基于卷积神经网络的高分六号卫星多光谱图像压缩

摘要：

高分六号多光谱图像的空间冗余和谱间冗余较高,为了降低高分六号多光谱图像所占用的存储空间,提高国产高分多光谱图像的压缩效率,提出一种基于卷积神经网络的端到端多光谱图像压缩模型SMIC.SMIC模型由自编码器、量化结构、熵编码3个部分组成.自编码器通过卷积下采样提取图像的特征,降低数据的空间维度.量化结构采用多进制量化将特征矩阵离散化,减少图像压缩过程中的信息损失.熵编码采用高斯混合模型进行编码,降低码流,减少图像所占用的存储空间.实验结果表明:在相同码率下SMIC模型的高分六号多光谱图像压缩效果明显优于传统图像压缩算法JPEG,重建图像的质量明显提高,图像的峰值信噪比较JPEG高约2 dB,且SMIC重建图像的误差值主要集中在[-100,100]范围内,区间占比达到80%以上;SMIC模型重建图像的NDVI与原始图像NDVI的决定系数R2 为 0.93;SMIC模型的冬小麦提取准确率为 87.16%,误检率为 4.47%,冬小麦提取结果验证了SMIC模型能够满足部分定量遥感的应用需求.

关键词：图像压缩、卷积神经网络、高分六号、多光谱图像、自编码器

所属期刊栏目：49

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金;河北省自然科学基金;河北省高等学校科学技术研究项目;北华航天工业学院博士科研启动基金项目;高分辨率对地观测系统重大专项;国家重点研发计划;国家重点研发计划;民用航天预研项目;国防基础科研项目

在线出版日期：2023-09-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：287-294