CN113470127B - 基于星载云检测的光学图像有效压缩方法 - Google Patents
基于星载云检测的光学图像有效压缩方法 Download PDFInfo
- Publication number
- CN113470127B CN113470127B CN202111035620.5A CN202111035620A CN113470127B CN 113470127 B CN113470127 B CN 113470127B CN 202111035620 A CN202111035620 A CN 202111035620A CN 113470127 B CN113470127 B CN 113470127B
- Authority
- CN
- China
- Prior art keywords
- image
- attention
- slice
- satellite
- area
- 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.)
- Active
Links
- 238000007906 compression Methods 0.000 title claims abstract description 87
- 230000006835 compression Effects 0.000 title claims abstract description 86
- 230000003287 optical effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 119
- 238000012937 correction Methods 0.000 claims description 71
- 230000005855 radiation Effects 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 61
- 238000007635 classification algorithm Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 abstract description 16
- 239000000523 sample Substances 0.000 description 33
- 238000004891 communication Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种基于星载云检测的光学图像有效压缩方法，方法包括：获取待压缩图像，从所述待压缩图像中识别出关注区域以及非关注区域；根据预设的第一压缩策略对包含关注区域的图像进行压缩，根据预设的第二压缩策略对包含非关注区域的图像进行压缩；所述第一压缩策略的保真度高于所述第二压缩策略。本申请的方案可以降低对于包含非关注区域的图像的压缩要求，从而在整体上降低待压缩图像的压缩率，从而使得单位时间内，可以传输更多的图像，提高了图像传输效率。
Description
技术领域
本申请涉及卫星中图像处理的技术领域，具体而言，涉及基于星载云检测的光学图像有效压缩方法。
背景技术
近年来，遥感技术蓬勃发展，光学遥感载荷不断涌现、性能指标大幅提升，所成图像具有了更高的空间、光谱、时间和辐射分辨率，获得的光学图像的数据量呈指数增长。然而，目前通信技术在星地传输过程中，传输速率仅为500Mbps左右，星地图像传输带宽与遥感图像数据量之间存在巨大的差距和矛盾，导致大量具有时效性的图像信息难以在第一时间发送到地面。
为解决该问题，目前星上系统（即卫星上的处理系统）通常会对图像进行压缩，从而通过传输压缩后的图像，以将图像尽可能第一时间下传至地面。但是，目前星上系统进行图像压缩时，为了避免地面对收到的压缩图像进行图像恢复后出现图像失真等情况，目前星上系统对图像均采用的是高质量保真压缩处理方式，这就导致压缩后的图像的数据量还是较大，对于星地之间所传输的图像数据量并未大幅减少，从而仍有较大部分的图像并不能在第一时间下传至地面。
此外，传统的遥感图像处理与决策流程中，包括了“星上采集-星地数传-地面处理-信息提取”，四个环节。但是，在轨运行的载荷内部实现图像提取和图像压缩功能，面临以下3点困难：
1）受限于功率，在轨载荷的计算能力有限；
2）由于星载平台接收到的数据未作辐射校正、几何校正等处理，其质量较差；
3）地物复杂性，单一利用光谱或者空间纹理特征不能完全区分云层和地物；
本申请针对以上问题，提出了一种基于空间域特征和光谱域特征相结合的光学图像提取算法和光学图像有效压缩方法，解决了在轨载荷计算能力有限的问题，通过辐射校正、几何校正、人工标注、判别模型等多个图像处理过程，对图像中的关注区域和非关注区域进行智能划分和针对性的压缩，在降低数据存储量的同时解决了图像较差的问题，大幅降低数据存储大小，进一步节省星地传输宽带。
发明内容
本申请实施例的目的在于提供基于星载云检测的光学图像有效压缩方法，用以解决相关技术存在的图像压缩率大的问题。
本申请实施例提供了基于星载云检测的光学图像有效压缩方法，包括：步骤S1，获取待压缩图像，从所述待压缩图像中识别出关注区域以及非关注区域；步骤S2，根据预设的第一压缩策略对包含关注区域的图像进行压缩，根据预设的第二压缩策略对包含非关注区域的图像进行压缩；所述第一压缩策略的保真度高于所述第二压缩策略。
在上述实现过程中，可以通过识别出待压缩图像中的关注区域以及非关注区域，进而采用保真度低的第二压缩策略包含非关注区域的图像进行压缩，采用保真度高的第一压缩策略对包含关注区域的图像进行压缩，这就降低了对于包含非关注区域的图像的压缩要求，而通常保真度低的压缩策略的压缩率会低于保真度高的压缩策略，采用不同方式的压缩策略，不但可以确保关注区域的图像保真度，还可以使得压缩后待下传的数据量大幅减少，避免了下传资源的浪费，在整体上降低了待压缩图像的压缩率，从而使得单位时间内，可以传输更多的图像，从而提高了图像传输效率。
进一步地，所述非关注区域为云掩膜区域；所述关注区域为非云掩膜区域；所述云掩膜区域表征为所述待压缩图像中云层的区域，所述非云掩膜区域为所述待压缩图像中除所述云掩膜区域以外的区域。
在实际应用中，遥感图像中的云层区域通常是不具有太大实际价值的。为此，在本申请实施例中可以设定非关注区域为云掩膜区域，关注区域为非云掩膜区域，从而使得更具实际价值的区域得以以更高的保真度进行压缩。
进一步地，步骤S1具体包括：步骤S101，获取待测的光学图像；步骤S102，将所述待测的光学图像进行切片处理，得到多个切片图像，并记录每一个所述切片图像在所述待测的光学图像中的位置信息；步骤S103，识别出每一个所述切片图像中的子关注区域以及子非关注区域；步骤S104，根据每一个所述切片图像在所述待测的光学图像中的位置信息，对所有的切片图像子关注区域进行拼接得到关注区域图像，对子非关注区域进行拼接得到非关注区域图像，关注区域图像和非关注区域图像均为所述待压缩图像。
在实际应用过程中，卫星采集到的光学图像通常是很大的，而对于一张光学图像，通常只能用一个进程来执行，那么若直接对整个光学图像进行区域识别，所需要的处理时间往往较长，且容易出错。而在上述实现过程中，通过对待测的光学图像进行切片，然后识别出各切片图像中的子关注区域以及子非关注区域，这就使得可以通过多个进程来并行处理多张切片图像，识别出各切片图像中的子关注区域以及子非关注区域，从而通过对小的切片图像进行处理，缩短了处理时长，提高了效率。
进一步地，步骤S103中识别每一个所述切片图像中的子关注区域和非子关注区域，具体识别方法为：判断所述切片图像的图像类型；所述图像类型包括关注类切片图像和非关注类切片图像；若所述切片图像为关注类切片图像，则确定所述切片图像中所有的像素点组成的区域均属于所述子关注区域；若所述切片图像为非关注类切片图像，则识别所述切片图像中的各个像素点为所述子关注区域内的像素点，或为所述子非关注区域内的像素点。
在实际应用过程中，卫星采集到的光学图像通常是很大的，某些情况下，关注区域或非关注区域往往仅占有光学图像中的部分区域，此时若对整个光学图像进行完整的区域识别，所需要的处理资源往往较大，所需要的处理时间也往往较长。而在上述实现过程中，通过确定每一个切片图像的图像类型，然后对关注类切片图像，直接确定切片图像中所有的像素点组成的区域均属于子关注区域，对于非关注类切片图像，则识别切片图像中的各个像素点为子关注区域内的像素点，或为子非关注区域内的像素点，实现具体的区域识别。这样，实际需要耗费大量计算资源进行区域识别的图像仅有非关注类切片图像，对于关注类切片图像无需投入大量计算资源进行区域识别，从而有效降低了处理资源的消耗，缩短了处理时长，提高效率。
进一步地，判断所述切片图像的图像类型，包括：将每一个所述切片图像输入预设的分类算法判别模型中，得到每一个所述切片图像的图像类型；其中，所述分类算法判别模型为云判别模型。
在上述实现过程中，通过云判别模型实现对于各切片图像的图像类型的确定，实现简单，识别效率高。比如，通过云判别模型可以快速实现切片图像中是否有云的判断，从而可以快速给出各切片图像的图像类型。
进一步地，步骤S103中，若所述切片图像为非关注类切片图像，则识别所述切片图像中的各个像素点为所述子关注区域内的像素点或为所述子非关注区域内的像素点的具体处理过程包括：利用所述非关注类切片图像中各像素点的光谱信息，对所述非关注类切片图像中的各像素点进行测试；所述测试包括：蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试中的至少一种；当所述非关注类切片图像中的像素点满足预设条件时，确定满足所述预设条件的像素点组成的区域为所述子非关注区域；当所述测试结果不满足预设条件时，确定不满足所述预设条件的像素点组成的区域为所述子关注区域。
在实际应用过程中，光学图像中不同物体之间的光谱信息往往存在较大不同，比如对于云层而言，云层与非云层在光谱信息上往往存在很明显的区别。基于此，根据非关注类切片图像中各像素点的光谱信息，即可有效确定出各像素点是属于子关注区域还是属于子非关注区域，从而快速实现切片图像中的子关注区域和子非关注区域的识别。
进一步地，在步骤S2之后，所述方法还包括：发送压缩后的图像；接收最新模型参数，并将所述分类算法判别模型中的模型参数更新为所述最新模型参数；所述最新模型参数为：基于所述压缩后的图像进行图像处理，并对图像处理后的图像进行切片获得多个样本切片，且对每一所述样本切片进行标记，利用标记后的所述样本切片对与所述分类算法判别模型完全相同的模型进行训练后确定出的模型参数。
在上述实现过程中，通过利用收到的压缩后的图像进行模型参数的重新训练，进而将重新训练得到的最新模型参数重新返回，就使得位于星上的分类算法判别模型得以随着图像的不断传输而不断得以更新、完善，使得分类算法判别模型的分类效果越来越好。
进一步地，步骤S101包括：步骤S101-1，获取原始光学图像；步骤S101-2，根据预设的辐射校正参数对所述原始光学图像进行辐射校正，得到所述待测的光学图像；在步骤S2之后，所述方法还包括：发送压缩后的图像；接收最新辐射校正参数，并将所述预设的辐射校正参数更新为所述最新辐射校正参数；所述最新辐射校正参数为：对所述压缩后的图像进行图像处理后，根据图像处理后的图像重新确定出的辐射校正参数。
在上述实现过程中，一方面通过利用预设的辐射校正参数进行图像的辐射校正，从而可以有效提高待压缩图像的可靠性和真实性。另一方面，通过利用收到的压缩后的图像进行辐射校正参数的重新校正，进而将校正得到的最新辐射校正参数重新返回，就使得用于进行辐射校正的辐射校正参数得以随着图像的不断传输而不断得以更新，在更新的过程中不断地优化，使得辐射校正效果越来越好。
本申请实施例还提供了一种卫星，包括：拍摄装置以及处理系统；所述拍摄装置与所述处理系统通信连接，用于拍摄待压缩图像并传输给所述处理系统处理；所述处理系统用于执行上述任一种的基于星载云检测的光学图像有效压缩方法。
本申请实施例中还提供了一种卫星系统，包括上述的卫星，以及位于地面处理中心的接收设备；所述卫星与所述接收设备通信连接，以执行上述任一种的基于星载云检测的光学图像有效压缩方法，并将压缩后的图像发送给所述接收设备。
本申请实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一种的基于星载云检测的光学图像有效压缩方法。
本发明提出一种基于空间域特征和光谱域特征分析相结合的光学图像提取算法，算法运行于在轨载荷内，对图像进行在轨相对辐射校正处理，并利用机器学习技术实现较准确的图像区域智能划分，通过对不同区域进行针对性压缩，大幅度的降低数据存储大小，进一步的节省星地传输带宽。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种卫星系统的结构示意图；
图2为本申请实施例提供的一种基于星载云检测的光学图像有效压缩方法的流程示意图；
图3为本申请实施例提供的一种区域识别的流程示意图；
图4为本申请实施例提供的一种处理流程示意图；
图5为本申请实施例提供的一种基于星载云检测的光学图像有效压缩装置的结构示意图；
图6为本申请实施例提供的一种图像进行人工标注前后的对比示意图；
图7为本申请实施例提供的一种有云和无云的切片图像的对比示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
实施例一：
为了便于理解本申请的方案，下面先对本申请实施例所提供的卫星系统做一个简单介绍。
参见图1所示，卫星包括卫星本体、通信系统（图中未示出）、处理系统和数传系统（图中未示出）；地面处理中心包括接收设备，卫星与接收设备通信连接。卫星上设有拍摄装置，从而可以拍摄遥感图像，并经由卫星内的处理系统进行压缩处理，从而通过数传系统、通信系统将压缩后的遥感图像下传至地面处理中心的接收设备。而地面处理中心则可以通过对接收到的压缩后的遥感图像进行解压还原，得到所需的遥感图像。
需要注意的是，本申请实施例中所述的卫星包括但不限于人造卫星、立方星、空间站以及其它可在星体外运行的太空器件。应理解，只要能够在星体外运行，并可对地观测的卫星均可被解释为本申请实施例中所述的卫星，优先地，该卫星为可拍摄遥感图像的卫星。
还需要注意的是，在本申请实施例中，拍摄装置可以为CCD（Charge CoupledDevice，电荷耦合器件）相机等可以实现遥感图像拍摄要求的相机。此外，处理系统可以是卫星内的一个或多个处理器或者单片机。
为了解决现有技术中图像数量较大，星地之间所述能够传输数据量有限而导致的星上的数据不能第一时间下传至地面的问题，本申请实施例中提供了基于星载云检测的光学图像有效压缩方法，具体提供了一种可以应用于上述卫星中的基于星载云检测的光学图像有效压缩方法。可以参见图2所示，包括：
S1：获取待压缩图像，从待压缩图像中识别出关注区域以及非关注区域。
需要注意的是，在本申请实施例中，关注区域和非关注区域可以由工程师确定。示例性的，在研究非云层的遥感图像中，可以将云掩膜区域（即图像中表征云层的区域）定义为非关注区域，将非云掩膜区域（即图像中除所述云掩膜区域以外的区域）定义为关注区域。
应理解，关注区域和非关注区域除了可以是非云掩膜区域和云掩膜区域外，还可以是非海洋区域和海洋区域、非沙漠区域和沙漠区域等等，但不作为限制。
在本申请实施例中，参见图3所示，步骤S1可以包括：
步骤S101：获取待测的光学图像。
在本申请实施例中，待测的光学图像可以为对地观测类型卫星的拍摄装置拍摄到的遥感图像。
需要注意的是，在实际应用中，由于外界因素的影响，拍摄光学图像时可能出现辐射失真或畸变，因此需要对拍摄到的光学图像进行辐射校正。为此，在本申请实施例的一种可行实施方式中，卫星在获取到原始光学图像后，可以先根据预设的辐射校正参数对原始光学图像进行辐射校正，进而得到辐射校正后的原始光学图像，并将辐射校正后的原始光学图像作为待测的光学图像。
在上述可行实施方式中，地面处理中心如地面端、地面运控中心等可以先配置辐射校正参数并上传至卫星，从而使得光学图像能够根据辐射校正参数进行辐射校正。
示例性的，地面处理中心可以通过选取已有的拍摄效果较好的光学图像作为样本，然后通过诸如直方图匹配等方式确定出辐射校正参数并上传至卫星。
应理解，在本申请实施例的一种可行实施方式中，卫星也可以不做辐射校正，而是由接收设备针对接收到的光学图像进行辐射校正。
需要注意的是，在本申请实施例中，可以按照下述公式对原始光学图像进行辐射校正：
其中，
为拍摄装置第i号探元输出的原始光学图像中第i列各像素的原始灰度值，
表示校正后的原始光学图像中第i列各像素的灰度值；
为第i号探元的偏移值；
为第i号探元的归一化增益。其中，需要上传给卫星的处理系统的辐射校正参数包括
和
。
需要说明的是，探元是相机上用于进行光信号捕捉的部件。
还需要说明的是，在本申请实施例中，辐射校正参数包括但不限于相机的偏移值以及归一化增益。
步骤S102，将待测的光学图像进行切片处理，得到多个切片图像，并记录每一个切片图像在待测的光学图像中的位置信息。
步骤S103，识别出每一个切片图像中的子关注区域以及子非关注区域。
在本申请实施例中，可以判断每一个切片图像的图像类型，并判断每一个切片图像的图像类型是为关注类切片图像，还是为非关注类切片图像。
若一个切片图像为关注类切片图像，则可以直接确定该切片图像中所有的像素点组成的区域均属于子关注区域。
若一个切片图像为非关注类切片图像，则可以分别识别该切片图像中的各个像素点是为子关注区域内的像素点，还是为子非关注区域内的像素点，从而确定出该切片图像的具体的子关注区域和非关注区域位置。
这样，实际需要耗费大量计算资源进行区域识别的图像仅有非关注类切片图像，对于关注类切片图像无需投入大量计算资源进行区域识别，从而有效降低了处理资源的消耗，缩短了处理时长，提高效率。
需要说明的是，本申请实施例中的图像类型可以由工程师设定。例如，以非关注区域为云掩膜区域，关注区域为非云掩膜区域的情况为例。可以设定切片图像的图像类型包括有云s图像（非关注类切片图像）和无云图像（关注类切片图像）（即可以通过识别切片图片内是否存在云层，确定切片图片的图像类型），从而将确定出有云的切片图片确定为非关注类切片图像，将确定出无云的切片图片确定为关注类切片图像。
需要注意的是，在本申请实施例中，可以将各切片图像输入卫星内预设的分类算法判别模型中，确定出每一个切片图像的类别信息。
在本申请实施例中，考虑到卫星内的计算资源十分宝贵，因此在本申请实施例中，可以在地面处理中心配置一个与卫星内的分类算法判别模型完全相同的模型，然后通过对该模型进行训练，进而将训练好的该模型参数上传给卫星，并利用该模型参数替换卫星中分类算法判别模型的参数，使得卫星具有训练好的分类算法判别模型，这样，就将训练过程在卫星外完成，图像处理过程在星上完成，算法运行于在轨载荷内，对图像进行在轨相对辐射校正处理，并利用机器学习技术实现较准确的关注区域、非关注区域的智能划分，通过对不同区域进行针对性的压缩，降低了卫星的数据处理负担，同时，通过分类算法判别模型完成了卫星上图像数据的处理或优化，在保证图像数据准确有效的前提下，大幅降低数据存储大小，进一步的节省星地传输宽带。
在本申请实施例中，分类算法判别模型可以采用云判别模型实现。示例性的，可以采用由卷积神经网络结合二分类模型实现，其中卷积神经网络用于实现图像空间域的特征提取。例如，可以采用ImageNet比赛中表现优异的残差网络模型结构（例如ResNet50结构）作为卷积神经网络。应理解，前述云判别模型的结构仅为本申请实施例所示的一种可行实施结构，不作为限制。
在本申请实施例中，为了实现对于分类算法判别模型的训练，可以预先获取大量具有关注区域和非关注区域的样本光学图像，并对样本光学图像进行切片获得多个样本切片；然后，对各样本切片进行标记，标记其对应的图像类型（如有云、无云），然后将其作为训练集输入至分类算法判别模型中进行训练，从而获得训练后的分类算法判别模型。
在此过程中，还可以获取大量具有关注区域和非关注区域的测试光学图像，并对测试光学图像进行切片获得多个测试切片；然后，对各测试切片进行标记，标记其对应的图像类型（如有云、无云），然后将其作为测试集输入至训练后的分类算法判别模型中，从而判断训练后的分类算法判别模型的训练效果。在训练效果达到预设期望时，即认为训练成功，否则继续就需要继续进行模型训练直至训练效果达到预设期望。
还需要注意的是，在本申请实施例中，前述“若一个切片图像为非关注类切片图像，则可以分别识别该切片图像中的各个像素点是为子关注区域内的像素点，还是为子非关注区域内的像素点”的过程，具体可以包括：对非关注类切片图像进行后续检测处理。
在本申请实施例中，后续检测处理过程可以是采用各类已有的ROI（region ofinterest，感兴趣区域）提取算法，实现对于非关注类切片图像中的子关注区域以及子非关注区域的提取。
此外，在实际应用过程中，光学图像中不同物体所具有的光谱信息往往存在较大差异，比如对于云层而言，云层与非云层在光谱信息上往往存在很明显的区别。因此，在本申请实施例中，基于该原理，后续检测处理过程也可以是通过获取非关注类切片图像中各像素点的光谱信息，然后根据非关注类切片图像中各像素点的光谱信息，确定出各像素点为子非关注区域内的像素点，还是为子关注区域内的像素点。
通过该方法，确定出的为子非关注区域内的像素点的集合，即标识出了非关注类切片图像中的整个子非关注区域，而确定出的为子关注区域内的像素点的集合，即标识出了非关注类切片图像中的整个子关注区域。
示例性的，在本申请实施例中，可以利用非关注类切片图像中各像素点的光谱信息，对非关注类切片图像中的各像素点进行测试。
在本申请实施例中，假设非关注区域内的物体比较单一，则所需进行的测试可以由工程师根据非关注区域所具有的光谱特性确定。比如，可以进行蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试等测试中的一种或多种。
相应的，所需获取的各像素点的光谱信息可以包括各像素点的band_NIR（近红外通道值）、band_Blue（蓝色通道值）、band_Red（红色通道值）和band_Green（绿色通道值）中的一种或多种，具体需要哪些光谱信息，可以由工程师根据非关注区域所具有的光谱特性确定。
需要注意的是，在进行蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试等测试时，可以预先设定相关测试的所需满足的预设条件，比如可以设定相关测试的参数阈值，从而在测试参数与预设参数阈值符合预设关系时，确定测试通过，表征测试结果为预设结果，否则确定测试不通过，表征测试结果不为预设结果。从而，某一测试通过，即表明被测试的像素点满足非关注区域在该测试中所具有的光谱特性；反之，即表明被测试的像素点不满足非关注区域在该测试中所具有的光谱特性。
示例性的，对于蓝色通道值测试有：
其中，Surface为预测结果，
表示通过，
表示未通过，
为蓝色通道值测试的预设参数阈值，
所测试的像素点的蓝色通道值，该公式表示如果所测试的像素点的蓝色通道值大于或者等于
，则该像素点蓝色通道值测试通过（即S 
），否则该像素点蓝色通道值测试不通过。
对于湿度测试有：
其中，Surface为预测结果，
表示通过，
表示未通过，i表示第i个像素点，n表示非关注类切片图像中像素点总数量，
为像素点的湿度值，
为湿度测试的预设参数阈值，
所测试的像素点的蓝色通道值，
所测试的像素点的红色通道值，
所测试的像素点的绿色通道值，
整个切片图像中的第i个像素点的蓝色通道值，
为整个切片图像中的第i个像素点的红色通道值，
为整个切片图像中的第i个像素点的绿色通道值，
表示非关注类切片图像中像素点平均通道值，第一个公式表示如果所测试的像素点的湿度值小于等于
，则该像素点湿度测试通过（即S 
），否则该像素点湿度测试不通过。
对于热度测试有：
其中，Surface为预测结果，
表示通过，
表示未通过，A为工程师预设的常值，
为像素点的热力值，
为热度测试的预设参数阈值，
所测试的像素点的蓝色通道值，
所测试的像素点的红色通道值，第二个公式表示如果所测试的像素点的热力值小于等于
，则该像素点热度测试通过（即S 
），否则该像素点热度测试不通过。
对于归一化植被指数测试有：
其中，Surface为预测结果，
表示通过，
表示未通过，
为像素点的归一化植被指数值，
为归一化植被指数测试的预设参数阈值，
所测试的像素点的近红外通道值，
所测试的像素点的红色通道值，第二个公式表示如果所测试的像素点的归一化植被指数值小于
，则该像素点归一化植被指数测试通过（即S 
），否则该像素点归一化植被指数测试不通过。
对于归一化水指数测试有：
其中，Surface为预测结果，
表示通过，
表示未通过，
为像素点的归一化水指数值，
为归一化水指数测试的预设参数阈值，
所测试的像素点的近红外通道值，
所测试的像素点的绿色通道值，第二个公式表示如果所测试的像素点的归一化水指数值小于
，则该像素点归一化水指数测试通过（即S 
），否则该像素点归一化水指数测试不通过。
需要注意的是，当存在多个测试时，可以设置在某一像素点的所有测试的测试结果均为通过时，确定像素点为子非关注区域内的像素点。此外，也可以为各个测试配置权重，进而针对多个测试的测试结果进行加权求和（比如测试通过时测试结果为1，测试未通过时测试结果为0），从而基于加权求和的值与预设的判别阈值进行比较，在加权求和的值大于预设的判别阈值时，确定像素点为子非关注区域内的像素点。
应理解，以上是在假设非关注区域内的物体比较单一时，比如非关注区域为云掩膜区域时，可以进行的识别出像素点是否为子非关注区域内的像素点的操作。但是若关注区域内的物体比较单一，比如假设关注区域为海洋区域，其余区域均为非关注区域，那么可以根据关注区域所具有的光谱特性来进行测试，从而识别出像素点是否为子关注区域内的像素点。
还应理解，以上基于测试的测试结果，确定各像素点是否为子非关注区域内的像素点，或为子关注区域内的像素点的方式，仅是本申请实施例中所示例出的一种可行实施方式，不作为限制。
步骤S104，根据每一个切片图像在待测的光学图像中的位置信息，对所有的切片图像子关注区域进行拼接得到关注区域图像，对子非关注区域进行拼接得到非关注区域图像。
应理解，在本申请实施例中，关注区域图像和非关注区域图像均为待压缩图像。
需要注意的是，前述描述的是进行切片后拼接得到关注区域图像和非关注区域图像的实施方式。但是在本申请实施例的另一种可行实施方式中，也可以不对获取到的待测的光学图像进行切片处理，而是直接针对整个待测的光学图像进行图像识别处理，从而直接从待测的光学图像中识别出关注区域以及非关注区域，得到关注区域图像和非关注区域图像。
此时进行的图像识别处理可以是采用各类已有的ROI提取算法，从整个待测的光学图像中提取出关注区域。
此外，进行的图像识别处理的方式也可以是前述的基于各像素点的光谱信息进行测试，并基于测试的测试结果确定出各像素点属于关注区域还是非关注区域的方式，在此不再赘述。
S2：根据预设的第一压缩策略对包含关注区域的图像进行压缩，根据预设的第二压缩策略对包含非关注区域的图像进行压缩。
在本申请实施例中，第一压缩策略的保真度高于第二压缩策略。应理解，对于保真度的要求越高，那么需要压缩过程中数据的损失得越少，那么压缩率就会比较高。相反，对于保真度的要求越低，那么压缩过程中允许损失的数据就越多，那么压缩率就可以比较低，从而使得对于非关注区域可以进一步降低压缩率，从而降低整个待压缩图像的压缩率。
值得注意的是，在本申请实施例中，一个图像中只会包含关注区域和非关注区域，因此根据关注区域和非关注区域的任一个区域，即可确定出另一个区域。
在本申请实施例的一种可行实施方式中，为了实现分类压缩，可以复制得到两张待压缩图像，将一张待压缩图像中的非关注区域的像素值设为无效值（比如0），得到包含关注区域的第一图像；将另一张待压缩图像中的关注区域的像素值设为无效值（比如0），得到包含非关注区域的第二图像。
进而，对第一图像采用第一压缩策略进行压缩，比如利用无损编码格式对第二待压缩图像进行压缩。在本申请实施例中，压缩后的第一图像还可以存储至预设的硬盘中，从而便于后续被请求调用。
而对第二图像采用第二压缩策略进行压缩，比如设置压缩初始值为1/10（该值可以根据实际需要进行设定，设置为1/10即表明对于尺寸为1000×1000的图像进行压缩后的尺寸为100×100），然后基于设置的压缩初始值对第一待压缩图像进行压缩。
而在本申请实施例的另一种可行实施方式中，可以直接针对待压缩图像中的关注区域采用第一压缩策略进行压缩，对待压缩图像中的非关注区域采用第二压缩策略进行压缩。应理解，在本可行实施方式中，卫星在执行“针对待压缩图像中的关注区域采用第一压缩策略进行压缩，对待压缩图像中的非关注区域采用第二压缩策略进行压缩”的操作时，事实上已经根据关注区域确定了包含关注区域的图像和包含非关注区域的图像就是待压缩图像本身。
在本申请实施例中，卫星在执行步骤S2之后，即可将压缩后的图像下传至地面处理中心。
在本申请实施例中，地面处理中心在接收到压缩后的图像后，可以进行图像处理，得到图像处理后的图像。具体而言，图像处理包括：可以对压缩后的图像进行解压缩还原，得到还原后的图像。比如，对于压缩后的第一图像和第二图像进行解压缩后，可以将解压缩后的第一图像和第二图像拼接成为一张图像，从而得到还原后的图像。
在本申请实施例中，在得到还原后的图像后，可以根据还原后的图像重新确定出最新辐射校正参数，并将最新辐射校正参数上传给卫星，以使卫星将其内的辐射校正参数更新为最新辐射校正参数，使得卫星中的辐射校正参数得以越来越贴合卫星的实际工作环境，辐射校正效果越来越好。
示例性的，可以将还原后的图像与原有样本一起，进行直方图匹配，从而确定出最新辐射校正参数。
此外，在得到还原后的图像后，也可以将还原后的图像作为新的样本，对其进行切片获得多个样本切片，且对每一样本切片进行标记，利用标记后的样本切片对与分类算法判别模型完全相同的模型进行训练，从而得到最新模型参数（该过程即为优化分类算法判别模型的过程），然后将最新模型参数发送给卫星，以使卫星将第一分类模型中的模型参数更新为最新模型参数，使得卫星中的第一分类模型得以越来越贴合卫星的实际工作环境，使得分类效果越来越好。
需要注意的是，在上述方案中，在得到还原后的图像后，还可以通过还原后的图像进行人工校正，从而基于人工校正后的图像重新确定出最新辐射校正参数，以及重新确定最新模型参数。
本申请实施例中还提供了一种卫星，其结构可参见图1示出的卫星结构。该卫星可以通过拍摄装置拍摄待压缩图像并发送给处理系统，从而由处理系统执行本申请实施例中前述的方法。
本申请实施例所提供的基于星载云检测的光学图像有效压缩方法、卫星以及卫星系统，可以通过识别出待压缩图像中的关注区域以及非关注区域，进而采用保真度低的压缩策略包含非关注区域的图像进行压缩，采用保真度高的压缩策略对包含关注区域的图像进行压缩，这就降低了对于包含非关注区域的图像的压缩要求，而通常保真度低的压缩策略的压缩率会低于保真度高的压缩策略，采用不同方式的压缩策略，不但可以确保关注区域的图像保真度，还可以使得压缩后待下传的数据量大幅减少，避免了下传资源的浪费，在整体上降低了待压缩图像的压缩率，从而使得单位时间内，可以传输更多的图像，从而提高了图像传输效率。
实施例二：
本实施例在实施例一的基础上，以非关注区域为云层所在区域的情况为例，为本申请做进一步示例说明。
参见图4所示，图4为本实施例的整体流程示意图。
步骤一：确定辐射校正参数。
收集已经下传的遥感图像数据，对这些遥感图像数据进行辐射校正，辐射校正的主要的原理如下：
其中，
为相机第i号探元输出的原始灰度值，
表示校正后第i号探元对应的灰度值；
为第i号探元的偏移值；
为第i号探元的归一化增益。其中，需要上传给卫星的处理系统的辐射校正参数包括
和
。
在本实施例中，
和
可以通过选取样本影像，然后采用直方图匹配的方式得到，得到的
和
可以上送至卫星的处理系统，以使卫星的处理系统可以进行辐射校正，此参数随后定期更新并上传到星上载荷。
需要解释的是，在本实施例中，相机可以为CCD相机，其上用于进行光信号捕捉的部件被称之为探元。
步骤二：读取辐射校正后的数据，进行样本标注。
在本申请实施例中，所需读取的数据包括辐射校正后的图像中各像素点的R/G/B/NIR四通道数据。
将大量辐射校正后图像分为两部分，一部分作为训练数据，另一部分作为测试数据。对这些图像进行人工标注，将图像中云层遮盖区域的像素进行像素标注，如图6所示，图6中白色区域的像素即为云层遮盖区域的像素。左侧为标注前的原始图像，右侧则为标注后的图像，其中右侧标注出的白色像素即为云层遮盖区域的像素。
步骤三：对像素标注后的图像进行切片获得多个样本切片图像，将所有样本切片图像整理为“云判别”任务数据集。
其中“云判别”数据集为根据像素标注标注结果，对每一样本切片图像的类型信息进行定义，类型信息的定义标准如下：
Clouds表示切片图像中标记为云层的像素数量，Pixels表示切片图像的总像素；
判断Thr与Thr1之间的关系；
将Thr<Thr1的切片图像的类型信息设置为无云，否则设置为有云。Thr1为工程师设定的判别阈值，例如可以设置为0.05，如图7所示。根据该判别阈值，可以将图7中右侧6幅切片图像的类型信息设置为无云，左侧6幅切片图像的类型信息设置有云。
步骤四：将属于训练数据中具有类型信息的样本切片来训练云判别网络算法模型，获得训练后的云判别网络算法模型，并获得训练后的云判别网络算法模型的模型参数。
本实施例中，云判别模型由卷积神经网络结合二分类模型实现，由卷积神经网络实现图像空间域的特征提取和二分类模型。具体的，采用ImageNet比赛中表现优异的残差网络模型结构，当云判别模型完成指定的训练轮数后，得到训练后的云判别模型，将模型参数保存，并上传到卫星。卫星中保存有该云判别模型，接收到模型参数后，并基于该模型参数实现对云判别模型的配置。
需要理解的是，进行训练的云判别模型设置于地面处理中心内，而卫星中保存的云判别模型不用于进行训练，只需要根据设置于地面处理中心内训练后的云判别模型的模型参数进行参数更新。
步骤五：设定云检测算法中不同波段的检测阈值，完成参数初始化过程。
在本实施例中，不同波段的检测阈值是指不同测试的参数阈值，包括实施例一中示出的
、
、
、
和
。
在本申请实施例中，检测阈值被设定好后可以上传至卫星，以便其后续进行蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试和归一化水指数测试。
步骤六：卫星输入一张待测的光学图像，经过辐射校正后得到待压缩图像。将待压缩图像切片处理，并送入卫星中的云判别网络算法模型中进行云判别，得到切片图像是否为有云、无云的分类结果。
在本实施例中，确定有云的切片图像为非关注类切片图像。
步骤七: 对非关注类切片图像进行云检测处理，其过程如下：
云检测处理：获取非关注类切片图像各像素点的光谱信息：band_NIR、band_Blue、band_Red、band_Green。
根据公式：Cloud=bandblues(true)∩Whiteness(true)∩HOT(true)∩NDVI(true)∩NDWI(true)确定像素点是否为云层所在的像素点。该公式表征，如果Bandblue测试（蓝色通道值测试）、Whiteness测试（湿度测试）、HOT测试（热度测试）、NDVI测试（归一化植被指数测试）和NDWI测试（归一化水指数测试）均通过时，确定像素点为云层所在的像素点。
而蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试的具体方式，可参见实施例一的记载，在此不再赘述。
步骤八： 对各切片图像进行融合，得到整张待压缩图中的云掩膜区域和非云掩膜区域。
步骤九：在整张待压缩图中剔除掉非云掩膜区域的像素值，得到一张只包含云掩膜区域的第二图像，设置压缩初始值为1/10，然后基于设置的压缩初始值对第二图像进行压缩。
在整张待压缩图中剔除掉所有云掩膜区域的像素值，得到一张不包含云掩膜区域的第一图像，并利用无损编码格式对第一图像进行压缩。
步骤十：地面处理中心接收到压缩后的图像，对压缩后的图像进行解压缩处理，得到解压缩后的第一图像和第二图像，并将解压缩后的第一图像和第二图像拼接为整张图像。
步骤十一：基于还原后的图像，重复以上步骤，使得卫星内得以更新辐射校正参数和模型参数，使得辐射校正参数和模型参数和卫星的传感器参数相适应。
在本步骤中，对于还原后的图像还可以再次进行人工校正，从而进一步提高还原后的图像的效果，进而基于人工校正后的图像进行辐射校正参数和模型参数的重新确定。
通过上述方案，通过在卫星上利用空间域和光谱域特征相结合的方式，实现对遥感图像中云层区域的提取，并通过结合不同的压缩策略，实现图像的高效压缩，更加高效的利用星地之间有限的传输带宽，提高了星地传输效率，使得数据的时效性更高。
实施例三：
基于同一发明构思，本申请实施例中还提供一种基于星载云检测的光学图像有效压缩装置500。请参阅图5所示，图5示出了采用图2所示的方法的光学图像有效压缩装置。应理解，装置500具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置500包括至少一个能以软件或固件的形式存储于卫星的存储器中或固化在装置500的操作系统中的软件功能模块。具体地：
参见图5所示，装置500包括：获取模块501，识别模块502和压缩模块503。其中：
获取模块501，用于获取待压缩图像；
识别模块502，用于从所述待压缩图像中识别出关注区域以及非关注区域；
压缩模块503，用于根据预设的第一压缩策略对包含关注区域的图像进行压缩，根据预设的第二压缩策略对包含非关注区域的图像进行压缩；所述第一压缩策略的保真度高于所述第二压缩策略。
在本申请实施例中，所述非关注区域为云掩膜区域；所述关注区域为非云掩膜区域；所述云掩膜区域表征为所述待压缩图像中云层的区域，所述非云掩膜区域为所述待压缩图像中除所述云掩膜区域以外的区域。
在本申请实施例的一种可行实施方式中，获取模块501具体用于：获取待测的光学图像；将所述待测的光学图像进行切片处理，得到多个切片图像，并记录每一个所述切片图像在所述待测的光学图像中的位置信息；识别出每一个所述切片图像中的子关注区域以及子非关注区域；根据每一个所述切片图像在所述待测的光学图像中的位置信息，对所有的切片图像子关注区域进行拼接得到关注区域图像，对子非关注区域进行拼接得到非关注区域图像，关注区域图像和非关注区域图像均为所述待压缩图像。
在上述可行实施方式的一种可选实施示例中，获取模块501具体用于：判断所述切片图像的图像类型；所述图像类型包括关注类切片图像和非关注类切片图像；若所述切片图像为关注类切片图像，则确定所述切片图像中所有的像素点组成的区域均属于所述子关注区域；若所述切片图像为非关注类切片图像，则识别所述切片图像中的各个像素点为所述子关注区域内的像素点，或为所述子非关注区域内的像素点。
在上述可行实施方式中，获取模块501具体用于：将每一个所述切片图像输入预设的分类算法判别模型中，得到每一个所述切片图像的图像类型；其中，所述分类算法判别模型为云判别模型。
在上述可行实施方式的一种可选实施示例中，获取模块501具体用于：利用所述非关注类切片图像中各像素点的光谱信息，对所述非关注类切片图像中的各像素点进行测试；
所述测试包括：蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试中的至少一种；
当所述非关注类切片图像中的像素点满足预设条件时，确定满足所述预设条件的像素点组成的区域为所述子非关注区域；当所述测试结果不满足预设条件时，确定不满足所述预设条件的像素点组成的区域为所述子关注区域。
在上述可行实施方式中，装置500还包括发送模块，所述发送模块用于发送压缩后的图像。获取模块501还用于在发送模块发送压缩后的图像之后，接收最新模型参数，并将所述分类算法判别模型中的模型参数更新为所述最新模型参数；所述最新模型参数为：基于所述压缩后的图像进行图像处理，并对图像处理后的图像进行切片获得多个样本切片，且对每一所述样本切片进行标记，利用标记后的所述样本切片对与所述分类算法判别模型完全相同的模型进行训练后确定出的模型参数。
在上述可行实施方式中，获取模块501具体用于，获取原始光学图像，根据预设的辐射校正参数对所述原始光学图像进行辐射校正，得到所述待测的光学图像。
装置500还包括发送模块，所述发送模块用于发送压缩后的图像。获取模块501还用于在发送模块发送压缩后的图像之后，接收最新辐射校正参数，并将所述预设的辐射校正参数更新为所述最新辐射校正参数；所述最新辐射校正参数为：对所述压缩后的图像进行图像处理后，根据图像处理后的图像重新确定出的辐射校正参数。
需要理解的是，出于描述简洁的考量，部分实施例一中描述过的内容在本实施例中不再赘述。
实施例四：
本实施例提供了一种计算机可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD（Secure Digital Memory Card，安全数码卡）卡、MMC（Multimedia Card，多媒体卡）卡等，在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一和/或实施例二中基于星载云检测的光学图像有效压缩方法。在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在本文中，多个是指两个或两个以上。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (6)
1.基于星载云检测的光学图像有效压缩方法，其特征在于，包括：
步骤S1，获取待压缩图像，从所述待压缩图像中识别出关注区域以及非关注区域；
步骤S2，根据预设的第一压缩策略对包含关注区域的图像进行压缩，根据预设的第二压缩策略对包含非关注区域的图像进行压缩；所述第一压缩策略的保真度高于所述第二压缩策略；其中：
步骤S1具体包括：
步骤S101，获取待测的光学图像；
步骤S102，将所述待测的光学图像进行切片处理，得到多个切片图像，并记录每一个所述切片图像在所述待测的光学图像中的位置信息；
步骤S103，识别出每一个所述切片图像中的子关注区域以及子非关注区域；
步骤S104，根据每一个所述切片图像在所述待测的光学图像中的位置信息，对所有的切片图像子关注区域进行拼接得到关注区域图像，对子非关注区域进行拼接得到非关注区域图像，关注区域图像和非关注区域图像均为所述待压缩图像；
其中，所述多个切片图像通过多个进程并行处理；
步骤S103中识别每一个所述切片图像中的子关注区域和非子关注区域，具体识别方法为：
判断所述切片图像的图像类型；所述图像类型包括关注类切片图像和非关注类切片图像；
若所述切片图像为关注类切片图像，则确定所述切片图像中所有的像素点组成的区域均属于所述子关注区域；
若所述切片图像为非关注类切片图像，则识别所述切片图像中的各个像素点为所述子关注区域内的像素点，或为所述子非关注区域内的像素点。
2.如权利要求1所述的基于星载云检测的光学图像有效压缩方法，其特征在于，所述非关注区域为云掩膜区域；所述关注区域为非云掩膜区域；
所述云掩膜区域表征为所述待压缩图像中云层的区域，所述非云掩膜区域为所述待压缩图像中除所述云掩膜区域以外的区域。
3.如权利要求1所述的基于星载云检测的光学图像有效压缩方法，其特征在于，判断所述切片图像的图像类型，包括：
将每一个所述切片图像输入预设的分类算法判别模型中，得到每一个所述切片图像的图像类型；其中，所述分类算法判别模型为云判别模型。
4.如权利要求1所述的基于星载云检测的光学图像有效压缩方法，其特征在于，步骤S103中，若所述切片图像为非关注类切片图像，则识别所述切片图像中的各个像素点为所述子关注区域内的像素点或为所述子非关注区域内的像素点的具体处理过程包括：
利用所述非关注类切片图像中各像素点的光谱信息，对所述非关注类切片图像中的各像素点进行测试；
所述测试包括：蓝色通道值测试、湿度测试、热度测试、归一化植被指数测试、归一化水指数测试中的至少一种；
当所述非关注类切片图像中的像素点满足预设条件时，确定满足所述预设条件的像素点组成的区域为所述子非关注区域；当所述测试结果不满足预设条件时，确定不满足所述预设条件的像素点组成的区域为所述子关注区域。
5.如权利要求3所述的基于星载云检测的光学图像有效压缩方法，其特征在于，在步骤S2之后，所述方法还包括：
发送压缩后的图像；
接收最新模型参数，并将所述分类算法判别模型中的模型参数更新为所述最新模型参数；
所述最新模型参数为：基于所述压缩后的图像进行图像处理，并对图像处理后的图像进行切片获得多个样本切片，且对每一所述样本切片进行标记，利用标记后的所述样本切片对与所述分类算法判别模型完全相同的模型进行训练后确定出的模型参数。
6.如权利要求1所述的基于星载云检测的光学图像有效压缩方法，其特征在于，步骤S101包括：
步骤S101-1，获取原始光学图像；
步骤S101-2，根据预设的辐射校正参数对所述原始光学图像进行辐射校正，得到所述待测的光学图像；
在步骤S2之后，所述方法还包括：
发送压缩后的图像；
接收最新辐射校正参数，并将所述预设的辐射校正参数更新为所述最新辐射校正参数；
所述最新辐射校正参数为：对所述压缩后的图像进行图像处理后，根据图像处理后的图像重新确定出的辐射校正参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111035620.5A CN113470127B (zh) | 2021-09-06 | 2021-09-06 | 基于星载云检测的光学图像有效压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111035620.5A CN113470127B (zh) | 2021-09-06 | 2021-09-06 | 基于星载云检测的光学图像有效压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113470127A CN113470127A (zh) | 2021-10-01 |
| CN113470127B true CN113470127B (zh) | 2021-11-26 |
Family
ID=77867474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111035620.5A Active CN113470127B (zh) | 2021-09-06 | 2021-09-06 | 基于星载云检测的光学图像有效压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470127B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037723B (zh) * | 2022-01-07 | 2022-03-29 | 成都国星宇航科技有限公司 | 基于dem数据提取山顶点的方法、装置及存储介质 |
| CN117173261A (zh) * | 2022-09-15 | 2023-12-05 | 深圳Tcl新技术有限公司 | 图像压缩方法、装置、计算机设备及计算机可读存储介质 |
| CN117979007A (zh) * | 2023-01-04 | 2024-05-03 | 周霞 | 一种图像数据的存储方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1139291A2 (en) * | 2000-03-31 | 2001-10-04 | Image Processing & Vision Company Limited | Method for visualization of time sequences of 3D optical flurescence microscopy images |
| CN102481114A (zh) * | 2009-04-03 | 2012-05-30 | 特西奥普技术有限公司 | 用于磁共振成像的信号获取与处理的方法和设备 |
| CN107197217A (zh) * | 2017-04-19 | 2017-09-22 | 西安空间无线电技术研究所 | 一种星上高帧频图像数据实时切片传输方法 |
| CN110024400A (zh) * | 2016-12-07 | 2019-07-16 | 高通股份有限公司 | 感兴趣区的信号发送的系统和方法 |
| CN112509042A (zh) * | 2020-11-27 | 2021-03-16 | 西安中科星图空间数据技术有限公司 | 一种基于星上控制点库的实时定位方法、装置及存储介质 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101835045B (zh) * | 2010-05-05 | 2011-11-09 | 哈尔滨工业大学 | 高保真遥感图像压缩与分辨率增强的联合处理方法 |
| CA2737822C (en) * | 2010-08-31 | 2019-02-19 | Mirza F. Beg | System and method for rapid oct image acquisition using compressive sampling |
| CN105631809B (zh) * | 2015-12-31 | 2018-11-06 | 北京理工大学 | 一种非均匀分辨率球面全景图生成方法 |
| CN105825530B (zh) * | 2016-03-21 | 2019-02-15 | 辽宁师范大学 | 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 |
| CN106845372B (zh) * | 2016-12-31 | 2018-01-26 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
| CN109447151A (zh) * | 2018-10-26 | 2019-03-08 | 成都国星宇航科技有限公司 | 一种基于深度学习的遥感数据分析方法 |
| 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 |
| CN109151482B (zh) * | 2018-10-29 | 2021-03-23 | 西安电子科技大学 | 星载光谱图像谱段无损有损混合压缩方法 |
| CN110290318B (zh) * | 2018-12-29 | 2021-01-26 | 中国科学院软件研究所 | 星载图像处理与自主决策方法和系统 |
| CN110111352A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 |
| CN112118446B (zh) * | 2019-06-20 | 2022-04-26 | 杭州海康威视数字技术股份有限公司 | 图像压缩方法及装置 |
| CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
| CN111429435A (zh) * | 2020-03-27 | 2020-07-17 | 王程 | 一种快速准确的遥感数字影像含云量检测方法 |
| CN111782689A (zh) * | 2020-06-29 | 2020-10-16 | 北京华云星地通科技有限公司 | 基于卫星数据的多任务并行处理方法 |
| CN112465846B (zh) * | 2020-11-26 | 2023-04-07 | 西安电子科技大学 | 基于填充策略的含云遥感图像压缩方法 |
| CN112488924B (zh) * | 2020-12-21 | 2023-10-27 | 深圳大学 | 一种图像超分辨率模型训练方法、重建方法及装置 |
| CN112839223B (zh) * | 2020-12-23 | 2022-12-20 | 深圳酷派技术有限公司 | 图像压缩方法、装置、存储介质及电子设备 |
| CN113158856B (zh) * | 2021-04-08 | 2024-04-19 | 成都国星宇航科技股份有限公司 | 一种提取遥感图像中目标区域的处理方法和装置 |
-
2021
- 2021-09-06 CN CN202111035620.5A patent/CN113470127B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1139291A2 (en) * | 2000-03-31 | 2001-10-04 | Image Processing & Vision Company Limited | Method for visualization of time sequences of 3D optical flurescence microscopy images |
| CN102481114A (zh) * | 2009-04-03 | 2012-05-30 | 特西奥普技术有限公司 | 用于磁共振成像的信号获取与处理的方法和设备 |
| CN110024400A (zh) * | 2016-12-07 | 2019-07-16 | 高通股份有限公司 | 感兴趣区的信号发送的系统和方法 |
| CN107197217A (zh) * | 2017-04-19 | 2017-09-22 | 西安空间无线电技术研究所 | 一种星上高帧频图像数据实时切片传输方法 |
| CN112509042A (zh) * | 2020-11-27 | 2021-03-16 | 西安中科星图空间数据技术有限公司 | 一种基于星上控制点库的实时定位方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 景国彬.机载/星载超高分辨率SAR成像技术研究.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2019,(第02期),第C031-28. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113470127A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113470127B (zh) | 基于星载云检测的光学图像有效压缩方法 | |
| Zhang et al. | One-two-one networks for compression artifacts reduction in remote sensing | |
| CN110276257B (zh) | 人脸识别方法、装置、系统、服务器及可读存储介质 | |
| EP3583777A1 (en) | A method and technical equipment for video processing | |
| CN110084113B (zh) | 活体检测方法、装置、系统、服务器及可读存储介质 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| US11477460B2 (en) | Image processing apparatus, learning appratus, image processing method, learning method and program | |
| EP2632161A1 (en) | Hyperspectral image compression | |
| CN111160096A (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
| US11798254B2 (en) | Bandwidth limited context based adaptive acquisition of video frames and events for user defined tasks | |
| CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
| CN111325709A (zh) | 无线胶囊内窥镜图像检测系统及检测方法 | |
| CN114612987A (zh) | 一种表情识别方法及装置 | |
| Korus et al. | Content authentication for neural imaging pipelines: End-to-end optimization of photo provenance in complex distribution channels | |
| CN110942097A (zh) | 基于单像素探测器的免成像分类方法和系统 | |
| US11399142B2 (en) | System and method of processing masking region | |
| US9595113B2 (en) | Image transmission system, image processing apparatus, image storage apparatus, and control methods thereof | |
| CN112052823A (zh) | 目标检测方法和装置 | |
| CN114764792A (zh) | 基于神经网络和嵌入式融合的缆绳探伤系统及方法 | |
| CN115496088A (zh) | 一种高光谱图像的传输方法及装置 | |
| CN111275045A (zh) | 图像的主体识别方法、装置、电子设备和介质 | |
| CN117291802B (zh) | 一种基于复合网络结构的图像超分辨率重建方法及系统 | |
| CN116503704B (zh) | 一种强背景下目标偏振探测系统及其探测方法 | |
| CN117523419B (zh) | 提升确定地物类型信息的精确度的方法、装置及存储介质 | |
| CN109815875B (zh) | 一种用于互联网检测中色彩变换的系统 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 200, building 16, middle section of shuangshenggang Avenue, Shuangliu District, Chengdu, Sichuan Province Patentee after: Chengdu Guoxing Aerospace Technology Co.,Ltd. Address before: No.16, 1st floor, building 7, No.333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan 610000 Patentee before: CHENGDU GUOXING AEROSPACE TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address |