【技术实现步骤摘要】
本专利技术涉及图像压缩技术，具体涉及一种基于线性调频的卫星图像压缩方法。
技术介绍
1、图像压缩作为计算机图像处理的关键环节，面临着日益增长的图像信息存储与传输需求的挑战。随着技术发展，神经网络为图像压缩方法研究方向提供了新的思路。现有技术cn 118741145a公开了一种卫星图像的性能均衡压缩方法，该方法通过对图像进行组合排列，从多图像系统的角度把图像优良的压缩性能和图像压缩较差性能进行均衡，克服了木桶效应对图像压缩实用性的影响，克服了jpeg2000标准压缩算法对多幅图像压缩质量差别过大的缺陷，不增加复杂度提升了标准压缩算法的性能，具有易于软硬件升级实现的特点，在卫星图像压缩传输系统中具有实用价值。
2、上述专利技术虽然存在众多优点，但在使用时仍存在如下优点：该专利技术本质上还是jpeg2000的传统压缩方法，类似jpeg的传统图像压缩技术受限于其算法架构，不可避免地会在重建图像中产生显著的块状失真现象。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的基于线性调频的卫星图像压缩方法解决了现有技术在图像压缩时存在失真的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、提供一种基于线性调频的卫星图像压缩方法，其包括步骤：
4、s1、获取卫星图像，并采用自适应分块方法对卫星图像进行分块，以将卫星图像中的不同射影变换分开，得到若干图像分块；
5、s2、将所有的图像分块输入已训练的神经网络模
6、s3、根据每个图像分块对应的chirp变换参数，对每个图像分块进行离散chirp变换，以实现图像域到chirp频谱域的转换；
7、s4、在chirp频谱域中，对频率分量的幅度进行量化，以将连续的频谱系数映射到离散的集合中；
8、s5、采用无损算法对步骤s4中所有图像分块的量化结果进行压缩，之后采用编码器对压缩后的频谱数据进行编码，完成卫星图像的压缩。
9、进一步地，采用自适应分块方法对卫星图像进行分块的方法包括：
10、s11、将卫星图像划分为若干互不重叠的图像分块，并设定匹配度参数的初始值；
11、s12、采用二维射影熵模型计算每个图像分块的二维射影熵，并计算被分块的分块对应的所有图像分块的二维射影熵均值，二维射影熵模型为：
12、
13、其中，g为二维射影熵；l为卫星图像的灰度等级；pij为图像分块中的灰度均值对(i，j)发生的概率；gij为图像分块中像素的频率变化趋势与射影变换参数的匹配度参数；f(i，j)为图像分块中灰度值为i、邻域灰度均值为j的像素点出现的频数；npairs为图像分块中灰度均值对的总数量；δθq为第q个灰度均值对的射影变换参数差异；b＝min{nl，nw}为卫星图像的大小，nl为卫星图像的长度，nw为卫星图像的宽度；
14、s13、判断每个图像分块的二维射影熵是否大于其对应的二维射影熵均值或者图像分块的尺寸是否小于设定尺寸，若任一满足，则进入步骤s14，否则当前的图像分块停止分块；
15、s14、对当前的图像分块进行再次分块，得到尺寸等于预设尺寸的若干图像分块，之后返回步骤s12。
16、进一步地，对卫星图像进行第一次分块时，得到的图像分块的数量b的表达式为b＝(nl×nw)/(b×b)；在进行每次图像分块时，得到的图像分块的大小为[(b/2k―1)×(b/2k―1)]，k为当前的图像分块进行分块的次数。
17、进一步地，对每个图像分块进行离散chirp变换的表达式为：
18、
19、其中，为离散chirp变换；为频域的映射；为为射影变换后的图像灰度值二位分布；为图像的灰度值的二维分布；为神经网络模型预测的chirp变换参数；e为自然对数；为图像分块中的第j个像素点；δa为图像分块的面积；n为图像分块中像素点的总数量。
20、进一步地，基于线性调频的卫星图像压缩方法还包括对压缩后的卫星图像进行解压操作：
21、s6、对压缩后的卫星图像进行熵解码，以对压缩数据进行恢复；
22、s7、对熵解码的数据进行离散chirp逆变换，将处理过的频谱数据转换回图像空间，之后进行卫星图像的重建；进行离散chirp逆变换的表达式为：
23、
24、进一步地，所述神经网络模型为自回归网络、循环神经网络、长短时记忆网络、门控循环单元或门控注意力机制transformer；
25、神经网络模型进行训练时的数据集包括若干图像块及每个图像块对应的chirp变换参数，若干图像块为神经网络模型的输入，chirp变换参数为神经网络模型的输出。
26、进一步地，对卫星图像进行分块时，还包括：
27、s15、对所有图像分块进行分组，将相同大小的图像分块划分为同一组，得到若干分组，并计算每个分组占所有图像分块的比例；
28、s16、根据卫星图像的采样率和每个分组的比例，确定每个分组中的图像分块的采样频率和采样次数；
29、s17、根据每个图像分块的采样次数，基于分块压缩感知理论构造相应的测量矩阵进行压缩测量，同一组内所有图像分块使用相同的测量矩阵；
30、s18、根据图像分块对应的测量矩阵和图像分块对应的灰度值向量，生成每个图像分块的测量值向量作为最终的图像分块。
31、进一步地，步骤s16进一步包括：
32、s161、根据卫星图像的采样频率和每个分组的比例，计算组内每个图像分块的采样频率和采样次数：
33、rn＝sr×pn，mn＝rn×(b/2k―1)2
34、其中，rn为每个分组中图像分块的采样频率；sr为卫星图像的采样率；pn为每个分组的比例；mn为每个分组中的图像分块的采样次数；b为卫星图像的大小；
35、s162、判断每个图像分块的采样次数是否大于采样上界，若是，则进入步骤s163，否则得到每个图像分块的采样次数；
36、s163、将超出采样上界的次数平均分配给其他分组，直至每个分组中每个图像分块的采样次数小于等于采样上界；
37、采样上界upper的表达式为：upper＝0.9×(b/2k―1)2。
38、本专利技术的有益效果为：本方案进行图像分块与jpeg等传统压缩方法中的图像分块目的不同，传统压缩方法中的分块目的在于对每个分块进行独立并行处理，从而提升整个变换编码的算法效率；本方案自适应分块是为了将图像中不同的局部畸变也就是不同的射影变换分开，从而通过神经网络模型在每个不同的局部畸变上拟合出对应的chirp变换，使之达到更好的压缩率，以防止压缩再重建的图像出现失真的问题，以保证重建后的图像的质量。
39、本方法计算的二维射影熵不仅能够反映图像块的复杂度，还能够反映图像块是否适合chirp变换，以及能够帮助确本文档来自技高网...
【技术保护点】
1.一种基于线性调频的卫星图像压缩方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于线性调频的卫星图像压缩方法，其特征在于，采用自适应分块方法对卫星图像进行分块的方法包括：
3.根据权利要求2所述的基于线性调频的卫星图像压缩方法，其特征在于，对卫星图像进行第一次分块时，得到的图像分块的数量b的表达式为b＝(NL×Nw)/(B×B)；在进行每次图像分块时，得到的图像分块的大小为[(B/2k-1)×(B/2k-1)]，k为当前的图像分块进行分块的次数。
4.根据权利要求1所述的基于线性调频的卫星图像压缩方法，其特征在于，对每个图像分块进行离散chirp变换的表达式为：
5.根据权利要求1所述的基于线性调频的卫星图像压缩方法，其特征在于，还包括对压缩后的卫星图像进行解压操作：
6.根据权利要求1-5任一所述的基于线性调频的卫星图像压缩方法，其特征在于，所述神经网络模型为自回归网络、循环神经网络、长短时记忆网络、门控循环单元或门控注意力机制Transformer；
7.根据权利要求2所述的基于线性调频的卫星图
8.根据权利要求7所述的基于线性调频的卫星图像压缩方法，其特征在于，步骤S16进一步包括：
...【技术特征摘要】
1.一种基于线性调频的卫星图像压缩方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于线性调频的卫星图像压缩方法，其特征在于，采用自适应分块方法对卫星图像进行分块的方法包括：
3.根据权利要求2所述的基于线性调频的卫星图像压缩方法，其特征在于，对卫星图像进行第一次分块时，得到的图像分块的数量b的表达式为b＝(nl×nw)/(b×b)；在进行每次图像分块时，得到的图像分块的大小为[(b/2k-1)×(b/2k-1)]，k为当前的图像分块进行分块的次数。
4.根据权利要求1所述的基于线性调频的卫星图像压缩方法，其特征在于，对每个图像...
【专利技术属性】
技术研发人员：韩笑冬，孙国皓，季袁冬，金宗轩，侯雪娟，江秀强，宁召柯，王亚坤，王睿，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。