CN115086715A - 一种无人机定量遥感应用的数据压缩方法 - Google Patents

一种无人机定量遥感应用的数据压缩方法 Download PDF

Info

Publication number
CN115086715A
CN115086715A CN202210673676.1A CN202210673676A CN115086715A CN 115086715 A CN115086715 A CN 115086715A CN 202210673676 A CN202210673676 A CN 202210673676A CN 115086715 A CN115086715 A CN 115086715A
Authority
CN
China
Prior art keywords
image
remote sensing
aerial vehicle
unmanned aerial
encoder
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.)
Pending
Application number
CN202210673676.1A
Other languages
English (en)
Inventor
张文豪
朱孟栩
李国洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Institute of Aerospace Engineering
Original Assignee
North China Institute of Aerospace Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Institute of Aerospace Engineering filed Critical North China Institute of Aerospace Engineering
Priority to CN202210673676.1A priority Critical patent/CN115086715A/zh
Publication of CN115086715A publication Critical patent/CN115086715A/zh
Priority to PCT/CN2023/087731 priority patent/WO2023241188A1/zh
Priority to US18/226,038 priority patent/US20230403395A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234309—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4 or from Quicktime to Realvideo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234354—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by altering signal-to-noise ratio parameters, e.g. requantization
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2662—Controlling the complexity of the video stream, e.g. by scaling the resolution or bitrate of the video stream based on the client capabilities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440218—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440254—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by altering signal-to-noise parameters, e.g. requantization

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种无人机定量遥感应用的数据压缩方法，包括以下步骤：对无人机采集的多光谱图像进行预处理；通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；对深层特征信息进行量化和熵编码；通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；通过解码器对最优压缩图像进行重建。通过对多光谱图形进行多次卷积，其包括三维卷积和二维卷积，有利于提高图像重建质量和压缩比；通过将卷积后的深层特征信息进行量化和熵编码，可以进一步除去特征图像中的冗余，进一步提高图像重建质量和压缩比；通过端对端联合训练，将图像的损失与码率调节成最优比例，可实现高压缩比的同时，提高压缩质量，防止块效应、模糊、伪影等问题的出现。

Description

一种无人机定量遥感应用的数据压缩方法
技术领域
本公开涉及压缩方法领域，具体涉及一种无人机定量遥感应用的数据压缩方法。
背景技术
目前，无人机遥感图像的压缩方法有传统图像压缩方法和基于深度学习的图像压缩算法。传统的图像压缩算法主要有三类：基于预测编码方法、基于矢量量化编码方法和基于变换编码方法。基于预测的图像压缩方法是利用图像相邻元素和波段之间的相关性，通过临近元素的上下文信息预测当前像素值，实现图像的压缩。基于预测的图像压缩方法常用的为差分脉冲调制，此方法通过选择预测系数，使图像的残差值达到最小。基于矢量量化的图像压缩方法是将图像的若干标量转化为一个矢量，将矢量空间整体化，从而压缩数据，此方法充分利用图像的相关性，编码性能较高，但是编码难度较大，计算资源耗费极大。基于变换的图像压缩方法是将图像从空间域变换为变换域，在变换域范围内实行压缩编码，常用的变换方法有主成分分析、离散余弦变换、离散小波变换、Karhunen-Loeve变换等。
传统图像压缩方法有基于预测的编码方法、基于矢量量化的编码方法、基于变换的编码方法，这些方法都是对无人机遥感图像的像素值进行压缩，压缩率较低并且会出现不同程度的失真，甚至在高压缩比时由于数据量大，导致计算机内存溢出，从而导致压缩图像出现块效应、模糊、伪影等问题，严重影响无人机遥感图像的定量遥感应用。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种无人机定量遥感应用的数据压缩方法。
第一方面，一种无人机定量遥感应用的数据压缩方法，包括以下步骤：
S100.对无人机采集的多光谱图像进行预处理；
S200.通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；
S300.对深层特征信息进行量化和熵编码；
S400.通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；
S500.通过解码器对最优压缩图像进行重建。
根据本申请实施例提供的技术方案，所述对无人机采集的多光谱图像进行预处理包括以下步骤：
S100.1采集目标地区的多光谱图像；
S100.2利用SIFT算子提取多光谱图像中的特征点，根据特征点信息，拼接成多光谱遥感图像；
S100.3对多光谱遥感图像进行辐射定标，将多光谱遥感图像的DN值转换为地表反射率；
S100.4剪裁多光谱遥感图像，得到256×256像素的多光谱图像。
根据本申请实施例提供的技术方案，所述编码器包括自编码器和超参编码器，所述自编码器用于将N×256×256多光谱图像三维卷积成320×16×16的特征图像；
所述超参编码器用于将320×16×16的特征图像二维卷积成320×4×4的特征图像。
根据本申请实施例提供的技术方案，所述自编码器包括三维卷积层、GDN激活函数；所述三维卷积层采用步长为2的5×5的三维卷积核，所述GDN激活函数用于增加各三维卷积层之间的非线性关系。
根据本申请实施例提供的技术方案，所述编码器还包括和超参编码器，所述超参编码器包括二维卷积层和LeakyReLU激活函数；所述二维卷积层采用步长为2的5×5二维卷积核，所述LeakyReLU激活函数用于增加各二维卷积层之间的非线性关系。
根据本申请实施例提供的技术方案，所述解码器包括自解码器和超参解码器，所述自解码器与所述自编码器互为对称结构，所述超参解码器和所述超参编码器互为对称结构。
根据本申请实施例提供的技术方案，所述对深层特征信息进行量化和熵编码包括以下步骤：
S300.1将特征信息的浮点数据转化为整型；
S300.2通过双高斯模型，对熵编码进行熵估计。
本发明的有益效果：本申请公开一种无人机定量遥感应用的数据压缩方法，首先对无人机采集的图像进行预处理，得到可供使用的多光谱图像，通过编码器将多光谱进行三位卷积和二为卷积，得到深层特征信息实现压缩，再通过对深层特征信息进行量化和熵编码进一步除去特征图像中的冗余，通过端到端联合训练，将调节图像的损失和码率进行最优分配，得到最优压缩图像，最后通过解码器对压缩图像进行重建，以便后续应用。
通过对多光谱图形进行多次卷积，其包括三维卷积和二维卷积，有利于提高图像重建质量和压缩比；通过将卷积后的深层特征信息进行量化和熵编码，可以进一步除去特征图像中的冗余，进一步提高图像重建质量和压缩比；通过端对端联合训练，将图像的损失与码率调节成最优比例，可实现高压缩比的同时，提高压缩质量，防止块效应、模糊、伪影等问题的出现。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一种无人机定量遥感应用的数据压缩方法的原理图；
图2是本申请的一种无人机定量遥感应用的数据压缩方法的数据压缩模型图；
图3是本申请的一种无人机定量遥感应用的数据压缩方法的数据压缩模型图；
图4是本申请的一种无人机定量遥感应用的数据压缩方法的水体提取结果图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
目前，无人机遥感图像的压缩方法有传统图像压缩方法和基于深度学习的图像压缩算法。传统图像压缩方法有基于预测的编码方法、基于矢量量化的编码方法、基于变换的编码方法，这些方法都是对无人机遥感图像的像素值进行压缩，压缩率较低并且会出现不同程度的失真，甚至在高压缩比时会出现块效应、模糊、伪影等问题，严重影响无人机遥感图像的定量遥感应用。
基于深度学习的图像压缩算法虽然在一定程度上提升了图像压缩比和重建质量，但是目前深度学习的图像压缩算法并未考虑到无人机定量遥感应用场景，并且数据源较为单一，多为RGB类型的假彩色数据，并没有针对无人机遥感图像定量遥感应用设计的压缩算法。
本申请为解决上述问题提出一种无人机定量遥感应用的数据压缩方法，如图1所示，包括以下步骤：
S100.对无人机采集的多光谱图像进行预处理；
S100.1采集目标地区的多光谱图像；其中，利用无人机搭载多光谱相机采集目标地区的多光谱图像。
S100.2利用SIFT算子提取多光谱图像中的特征点，根据特征点信息，拼接成多光谱遥感图像；进而实现无人机遥感图像的配准。
S100.3对多光谱遥感图像进行辐射定标，将多光谱遥感图像的DN值转换为地表反射率；其中，利用不变目标法，采用ASD光谱仪测得固定目标的反射率数据，根据不变目标在不同时相下的反射率和无人机遥感图像之间的关系，对遥感图像进行辐射定标，将无人机图像DN值转换为地表反射率，此方法能够将不同传感器采集到的多光谱数据以及具有不同量化标准的数据转换为同一衡量标准，此过程消除了压缩过程中不同传感器造成的仪器误差。
S100.4剪裁多光谱遥感图像，得到256×256像素的多光谱图像。
进一步地，设计面向无人机定量遥感应用的数据压缩模型，其中，压缩模型包括以下S200-S400。
S200.通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；
进一步地，所述编码器包括自编码器和超参编码器，所述自编码器用于将N×256×256多光谱图像三维卷积成320×16×16的特征图像；所述超参编码器用于将320×16×16的特征图像二维卷积成320×4×4的特征图像。
其中，所述自编码器包括三维卷积层、GDN激活函数；所述三维卷积层采用步长为2的5×5的三维卷积核，所述GDN激活函数用于增加各三维卷积层之间的非线性关系。其中，GDN激活函数为公式(1)。
Figure BDA0003690558200000051
工作原理：预处理后的无人机遥感图像裁剪为n×256×256大小的图像，首先利用三维卷积结构提取多光谱图像波段之间的光谱信息。三维卷积层的卷积核大小为n×1×1，使用小卷积核提取多光谱图像的光谱特征，利用卷积核尺寸为5、步长为2、padding为2的卷积层对输入图像进行卷积操作，得到192个大小为128×128的特征图，然后利用GDN激活函数连接两个卷积层，GDN激活函数用于增加卷积神经网络各层之间的非线性关系。三维卷积层的卷积核大小为n×1×1，使用小卷积核提取多光谱图像的光谱特征，避免了数据量过大导致计算机内存溢出的问题。
其中，所述超参编码器包括二维卷积层和LeakyReLU激活函数；所述二维卷积层采用步长为2的5×5二维卷积核，所述LeakyReLU激活函数用于增加各二维卷积层之间的非线性关系。其中，LeakyReLU激活函数为公式(2)。
Figure BDA0003690558200000061
工作原理：如图2所示，前四个卷积层和连接卷积层之间GDN激活函数构成了一个基本的自编码器，自编码器对图像数据的压缩还存在进一步提升的空间，设计了超参编码器，放置在自编码器之后，超参编码器将自编码器输出的320×16×16的特征图像作为输入图像，采用卷积核尺寸为3、步长为1、padding为1的卷积层对特征图像进行处理，得到一个新的320×16×16的特征图像，然后利用卷积核尺寸为5、步长为2、padding为2的卷积层对新的特征图像进行下采样，采用LeakyReLU激活函数增加网络各卷积层之间的非线性关系，最后得到一组320×4×4的特征向量，超参编码器进一步降低了数据维度，提取到图像的深层特征信息。
S300.对深层特征信息进行量化和熵编码；
S300.1将特征信息的浮点数据转化为整型；
其中，自编码器提取得到的图像特征数据为浮点型数据，浮点数据存储时会占用大量的存储空间，需要对特征数据进行量化处理。量化处理会将浮点型数据量化成整型，量化过程存在一部分的信息损失，会对重建图像的质量造成一定的影响。量化结构的原理是将特征图像的浮点数据转换为整型，其公式如公式(3)所示：
Figure BDA0003690558200000062
图像经过自编码器提取特征和量化之后，还存在冗余去除不彻底的情况，需要依赖高效的熵编码环节去除量化后特征图像中的冗余，进一步提高编码性能。本部分熵编码采用的为算术编码，能够无损的去除特征图像中的冗余。
S300.2通过双高斯模型，对熵编码进行熵估计。
其中，在端到端的图像压缩系统中，熵编码的结果需要精确的码率估计，熵编码过程中利用潜在特征的先验概率模型进行符号概率估计。引入信息
Figure BDA0003690558200000063
来对
Figure BDA0003690558200000064
的分布进行估计。高斯混合模型具有更加强大的数据分布近似能力。通过增加高斯混合模型中高斯模型的数量，可以逼近任何连续的数据概率分布，本文使用双高斯模型进行熵估计，双高斯模型
Figure BDA0003690558200000065
的分布函数如公式(4)所示：
Figure BDA0003690558200000071
S400.通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；
其中，对于端到端的编码，率-失真优化是对图像失真和压缩码率的联合调优，码率估计和图像失真的调优结果将直接影响整个端到端卷积神经网络图像压缩算法的优化效果。为了更好地优化图像的压缩性能，端到端卷积神经网络图像压缩算法的率-失真优化采用的损失函数如公式(5)所示：
Figure BDA0003690558200000072
其中，D表示失真，原始图像与重建图像的均方误差代表图像的失真程度；R表示码率；λ表示失真与码率的平衡系数；
Figure BDA0003690558200000073
代表失真度；
Figure BDA0003690558200000074
和
Figure BDA0003690558200000075
代表
Figure BDA0003690558200000076
与
Figure BDA0003690558200000077
的码率；损失函数是由端到端卷积神经网络图像压缩算法的码率和原始图像与重建图像之间的损失值组成。端到端卷积神经网络图像压缩算法的码率估计如公式(6)(7)所示：
Figure BDA0003690558200000078
Figure BDA0003690558200000079
进一步地，
Figure BDA00036905582000000710
和
Figure BDA00036905582000000711
代表
Figure BDA00036905582000000712
与
Figure BDA00036905582000000713
的分布。端到端卷积神经网络图像压缩算法训练过程中，不断调节图像的损失和码率的分配，使得图像损失和码率之间达到均衡，既保证图像的重建质量，又保证图像的压缩效率。
S500.通过解码器对最优压缩图像进行重建。
重建图像采用的是自解码器和超参解码器，自解码器采用和自编码器完全对称的结构，自解码器包含反卷积层、IGDN激活函数和LeakyReLU激活函数。IGDN激活函数的公式如(8)所示。
zi (n+1)＝(βi+∑γij|zj|aij)εiyi (8)
工作原理：如图3所示，自编码器得到的尺寸为320×4×4的特征向量输入自解码器，利用卷积核尺寸为5、步长为2、padding为2的卷积层对输入图像进行反卷积操作，得到320个大小为8×8的特征图，IGDN激活函数和LeakyReLU激活函数连接两个卷积层，用于增加压缩网络各层之间的非线性关系。前三个卷积层和连接卷积层之间LeakyReLU激活函数构成了超参解码器，超参解码器之后为解码器。解码器采用和编码器对应的结构，将特征图像还原为尺寸为n×256×256的特征向量。利用GDAL将n×256×256的特征向量还原成带有坐标信息的重建图像。
图像拼接与融合处理将自解码器将尺寸为256×256带有坐标信息的重建图像进行拼接与融合处理，将若干个256×256大小的图像拼接成一整张图像。
实施例2
如图4所示，无人机遥感图像的定量遥感应用，定量遥感应用采用不同地物类型的识别，具体如下：叶面积指数NDVI、水体指数NDWI。
叶面积指数NDVI是反映农作物长势和营养信息的重要参数之一，计算原理是近红外波段的反射值与红光波段的反射值之差比上两者之和，计算如公式(9)所示。
Figure BDA0003690558200000081
其中，NIR为近红外波段的反射值，R为红光波段的反射值。
水体指数NDWI是反映水体信息的重要参数之一，计算原理是绿波段的反射值与近红外波段的反射值之差比上两者之和。计算如公式(10)所示。
Figure BDA0003690558200000082
其中，NIR为近红外波段的反射值，G为绿波段的反射值。
通过计算无人机遥感图像的叶面积指数NDVI、水体指数NDWI，对无人机遥感图进行定量遥感应用，完成不同地物类型的识别与分类。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种无人机定量遥感应用的数据压缩方法，其特征在于：包括以下步骤：
S100.对无人机采集的多光谱图像进行预处理；
S200.通过编码器，依次对多光谱图像中进行三维卷积和二维卷积，得到深层特征信息；
S300.对深层特征信息进行量化和熵编码；
S400.通过端到端联合训练，对图像的损失和码率进行最优分配，得到最优压缩图像；
S500.通过解码器对最优压缩图像进行重建。
2.根据权利要求1所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述对无人机采集的多光谱图像进行预处理包括以下步骤：
S100.1采集目标地区的多光谱图像；
S100.2利用SIFT算子提取多光谱图像中的特征点，根据特征点信息，拼接成多光谱遥感图像；
S100.3对多光谱遥感图像进行辐射定标，将多光谱遥感图像的DN值转换为地表反射率；
S100.4剪裁多光谱遥感图像，得到256×256像素的多光谱图像。
3.根据权利要求1所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述编码器包括自编码器和超参编码器，所述自编码器用于将N×256×256多光谱图像三维卷积成320×16×16的特征图像；所述超参编码器用于将320×16×16的特征图像二维卷积成320×4×4的特征图像。
4.根据权利要求3所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述自编码器包括三维卷积层、GDN激活函数；所述三维卷积层采用步长为2的5×5的三维卷积核，所述GDN激活函数用于增加各三维卷积层之间的非线性关系。
5.根据权利要求4所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述编码器还包括和超参编码器，所述超参编码器包括二维卷积层和LeakyReLU激活函数；所述二维卷积层采用步长为2的5×5二维卷积核，所述LeakyReLU激活函数用于增加各二维卷积层之间的非线性关系。
6.根据权利要求5所述的一种无人机定量遥感应用的数据压缩方法，其特征在于：所述解码器包括自解码器和超参解码器，所述自解码器与所述自编码器互为对称结构，所述超参解码器和所述超参编码器互为对称结构。
7.根据权利要求1所述的一种无人机定量遥感应用的数据压缩方法，其特征在于，所述对深层特征信息进行量化和熵编码包括以下步骤：
S300.1将特征信息的浮点数据转化为整型；
S300.2通过双高斯模型，对熵编码进行熵估计。
CN202210673676.1A 2022-06-13 2022-06-13 一种无人机定量遥感应用的数据压缩方法 Pending CN115086715A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210673676.1A CN115086715A (zh) 2022-06-13 2022-06-13 一种无人机定量遥感应用的数据压缩方法
PCT/CN2023/087731 WO2023241188A1 (zh) 2022-06-13 2023-04-12 一种无人机定量遥感应用的数据压缩方法
US18/226,038 US20230403395A1 (en) 2022-06-13 2023-07-25 Data compression method for quantitative remote sensing with unmanned aerial vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210673676.1A CN115086715A (zh) 2022-06-13 2022-06-13 一种无人机定量遥感应用的数据压缩方法

Publications (1)

Publication Number Publication Date
CN115086715A true CN115086715A (zh) 2022-09-20

Family

ID=83251991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210673676.1A Pending CN115086715A (zh) 2022-06-13 2022-06-13 一种无人机定量遥感应用的数据压缩方法

Country Status (2)

Country Link
CN (1) CN115086715A (zh)
WO (1) WO2023241188A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023241188A1 (zh) * 2022-06-13 2023-12-21 北华航天工业学院 一种无人机定量遥感应用的数据压缩方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160565A1 (en) * 2018-11-19 2020-05-21 Zhan Ma Methods And Apparatuses For Learned Image Compression
CN114422784A (zh) * 2022-01-19 2022-04-29 北华航天工业学院 一种基于卷积神经网络的无人机多光谱遥感影像压缩方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861143B2 (en) * 2017-09-27 2020-12-08 Korea Advanced Institute Of Science And Technology Method and apparatus for reconstructing hyperspectral image using artificial intelligence
CN111405283B (zh) * 2020-02-20 2022-09-02 北京大学 基于深度学习的端到端视频压缩方法、系统及存储介质
CN112734867B (zh) * 2020-12-17 2023-10-27 南京航空航天大学 一种基于空谱特征分离提取的多光谱图像压缩方法及系统
CN113554720A (zh) * 2021-07-22 2021-10-26 南京航空航天大学 一种基于多方向卷积神经网络的多光谱图像压缩方法及系统
CN113628290A (zh) * 2021-07-28 2021-11-09 武汉大学 基于3d卷积自编码器的波段自适应高光谱图像压缩方法
CN115086715A (zh) * 2022-06-13 2022-09-20 北华航天工业学院 一种无人机定量遥感应用的数据压缩方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160565A1 (en) * 2018-11-19 2020-05-21 Zhan Ma Methods And Apparatuses For Learned Image Compression
CN114422784A (zh) * 2022-01-19 2022-04-29 北华航天工业学院 一种基于卷积神经网络的无人机多光谱遥感影像压缩方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Research_on_UAV_remote_sensing_multispectral_image1-ompression_based_on_CNN" *
MENGXU ZHU ET AL.: "Research on UAV remote sensing multispectral image compression based on CNN", 《 2022 3RD INTERNATIONAL CONFERENCE ON GEOLOGY, MAPPING AND REMOTE SENSING (ICGMRS)》, pages 620 - 624 *
彭望琭等: "《中国遥感卫星应用技术 上册》", 31 October 2021, pages: 77 - 79 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023241188A1 (zh) * 2022-06-13 2023-12-21 北华航天工业学院 一种无人机定量遥感应用的数据压缩方法

Also Published As

Publication number Publication date
WO2023241188A1 (zh) 2023-12-21

Similar Documents

Publication Publication Date Title
US7319796B1 (en) Adaptive hyperspectral data compression
CN109727207B (zh) 基于光谱预测残差卷积神经网络的高光谱图像锐化方法
CN109859110B (zh) 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法
US20220301114A1 (en) Noise Reconstruction For Image Denoising
Huber-Lerner et al. Compression of hyperspectral images containing a subpixel target
Fischer et al. Sparse overcomplete Gabor wavelet representation based on local competitions
Meyer-Bäse et al. Medical image compression using topology-preserving neural networks
CN110544212A (zh) 基于层级特征融合的卷积神经网络高光谱图像锐化方法
CN114067007A (zh) 图像处理方法与装置、神经网络训练的方法与装置
CN111915518B (zh) 基于三重低秩模型的高光谱图像去噪方法
Dua et al. Compression of multi-temporal hyperspectral images based on RLS filter
CN115086715A (zh) 一种无人机定量遥感应用的数据压缩方法
Sheppard et al. A vector quantizer for image restoration
CN113962882A (zh) 一种基于可控金字塔小波网络的jpeg图像压缩伪影消除方法
Kozhemiakin et al. Lossy compression of Landsat multispectral images
Nandal et al. Modified PCA transformation with LWT for high-resolution based image fusion
Meenakshisundaram Quality assessment of IKONOS and Quickbird fused images for urban mapping
CN110807746B (zh) 一种基于细节内嵌注入卷积神经网络高光谱图像锐化方法
CN115131258A (zh) 一种基于稀疏张量先验的高光谱、多光谱和全色图像融合方法
Kim et al. DWT-based scene-adaptive color quantization
CN111107360B (zh) 一种光谱-空间维联合的高光谱图像无损压缩方法及系统
US20230403395A1 (en) Data compression method for quantitative remote sensing with unmanned aerial vehicle
CN109785253B (zh) 一种基于增强反投影的全色锐化后处理方法
Schmalz et al. Data compression techniques for underwater imagery
Karaca et al. MultiTempGAN: multitemporal multispectral image compression framework using generative adversarial networks

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