为输入,通过在线字典学习算法,获得新的与当前所述的遥感图像特征向量对应的表示系数,同时完成对所述先验信息数据库中所述遥感图像特征向量与表示系数的更新,供下一次基于特征的目标检测利用;
基于感兴趣区域的有限速率遥感图像编码单元,设有:区域变换模块,码率控制模块,量化器,复合数据编码模块,其中:
区域变换模块输入为遥感图像、目标重要性系数及其对应的目标区域位置信息,把目标区域位置信息和空域像素信息通过方向自适应小波变换把空域像素变换到能量集中的变换域,再把变换系数输出;
码率控制模块,从所述基于特征的目标检测单元输入目标重要性信息及对应的目标区域位置信息,根据设定的输出码率,在设定的失真约束或受限制的速率下,对不同重要度的目标区域进行码率优化分配,输出不同的量化系数;
量化器从所述区域变换模块输入区域变换系数,从所述码率控制模块输入对应的量化系数,对不同目标重要度的区域建立不等精度的量化系数表,结合随影的目标区域位置信息,输出到所述复合数据编码模块;
复合数据编码模块,对输入的区域位置信息及对应的量化系数表中的量化系数进行熵编码,且对重要度高的量化系数提供额外的编码保护,以控制失真对数据解码的影响,最后生成二进制码流送往空天传输部分;
空天传输部分,是一个速率受限的空天传输链路,以所述复合数据编码模块输入二进制码流,送往所述地面接收部分;
地面接收部分,是一台计算机,内设有:基于感兴趣区域的有限速率遥感图像解码单元,含有复合数据解码模块,反量化器,逆变换模块,目标区域复合模块,其中:
复合数据解码器,从所述空天传输链路输入二进制码流,进行结构化解码,结合纠错编码完成数据检错及纠错,输出目标区域位置信息及对应的量化系数;
反量化器,对所述复合数据解码模块输入的量化系数进行反量化操作,输出反量化后的变换域系数;
逆变换模块,对从反量化器输入的变换域系数作逆变换,输出目标区域的空域像素值;
目标区域复合模块根据所述的数据编码模块输入的目标区域位置信息和所述逆变换模块输入的空域像素值进行整合得到重建的遥感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310320743.2A CN103442225B (zh) | 2013-07-26 | 2013-07-26 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310320743.2A CN103442225B (zh) | 2013-07-26 | 2013-07-26 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103442225A true CN103442225A (zh) | 2013-12-11 |
CN103442225B CN103442225B (zh) | 2016-05-25 |
Family
ID=49695885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310320743.2A Active CN103442225B (zh) | 2013-07-26 | 2013-07-26 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103442225B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105006A (zh) * | 2014-07-23 | 2014-10-15 | 北京永新视博信息技术有限公司 | 一种视频图像处理方法和系统 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN110602495A (zh) * | 2019-08-20 | 2019-12-20 | 深圳市盛世生物医疗科技有限公司 | 一种医学图像编码方法及装置 |
CN111242223A (zh) * | 2020-01-15 | 2020-06-05 | 中国科学院地理科学与资源研究所 | 一种基于街景影像多特征融合的街道空间品质评价方法 |
CN112966131A (zh) * | 2021-03-02 | 2021-06-15 | 中华人民共和国成都海关 | 一种海关数据风控类型识别方法、海关智能化风险布控方法、装置、计算机设备及存储介质 |
CN117392561A (zh) * | 2023-10-07 | 2024-01-12 | 中国公路工程咨询集团有限公司 | 智慧交通施工数据采集用遥感无人机图像处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN102855607A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于机器学习的遥感图像色彩校正方法 |
CN102930293A (zh) * | 2012-10-19 | 2013-02-13 | 中国科学院自动化研究所 | 一种面向对象的高光谱特征处理方法 |
CN103152574A (zh) * | 2013-03-15 | 2013-06-12 | 清华大学 | 基于特征配准的速率受限的遥感图像传输系统 |
-
2013
- 2013-07-26 CN CN201310320743.2A patent/CN103442225B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110079A (zh) * | 2007-06-27 | 2008-01-23 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN102855607A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于机器学习的遥感图像色彩校正方法 |
CN102930293A (zh) * | 2012-10-19 | 2013-02-13 | 中国科学院自动化研究所 | 一种面向对象的高光谱特征处理方法 |
CN103152574A (zh) * | 2013-03-15 | 2013-06-12 | 清华大学 | 基于特征配准的速率受限的遥感图像传输系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105006A (zh) * | 2014-07-23 | 2014-10-15 | 北京永新视博信息技术有限公司 | 一种视频图像处理方法和系统 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109361447B (zh) * | 2018-09-10 | 2019-09-17 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN110602495A (zh) * | 2019-08-20 | 2019-12-20 | 深圳市盛世生物医疗科技有限公司 | 一种医学图像编码方法及装置 |
CN111242223A (zh) * | 2020-01-15 | 2020-06-05 | 中国科学院地理科学与资源研究所 | 一种基于街景影像多特征融合的街道空间品质评价方法 |
CN112966131A (zh) * | 2021-03-02 | 2021-06-15 | 中华人民共和国成都海关 | 一种海关数据风控类型识别方法、海关智能化风险布控方法、装置、计算机设备及存储介质 |
CN112966131B (zh) * | 2021-03-02 | 2022-09-16 | 中华人民共和国成都海关 | 一种海关数据风控类型识别方法、海关智能化风险布控方法、装置、计算机设备及存储介质 |
CN117392561A (zh) * | 2023-10-07 | 2024-01-12 | 中国公路工程咨询集团有限公司 | 智慧交通施工数据采集用遥感无人机图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103442225B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103442225B (zh) | 基于数据库在线学习更新的有限速率下遥感图像传输系统 | |
Chen et al. | Tree histogram coding for mobile image matching | |
CN102186069B (zh) | 一种保持量测性能的遥感影像数据压缩方法 | |
CN110210378B (zh) | 一种基于边缘计算的嵌入式视频图像解析方法及装置 | |
CN110225341A (zh) | 一种任务驱动的码流结构化图像编码方法 | |
Rane et al. | Evaluation of JPEG-LS, the new lossless and controlled-lossy still image compression standard, for compression of high-resolution elevation data | |
CN108960333B (zh) | 基于深度学习的高光谱图像无损压缩方法 | |
CN103280084B (zh) | 一种多参数实时监测的数据采集方法 | |
CN104205831A (zh) | 针对HEVC中的CABAC的哥伦布-赖斯(Golomb-Rice)/EG编码技术 | |
CN103152574B (zh) | 基于特征配准的速率受限的遥感图像传输系统 | |
Hu et al. | Starfish: Resilient image compression for AIoT cameras | |
CN107567591A (zh) | 关于无线电信号的数据的压缩和解压缩 | |
US20220036595A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
CN111090773A (zh) | 一种数字视网膜体系结构及软件架构方法及系统 | |
CN113258935A (zh) | 一种联邦学习中基于模型权值分布的通信压缩方法 | |
Pajarola et al. | An image compression method for spatial search | |
CN111479286B (zh) | 一种边缘计算系统减少通信流量的数据处理方法 | |
CN105825530A (zh) | 基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法 | |
CN104581167A (zh) | 一种用于无线传感网络的分布式图像压缩传输方法 | |
CN116250008A (zh) | 点云的编码、解码方法、编码器、解码器以及编解码系统 | |
CN101720043B (zh) | 基于多模式预测的成像光谱图像压缩方法 | |
CN103489312A (zh) | 一种基于图像压缩的交通流信息采集方法 | |
Lin et al. | Learning multiple codebooks for low bit rate mobile visual search | |
Pal et al. | An energy-saving video compression targeting face recognition of disaster victim | |
Chandrasekha et al. | Low-rate image retrieval with tree histogram coding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |