亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于卷積神經(jīng)網(wǎng)絡的高分六號衛(wèi)星多光譜圖像壓縮

        2023-09-18 04:36:10朱孟栩張文豪李國洪顧行發(fā)鄭逢杰張麗麗邴芳飛唐健雄
        計算機工程 2023年9期
        關鍵詞:模型

        朱孟栩,張文豪,李國洪,顧行發(fā),余 濤,4,鄭逢杰,張麗麗,4,吳 俁,邴芳飛,唐健雄

        (1.北華航天工業(yè)學院 遙感信息工程學院,河北 廊坊 065000;2.河北省航天遙感信息處理與應用協(xié)同創(chuàng)新中心,河北 廊坊 065000;3.中國科學院空天信息創(chuàng)新研究院 遙感衛(wèi)星應用國家工程實驗室,北京 100094;4.中科空間信息(廊坊)研究院,河北 廊坊 065001;5.航天工程大學 航天信息學院,北京 101416;6.天津大學 地球系統(tǒng)科學學院,天津 300072)

        0 概述

        隨著傳 感器技術的發(fā)展,星載多光譜圖像的應用越來越廣泛,多光譜圖像包含更加豐富的光譜信息和空間信息。相對于單色圖像,多光譜圖像在農業(yè)、林業(yè)、國土、環(huán)保、氣象、軍事等領域有更大的應用價值。高分六號(Gaofen No.6,GF-6)衛(wèi)星的多光譜圖像在高分一號的基礎上增加了紅邊波段,紅邊波段能夠有效反映作物的光譜特性,在農業(yè)生產方面有著極高的應用價值[1]。GF-6 衛(wèi)星的多光譜圖像實現(xiàn)了高分辨率和寬覆蓋的結合,空間分辨率達到16 m,幅寬達到800 km,具有8 個光譜波段,這使得圖像包含了更豐富的觀測信息。但是,由于其單景影像所占存儲空間達到了10 GB 以上,對多光譜圖像的傳輸和存儲帶來了極大困難,制約了多光譜圖像的應用與發(fā)展。因此,高性能的多光譜圖像壓縮算法成為多光譜成像技術的重要研究方向。

        傳統(tǒng)的多光譜圖像壓縮算法主要包括基于預測的編碼方法[2]、基于矢量量化的編碼方法[3]和基于變換的多光譜圖像壓縮方法[4]這3 類:

        1)基于預測的多光譜圖像壓縮方法是利用像素與波段之間的相關性,通過上下文信息預測當前像素值,實現(xiàn)多光譜圖像的壓縮。該類方法為無損壓縮,能夠無損地重建圖像,但是圖像的壓縮率不夠理想,并且壓縮率會隨圖像的不同而出現(xiàn)較大的波動。

        2)基于矢量量化的多光譜圖像壓縮方法是將多光譜圖像的若干標量轉化為一個矢量,將矢量空間整體化,從而達到壓縮數(shù)據(jù)的目的。此類方法為有損壓縮方法,其編碼難度較高,壓縮后會導致一部分信息丟失。

        3)基于變換的多光譜圖像壓縮方法是將多光譜圖像從空間域變換為頻率域,在頻率域范圍內實現(xiàn)壓縮編碼。此類方法為有損壓縮,壓縮率可調,多光譜圖像壓縮率較大時會出現(xiàn)塊效應,影響多光譜圖像質量。

        近年來,基于深度學習的圖像壓縮方法取得了比傳統(tǒng)圖像壓縮方法更好的效果[5]。文獻[6]開創(chuàng)性地將卷積神經(jīng)網(wǎng)絡應用在圖像壓縮領域,其利用自編碼器對數(shù)據(jù)降維,生成特征矩陣,量化環(huán)節(jié)引入多進制量化,在反向傳播時對量化圖像添加隨機誤差,率-失真環(huán)節(jié)進行端到端的聯(lián)合優(yōu)化。隨后,有學者對卷積神經(jīng)網(wǎng)絡圖像壓縮模型進行改進[7-10],優(yōu)化自編碼器,改進量化結構,并提出了更加高效的熵編碼模型,使得基于深度學習的圖像壓縮方法在精度和效率上都有一定的提升[11]。

        當前,基于深度學習的圖像壓縮研究多數(shù)是基于普通照片,針對衛(wèi)星影像特別是國產衛(wèi)星影像的研究相對較少。隨著我國衛(wèi)星遙感技術的發(fā)展,國產衛(wèi)星遙感影像在觀測范圍、波段數(shù)量、量化等級等方面均有顯著提升,這使得衛(wèi)星與地面之間、數(shù)據(jù)中心與用戶之間的數(shù)據(jù)傳輸逐漸成為瓶頸。同時,衛(wèi)星影像遙感應用對于觀測數(shù)據(jù)十分敏感,因此,需要最大程度地保持原始信息不丟失,從而保證其定量遙感應用的效果。

        針對上述問題,本文提出一種基于卷積神經(jīng)網(wǎng)絡的高分六號衛(wèi)星多光譜圖像壓縮(Satellite Multispectral Image Compression,SMIC)模型。SMIC模型由自編碼器、量化結構、熵編碼3 個部分組成:自編碼器提取圖像特征,實現(xiàn)數(shù)據(jù)降維;量化結構將特征矩陣離散化,通過多進制量化減少量化環(huán)節(jié)的信息損失;熵編碼去除空間冗余,降低碼流。最后,通過實驗比較不同壓縮方法對多光譜圖像的壓縮率與重建質量,以驗證SMIC 的多光譜圖像壓縮性能。此外,SMIC 為有損壓縮,重建圖像有一定的信息損失,為驗證壓縮后的多光譜圖像是否能夠滿足定量遙感應用的需求,將同一地區(qū)、同一時間壓縮前后的多光譜圖像運用相同方法進行處理分析,從而驗證本文所提多光譜圖像壓縮算法的可行性。

        1 研究區(qū)域及數(shù)據(jù)

        1.1 研究區(qū)域概況

        以京津冀地區(qū)作為研究區(qū)域,京津冀地區(qū)位于華北平原,地理坐標為北緯36°01′~42°37′,東經(jīng)113°04′~119°53′。京津冀地區(qū)地形復雜多樣,由東南向西北逐級上升,平原、盆地、丘陵、山地、高原依次排列。京津冀地區(qū)地物類型豐富,包含林地、草地、裸地、水體、農作物等典型地物。

        1.2 研究數(shù)據(jù)

        本文研究數(shù)據(jù)為GF-6 衛(wèi)星多光譜圖像,多光譜圖像是一種包含二維空間信息和一維光譜信息的三維數(shù)據(jù)立方體。GF-6 衛(wèi)星16 m 多光譜寬幅相機共有8 個波段,觀測幅寬為864.2 km,量化值為12 bit。GF-6 衛(wèi)星具有觀測范圍大、重返周期短、定量化探測的優(yōu)勢,能提供高時空分辨率的多源數(shù)據(jù)。本文研究數(shù)據(jù)采用的是2020 年京津冀地區(qū)不同季節(jié)的GF-6衛(wèi)星L1A 級產品。

        研究數(shù)據(jù)分為實驗數(shù)據(jù)和測試數(shù)據(jù)。實驗數(shù)據(jù)包含不同地物、季節(jié)和天氣的多光譜圖像,圖像尺寸為256×256像素,共 有23 000 張。測試數(shù)據(jù)為6 張1 024×1 024像素的多光譜圖像。數(shù)據(jù)預處理流程如圖1所示。

        圖1 數(shù)據(jù)預處理流程Fig.1 Data preprocessing procedure

        首先將獲取的研究數(shù)據(jù)進行裁剪,裁剪成256×256 像素和1 024×1 024 像素的多光譜圖像;然后將TIF 格式圖像轉為矩陣,并進行最大值最小值歸一化處理,處理后的矩陣轉成張量輸入到SMIC模型。

        研究數(shù)據(jù)的量化值為12 bit,取值范圍為[0,4 095],采用最大值最小值歸一化的方法將數(shù)據(jù)的取值范圍量化到[0,1]。歸一化后的數(shù)據(jù)輸入到SMIC 模型。最大值最小值歸一化如式(1)所示:

        其中:Xq為量化后的數(shù)值;X為量化前的數(shù)值;Xmax和Xmin分別代表研究數(shù)據(jù)的最大值和最小值。

        2 研究方法

        2.1 SMIC 模型

        針對GF-6 衛(wèi)星多光譜圖像波段數(shù)量多、數(shù)據(jù)量大的特點,本文結合深度學習圖像壓縮模型,提出SMIC 模型,用于壓縮GF-6 衛(wèi)星多光譜圖像。SMIC模型的整體技術路線如圖2 所示,3 個模塊的具體功能如下:

        圖2 SMIC 模型整體技術路線Fig.2 Overall technique flowchart of SMIC model

        1)自編碼器通過卷積下采樣和重建歸一化層提取多光譜圖像特征,并降低多光譜圖像數(shù)據(jù)的尺寸,實現(xiàn)多光譜圖像數(shù)據(jù)降維,達到初步壓縮數(shù)據(jù)的目的。

        2)量化結構采用多制量化到整系數(shù),將自編碼器初步壓縮后的多光譜圖像數(shù)據(jù)進一步壓縮。

        3)熵編碼采用高斯混合模型對量化之后的數(shù)據(jù)進行處理,輸出碼流,采用算術編碼,去除多光譜圖像的空間冗余。

        在多光譜圖像重建環(huán)節(jié),碼流經(jīng)過熵解碼模型還原數(shù)據(jù),還原后的特征圖像通過反量化、自解碼器還原成重建圖像。率-失真優(yōu)化對多光譜重建圖像的失真和碼率聯(lián)合調優(yōu),不斷優(yōu)化網(wǎng)絡參數(shù),得到更好的多光譜重建圖像。SMIC 模型由自編解碼器、量化結構、熵編碼、率-失真優(yōu)化等環(huán)節(jié)構成,模型具體結構如圖3 所示,其中:Q 代表量化;AE 代表算術編碼;AD 代表算術解碼;IQ 代表反量化。

        圖3 SMIC 模型結構Fig.3 Structure of SMIC model

        2.1.1 自編碼器

        自編解碼器[12-14]包含自編碼器和自解碼器2 個部分。自編碼器由編碼器和超參編碼器2 個部分組成,用于提取多光譜圖像的特征信息,降低多光譜圖像的維度。自編碼器主要有卷積層、重建歸一化層[15-16]、LeakyReLU 激活函數(shù)[17]組成。自解碼器由解碼器和超參解碼器2 個部分組成,用于重建編碼后的圖像,自解碼器采用和自編碼器完全對稱的結構。

        編碼器包含卷積層和重建歸一化層,在保留圖像主要信息的同時降低了圖像的數(shù)據(jù)量,將多光譜圖像的尺寸降為原圖的1/16,并將輸入的8 通道多光譜圖像輸出為320 通道的特征圖。卷積層采用步長為2 的5×5 卷積核,對多光譜圖像進行下采樣。重建歸一化層將卷積下采樣得到的特征圖進行歸一化處理,其作用和卷積神經(jīng)網(wǎng)絡中的BN 層相同,能夠很好地聯(lián)合處理非線性特征,并可以捕捉多光譜圖像的統(tǒng)計特性。相比于BN 層,重建歸一化層的優(yōu)點在于其沒有添加噪聲,更加適合多光譜圖像重建,重建圖像更清晰,有利于多光譜圖像壓縮。重建歸一化層如式(2)所示:

        其中:xi代表第i層輸入的特征圖;βi和γi代表需要學習的參數(shù);yi代表第i層輸出的特征圖。

        超參編碼器能夠進一步降低數(shù)據(jù)維度,提取圖像的深層特征信息。超參編碼器采用2 種卷積核進一步降低數(shù)據(jù)維度,即步長為1 的3×3 卷積核和步長為2 的5×5 卷積核,超參編碼器的卷積下采樣操作將圖像尺寸降為原圖的1/64。超參編碼器部分采用LeakyReLU 激活函 數(shù),LeakyReLU 繼承了ReLU 收斂速度快的優(yōu)點,同時保留了一些負數(shù)數(shù)值,特征圖像的負數(shù)信息不會全部丟失。LeakyReLU 激活函數(shù)可以由式(3)表示:

        其中:ai是(1,∞)區(qū)間內的固定參數(shù)。

        自解碼器采用和自編碼器完全對稱的結構,自解碼器利用卷積層、反重建歸一化層重建多光譜圖像。卷積層對自編碼器的特征圖進行上采樣,還原成多光譜圖像原有的尺寸。反重建歸一化層連接2 個卷積層。反重建歸一化層如式(4)所示:

        其中:表示第i層輸入 的特征 圖;表示第i層輸出的特征圖。

        2.1.2 量化結構

        為了實現(xiàn)編碼壓縮的目的,經(jīng)過自編碼器提取得到的多光譜圖像特征圖需要進行量化處理。量化過程會給多光譜圖像壓縮帶來信息損失,高效的量化結構是提高影像多光譜重建圖像質量的關鍵。本文方法量化結構采用的是多進制量化到整系數(shù)[18],此方法能夠減少量化環(huán)節(jié)的信息損失,并使端到端的訓練更加高效??紤]到量化過程不可微,量化結構通過添加均勻噪聲來模擬量化過程,以保證梯度反轉,實現(xiàn)量化過程可微。

        2.1.3 熵編碼

        多光譜圖像經(jīng)過自編碼器提取特征和量化之后,還存在冗余去除不徹底的情況,需要依賴高效的熵編碼環(huán)節(jié)去除多光譜圖像冗余,進一步提高編碼性能。

        熵編碼通常采用單高斯模型,單高斯模型具有較好的編碼性能。針對GF-6 衛(wèi)星多光譜圖像波段多、數(shù)據(jù)量大的特點,本文使用高斯混合模型[19],高斯混合模型提升了編碼性能,進一步提高了圖像壓縮效率。高斯混合模型的分布函數(shù)如式(5)所示:

        其中:ωi代表不同高斯模型的權重;F代表不同的高斯模型;N(ui,σi) 代表模型的高斯分布參數(shù);代表熵編碼結果。本文采用雙高斯混合模型,2 個高斯模型的權重分別為ωi和1-ωi。

        2.1.4 率-失真優(yōu)化

        對于端到端的編碼,率-失真優(yōu)化是對圖像失真和壓縮碼率的聯(lián)合調優(yōu),碼率估計和圖像失真將直接影響整個結構的優(yōu)化效果。為了更好地優(yōu)化多光譜圖像的壓縮性能,需要在圖像的碼率與失真之間進行權衡。SMIC 模型的率-失真優(yōu)化[20]采用的損失函數(shù)如式(6)~式(8)所示:

        其中:D表示失真,原始圖像與重建圖像的均方誤差代表圖像的失真程度;R表示碼率;λ表示失真與碼率的平衡系數(shù);代表失真度;分別代表與的碼率;分別代表與的分布。SMIC 模型在訓練過程中調節(jié)圖像損失和碼率的分配,使得圖像損失和碼率之間達到均衡,同時保證多光譜圖像的重建質量和壓縮效率。

        2.2 圖像壓縮性能參數(shù)

        有損圖像壓縮的性能評價主要有2 個方面:第1 個是用來衡量圖像壓縮前后數(shù)據(jù)量的變化情況,常用的評價指標為壓縮比(BPP);第2 個是用來衡量圖像壓縮重建之后的信息損失情況,常用的評價指標為圖像的峰值信噪比(PSNR)。

        壓縮比[21]用來計算圖像的壓縮效率,是未壓縮圖像大小與壓縮圖像大小的比值,計算如式(9)所示:

        其中:B1和B2分別代表壓縮前后圖像占用的存儲空間。

        峰值信噪比PSNR 利用壓縮前后2 張圖像的均方誤差(MSE)來衡量圖像壓縮重建之后信息的損失程度,計算如下:

        其中:K代表圖像的通道數(shù);M?N代表圖像的大??;I(i,j)代表壓縮前(i,j)位置的像素值;J(i,j)代表壓縮后(i,j)位置的像素值。重建圖像的PSNR 值越大,代表重建圖像與原始圖像之間的信息損失越少。

        2.3 卷積神經(jīng)網(wǎng)絡參數(shù)設置

        在本文實驗中,SMIC 模型訓練是在內存為8 GB 的NVDIA GeForce GTX 1080 的GPU 下進行的。因為GF-6 衛(wèi)星多光譜圖像有8 個波段,為了防止訓練過程中內存溢出,在SMIC 模型網(wǎng)絡參數(shù)設置中,卷積神經(jīng)網(wǎng)絡一次只處理一張圖像,網(wǎng)絡參數(shù)batch_size 設置為1。在率-失真損失階段,通過設置不同的λ值,控制圖像壓縮的碼率,實現(xiàn)不同碼率的壓縮。本文實驗中λ的值設置為256、1 024、2 048、4 096、8 192 和16 384,不同的λ值控制SMIC 模型的碼率。網(wǎng)絡訓練優(yōu)化使用Adam 優(yōu)化器,總的迭代次數(shù)為2 500 000 次。在SMIC 模型訓練初始階段,為了加快擬合速率,初始學習率設置為0.000 1,當訓練迭代次數(shù)到250 000 次時,SMIC 模型的損失函數(shù)值出現(xiàn)振蕩,調整學習率為0.000 01,從而提升擬合程度,提高圖像的壓縮質量,達到更好的壓縮效果。

        3 實驗驗證

        3.1 模型性能評價

        在本文實驗中,通過計算訓練過程中各個訓練世代(Epoch)的損失函數(shù)值來評價SMIC 的性能[22],圖像的損失函數(shù)值是通過原始圖像和重建圖像的均方誤差和壓縮后的碼率計算而來。圖4 展示了多光譜圖像信息損失與Epoch 的關系,模型在訓練到Epoch 為6 時,重建圖像的信息損失值趨于穩(wěn)定,并且此時圖像的信息損失值達到較低的水平。綜合模型訓練次數(shù)和損失函數(shù)值可以得出,Epoch 為6 時保存的SMIC 模型參數(shù)為最佳選擇。

        圖4 模型訓練信息損失曲線Fig.4 Loss curve of model training information

        3.2 實驗結果分析

        多光譜圖像既包含二維空間信息也包含一維光譜信息,為了驗證SMIC 的性能,從多光譜圖像峰值信噪比PSNR 的角度將SMIC 與JPEG 算法的壓縮性能進行比較,計算2 種多光譜圖像壓縮算法在不同碼率下的PSNR 值,結合實驗測試數(shù)據(jù)的6 張多光譜圖像得到圖像的平均PSNR 值。2 種壓縮算法的平均PSNR 值計算結果如圖5 所示。

        圖5 不同碼率下的測試數(shù)據(jù)PSNR 值Fig.5 PSNR values of test data under different code rates

        為了更加直觀地比較不同壓縮算法對GF-6 衛(wèi)星多光譜圖像的重建效果,選取測試數(shù)據(jù)中的6 張多光譜圖像,利用SMIC 與JPEG 壓縮算法[23]分別對多光譜圖像進行壓縮和重建。為更清晰地展示重建圖像,通過ENVI軟件對多光譜圖像進行RGB 波段合成,結果如圖6 所示。

        圖6 重建圖像比較Fig.6 Reconstruction images comparison

        通過比較不同壓縮算法的重建圖像可以看出,JPEG 壓縮算法重建圖像具有明顯的塊效應,在不同類型地物的邊界存在部分像素點有較大誤差的問題,并且誤差較大的像素點集中出現(xiàn)在不同地物的過渡地帶,如村鎮(zhèn)-農田、城鎮(zhèn)-林地等。JPEG 壓縮重建圖像的色度相較于原始圖像存在明顯的失真情況,城鎮(zhèn)、道路等人工目標尤其明顯。SMIC 壓縮重建的圖像在視覺上更接近原始圖像,無明顯的亮度和色度差異,能夠較好地還原出不同地物。

        對重建圖像進行定量分析,隨機選取1 個點,分別讀取原始圖像、JPEG 壓縮算法重建圖像、SMIC壓縮算法重建圖像的8 波段像素值,結果如圖7(a)所示。隨機選取原始圖像紅邊波段中連續(xù)的70 個點,分別讀取JPEG 壓縮算法重建圖像、SMIC 壓縮算法重建圖像相應位置的像數(shù)值,結果如圖7(b)所示。

        圖7 不同壓縮算法重建圖像的DN 值對比Fig.7 Comparison of DN values of reconstructed images using different compression algorithms

        為了更加清楚直觀地顯示重建圖像的誤差分布,統(tǒng)計2 種圖像壓縮算法重建圖像的誤差,誤差統(tǒng)計直方圖如圖 8 所示。由圖8 可得,本文算法的誤差值主要集中在[-100,100]范圍內,區(qū)間占比達到80%以上,JPEG 壓縮算法的誤差值在[-100,100]范圍內的占比接近50%,由此可得,較JPEG 壓縮算法,SMIC 壓縮算法重建的圖像更接近原始圖像。

        圖8 不同壓縮算法重建圖像的誤差統(tǒng)計直方圖Fig.8 Error statistical histograms of reconstructed images using different compression algorithms

        3.3 定量遙感應用實驗

        GF-6 衛(wèi)星除了常規(guī)的紅、綠、藍、近紅外段外還增加了中心波長為710 nm 和750 nm 的紅邊波段,紅邊波段能夠有效反映農作物的葉綠素含量和特有的光譜屬性。紅邊光譜的變化可提供比紅綠波段和短波紅外更豐富的紅邊區(qū)域波譜信息[24]。本文分別構建歸一化植被指數(shù)NDVI 和紅邊歸一化植被指數(shù)NDVI710,以驗證重建圖像質量。NDVI 和NDVI710的計算公式分別如式(12)、式(13)所示:

        其中:B3、B4、B5分別對應GF-6衛(wèi)星多光譜圖像紅波段、近紅外波段和中心波長為710 nm 的紅邊波段。

        對不同壓縮算法的重建圖像分別計算NDVI、NDVI710,利用NDVI 值對冬小麥進行反演,參考文獻[25],本文實驗將NDVI 值在[0.54,0.68]區(qū)間的地物判別為冬小麥,實驗結果如圖9 所示(彩色效果見《計算機工程》官網(wǎng)HTML 版)。由圖9 可得,SMIC 壓縮算法的冬小麥反演結果和原圖較為一致,JPEG 壓縮算法的反演結果有明顯異常點,存在將村莊中地物識別為冬小麥以及冬小麥地塊中部分點反演成其他地物的問題。原始圖像共有466 628 個像素點反演為冬小麥,對2 種壓縮算法的反演結果進行定量分析可知:SMIC 壓縮算法共有425 749 個像素點判別為冬小麥,和原始圖像反演結果對比,有406 720 個相同的像素點,準確率為87.16%,冬小麥誤檢率為4.47%;JPEG 壓縮算法共有475 429 個像素點判別為冬小麥,和原始圖像反演結果對比,有403 460 個相同的像素點,準確率為86.46%,冬小麥誤檢率為15.13%。

        圖9 歸一化植被指數(shù)和冬小麥反演結果Fig.9 Normalized vegetation indexes and inversion results of winter wheat

        對NDVI 進行分析,統(tǒng)計原始圖像、JPEG 壓縮算法重建圖像、SMIC 壓縮算法重建圖像的NDVI 取值情況,分別繪制SMIC 壓縮算法重建圖像NDVI 與原始圖像NDVI 的散點圖、JPEG 壓縮算法重建圖像NDVI 與原始圖像NDVI 的散點圖,結果如圖10 所示,計算得到:SMIC 壓縮算法重建圖像NDVI 與原始圖像NDVI 的決定系數(shù)R2為0.93,擬合方程的斜率為0.94;JPEG 壓縮算法重建圖像NDVI 與原始圖像NDVI 的決定系數(shù)R2為0.72,擬合方程的斜率為1.16。由此可得,SMIC 壓縮算法的重建圖像比JPEG 壓縮算法的重建圖像更接近原始圖像。

        圖10 NDVI 散點圖對比Fig.10 NDVI scatter diagram comparison

        4 結束語

        本文提出一種基于卷積神經(jīng)網(wǎng)絡的GF-6 衛(wèi)星多光譜圖像壓縮模型SMIC,該模型通過自編碼器、量化環(huán)節(jié)、熵編碼對多光譜圖像進行壓縮,利用率-失真優(yōu)化平衡多光譜圖像的失真和碼率,提升多光譜圖像的壓縮性能。實驗結果表明:在高碼率下SMIC 壓縮重建圖像的PSNR 值達到45 dB,較JPEG壓縮重建圖像的PSNR 值高2 dB,SMIC 壓縮重建圖像在視覺上更接近原始圖像;SMIC 壓縮重建圖像的像素誤差值主要集中在[-100,100]范圍內,區(qū)間占比達到80%;SMIC 壓縮重建圖像的冬小麥反演結果總體上與原圖一致,重建圖像NDVI 與原始圖像NDVI 的決定系數(shù)R2為0.93,其冬小麥反演精度與JPEG 壓縮算法反演精度相當,均為85% 左右,但SMIC 的誤檢率比JPEG 壓縮算法低10%。本文所提SMIC 壓縮模型能夠較好地還原GF-6 衛(wèi)星多光譜圖像的光譜特征和空間特征,在一定程度上能夠滿足部分定量遙感的應用需求。下一步將探討包含更多光譜信息的國產高光譜衛(wèi)星遙感圖像壓縮問題,拓展SMIC 壓縮模型的應用范圍。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權M-估計的漸近分布
        3D打印中的模型分割與打包
        国产精品无码无卡无需播放器| 99久久婷婷国产亚洲终合精品 | 漂亮丰满人妻被中出中文字幕| 少妇被粗大猛进进出出| 色一乱一伦一图一区二区精品 | 欧美日韩视频无码一区二区三| 亚洲国产精品久久久久久无码| 日本免费三级一区二区| 中文字幕一区二区三区人妻精品 | 东风日产系列全部车型| 中国一级免费毛片| 天天影视性色香欲综合网| 国产一区二区三区毛片| av网址在线一区二区| 中文国产成人精品久久一区| 成 人 色综合 综合网站| 少妇粉嫩小泬喷水视频www| av影院手机在线观看| 日本视频一区二区三区三州| 亚洲综合五月天欧美| 亚洲中文无码永久免| 人人爽人人爽人人爽人人片av | 综合久久精品亚洲天堂| 被暴雨淋湿爆乳少妇正在播放| 欧美视频二区欧美影视| 色偷偷av男人的天堂| 无码aⅴ精品一区二区三区| 亚洲天堂一区二区偷拍| 日日噜噜夜夜久久密挑| 国产高清在线91福利| 99视频一区| 午夜丰满少妇性开放视频| 粗大猛烈进出白浆视频| 亚洲va久久久噜噜噜久久天堂| 亚洲av熟女中文字幕| 亚洲另类国产精品中文字幕| 精品国产你懂的在线观看| 久久精品国产热| 久久综合精品国产一区二区三区无码| 欧美乱大交xxxxx潮喷| 亚洲成熟女人毛毛耸耸多 |