(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210746586.0
(22)申请日 2022.06.28
(71)申请人 武汉大学
地址 430072 湖北省武汉市武昌区珞珈山
街道八一路2 99号
(72)发明人 王密 肖晶 王慧雯
(74)专利代理 机构 武汉科皓知识产权代理事务
所(特殊普通 合伙) 42222
专利代理师 严彦
(51)Int.Cl.
G06V 20/13(2022.01)
G06V 10/54(2022.01)
G06V 10/82(2022.01)
G06V 10/74(2022.01)
G06V 10/80(2022.01)G06T 3/40(2006.01)
G06T 9/00(2006.01)
G06T 7/00(2017.01)
(54)发明名称
一种基于参考影像纹理迁移的遥感影像压
缩方法及系统
(57)摘要
本发明提供一种参考历史影像的高分辨率
光学遥感影像压缩方法及系统, 包括数据准备,
将找到的参考影像与待压缩的重访影像做配准,
然后裁剪影像作为训练数据和测试数据; 设置基
于参考纹理迁移的光学遥感影像深度学习压缩
模型, 采用先降采样后超分的基于学习的网络架
构, 以原图的重构损失、 低分影像重构损失和编
码代码的熵作为损失函数训练设置的网络, 得到
训练好的光学遥感影像压缩模型; 基于训练好的
光学遥感影像压缩模型, 输入待压缩的光学遥感
影像, 提取压缩后的影像并进行质量评估。 本发
明对于相关性弱的参考区域, 采用自纹理学习的
方法替代 参考纹理迁移, 不仅可以有效地改善高
分遥感影像的压缩图像质量, 而且 具有更灵活的
率失真优化。
权利要求书3页 说明书13页 附图4页
CN 115131675 A
2022.09.30
CN 115131675 A
1.一种参 考历史影 像的高分辨 率光学遥感影 像压缩方法, 包括以下步骤:
步骤A, 数据准备, 将找到的参考影像与待压缩的重访影像做配准, 然后裁剪影像作为
训练数据和 测试数据;
步骤B, 设置基于参考纹理迁移的光学遥感影像深度学习压缩模型, 采用先降采样后超
分的基于学习的网络架构, 进行相应训练时包括以下处 理,
影像纹理特征的提取, 包括利用可学习的纹理提取器从参考影像与当前影像中分布提
取纹理特征, 将标准内积作为相似性构造硬注意力映射H与软注意力映射S, 记录参考影像
中与当前影 像相关纹 理的位置与置信度;
先降采样后超分的编解码, 包括对当前影像做降采样过滤掉大部分的空间信息, 在解
码时先重构出降采样后的低分影像, 然后通过引入参考影像作为辅助信息的超分网络对降
采样做相应超分, 恢复出原分辨 率大小的重构图像;
步骤C, 以原图的重构损失、 低分影像重构损失和编码代码的熵作为损失函数训练步骤
B中设置的网络, 得到训练好的光学遥感影 像压缩模型;
步骤D, 基于步骤C所训练好的光学遥感影像压缩模型, 输入待压缩的光学遥感影像, 提
取压缩后的影 像并进行质量评估。
2.根据权利要求1所述参考历史影像的高分辨率光学遥感影像压缩方法, 其特征在于:
可学习的纹理提取器是一个浅层神经网络, 用于从输入图像中提取出纹理特征, 依 次包括
CONV、 CONV、 PO OL、 CONV、 CONV、 PO OL和CONV, 其中CONV为卷积层, PO OL为池化层。
3.根据权利要求1所述参考历史影像的高分辨率光学遥感影像压缩方法, 其特征在于:
步骤D中会将参考图像的相似度作为评判依据, 进行基于参考纹理的自适应压缩方法和自
适应降采样方法。
4.根据权利要求1或2或3所述参考历史影像的高分辨率光学遥感影像压缩方法, 其特
征在于: 基于参考纹理迁移的光学遥感影像深度学习压缩模型中, 先降采样后超分的编解
码实现原理如下,
编码时, 设从当前影像和参考影像中提取的特征分别为Q和K, 且
c为维
度,
为实数域, 把特征从像素维度(h ×w)展开, 把特征K和Q从像素维度(h ×w)将特征展开
为逐个向量unfo ld(K)、 unfo ld(Q), 如下式:
Q中的每个子特征qi与K中的每个子特征kj计算它们 之间的相关性, 计算公式采用标准
内积:
由上述相关性可以得到硬注意力映射和软注意力映射, 硬注意力映射H的第i个分量
软注意力映射S的第i分量
其中软注意力映射的均值
用于作为衡量参考影像与当前影像相似度的指标, 指导模权 利 要 求 书 1/3 页
2
CN 115131675 A
2型进行自适应压缩和自适应降采样;
解码时, 利用低分影像的上采样图像提取的特征Q'和参考图像特征K计算硬注意力映
射H和软注 意力映射S, 实现方式和 编码端相同; 然后 构造可迁移的纹理特征, 利用硬注 意力
机制从参考纹理特征中找到相似性最高的分量, 这些分量组成可迁移的纹理特征, 公式如
下,
其中, ti为T的第i分量,
为按照硬注意力映射在特征K的分量中搜索到的对 应位置i的
特征分量;
对于采用了自适应压缩中的自纹理参考模型的区域, 需要对特征T进行修正, 实现方式
是从经过了粗压缩的高分图像块中提取纹理特征块, 从码流中读取出采用了自纹理参考区
域的位置, 用此 纹理特征替代原特征T中对应位置特征分量的数值, 每一块替换的区域长宽
为原来特 征T的1/4;
经过修正后的特征T就是接下来输入超分生成网络的可迁移纹理特征, 在做超分之前
还需要做特 征的融合, 公式如下:
其中, Fout是输出的融合特征, Conv和Concat分别表示卷积操作和张量的拼接操作,
是
两边矩阵对应位置上的元 素求积的运 算;
最终将融合特 征输入超分生成网络 输出原分辨 率影像的重构影 像。
5.根据权利要求1或2或3所述参考历史影像的高分辨率光学遥感影像压缩方法, 其特
征在于: 步骤C中, 以原图的重构损失、 低分影像重构损失和编码代码的熵作为损失函数训
练步骤B的网络 。
6.一种参考历史影像的高分辨率光学遥感影像压缩系统, 其特征在于: 用于实现如权
利要求1‑5任一项所述的一种参 考历史影 像的高分辨 率光学遥感影 像压缩方法。
7.根据权利要求6所述参考历史影像的高分辨率光学遥感影像压缩系统, 其特征在于:
包括以下模块,
第一模块, 用于数据准备, 将找到的参考影像与待压缩的重访影像做配准, 然后裁剪影
像作为训练数据和 测试数据;
第二模块, 用于设置基于参考纹理迁移 的光学遥感影像深度学习压缩模型, 采用先降
采样后超分的基于学习的网络架构, 进行相应训练时包括以下处 理,
影像纹理特征的提取, 包括利用可学习的纹理提取器从参考影像与当前影像中分布提
取纹理特征, 将标准内积作为相似性构造硬注意力映射H与软注意力映射S, 记录参考影像
中与当前影 像相关纹 理的位置与置信度;
先降采样后超分的编解码, 包括对当前影像做降采样过滤掉大部分的空间信息, 在解
码时先重构出降采样后的低分影像, 然后通过引入参考影像作为辅助信息的超分网络对降
采样做相应超分, 恢复出原分辨 率大小的重构图像;
第三模块, 用于以原图的重构损 失、 低分影像重构损 失和编码代码的熵作为损 失函数
训练网络, 得到训练好的光学遥感影 像压缩模型;权 利 要 求 书 2/3 页
3
CN 115131675 A
3
专利 一种基于参考影像纹理迁移的遥感影像压缩方法及系统
文档预览
中文文档
21 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共21页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:28:56上传分享