基于深度学习的大倍率遥感影像压缩技术研究

发布时间：2021-01-15 23:46

　　近年来,随着遥感卫星数目的增加以及遥感影像分辨率的提升,遥感影像的数据规模正呈几何级增长。遥感影像规模的提升使得遥感应用数据源对质量更高,内容更加多样化,同时也增加了遥感影像存储与传输的困难。发展遥感影像大倍率压缩技术,有利于缓解遥感影像存储与传输的压力。然而,现有基于变换的方法进行大倍率压缩（>=32倍率）任务时,会产生视觉失真,高频信息丢失严重,高光谱遥感影像压缩任务算法复杂度高等问题。针对以上问题,本文将深度学习引入遥感影像压缩任务,通过记忆大量的分块遥感影像数据,实现遥感影像的稀疏表征以及高维到低维的映射,进而达到遥感影像大倍率压缩的要求,本文主要工作如下:1、针对视觉失真的问题,设计了一种基于稀疏栈式自编码器的大倍率遥感影像压缩方法。其基本思想为:首先,通过堆叠稀疏自编码器搭建栈式稀疏自编码器网络。其次,在损失函数中引入结构相似性度量项,使其与影像保真项联合度量,增强遥感影像的视觉效果。最后,对网络末端隐藏层的输出进行量化编码,转换为二进制码流,实现大倍率压缩。实验结果表明,该方法在大倍率压缩任务中,相较SPIHT与JPEG方法的SSIM指标和PSNR指标均有提升,并且... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：106 页

【学位级别】：硕士

【部分图文】：

深层网络的结构示意图

函数在神经网络中得到了广泛应用。特别的，Relu 函数的求导简单，并且具有良好的稀疏性，在神经网络和深度学习技术中得到了更为广泛的应用。图1.3 四种激活函数的对比曲线示意图

图1.4 LeNet-5 卷积神经网络结构示意图[31]基于神经网络的思想，1989 年，LeCun 团队提出了 LeNet-5 卷积神经网络(Convolutional Neural Network)[31]，这是最早被提出来的一种深层网络模型，其网络结构如图 1.4 所示。LeNet-5 共由 7 层组成，其中包含 2 个卷积层，2 个下采样层以及2 个连接层，1 个高斯连接层。通过卷积层提取特征，降低参数的数量；通过下采样层降维，提取特征；全连接层负责降维，将二维的特征图转换为一维的向量；高斯连接层负责输出各类的概率信息并实现分类。2012 年的 ImageNet 竞赛中，Krizhevsky 等人[32]训练了一种 8 层的深度卷积神经网络 AlexNet，它由 5 个卷积层和 3 个全连接层组成。Krizhevsky 等人成功借助了ImageNet 数据集、GPU 的强大计算能力、Relu 函数、局部响应归一化(LRN， LocalResponse Normalization)技术与剪枝(Dropout)等优化技巧，同时采取训练数据扩充策略，最终赢得了 2012 年的 ILSVRC 的冠军，错误率为 15.32%。2013 年，Szegedy 等人[33]改变了损失函数，并去掉了顶层的 softmax 分类器，将神经网络转换成为回归问题。同年，Zeiler 等人[34]提出了 ZF-Net，借助反卷积技术，以及绘制特征图的方式，


本文编号：2979734