引言

隨著經(jīng)濟(jì)社會(huì)的發(fā)展和國(guó)際形勢(shì)的變化，我國(guó)對(duì)空間信息的需求悄然發(fā)生變化：在觀測(cè)范圍上，隨著我國(guó)綜合國(guó)力的不斷提升，國(guó)家利益的范疇已從領(lǐng)土拓展到全球乃至太空；在響應(yīng)時(shí)間上，對(duì)空間信息的獲取-傳輸-處理的響應(yīng)速度從離線向?qū)崟r(shí)在線轉(zhuǎn)變，用戶對(duì)信息獲取的實(shí)效性提出了更高要求，希望在第一時(shí)間就能夠獲取到所關(guān)注區(qū)域或突發(fā)事件區(qū)域的現(xiàn)場(chǎng)圖像和評(píng)估結(jié)果，這在災(zāi)害應(yīng)急中尤為突出。在此背景下，將傳統(tǒng)星下處理分析任務(wù)轉(zhuǎn)換到星上并結(jié)合遙感任務(wù)的數(shù)據(jù)特點(diǎn)設(shè)計(jì)相應(yīng)的星載壓縮算法，實(shí)現(xiàn)衛(wèi)星服務(wù)的智能化轉(zhuǎn)型，能夠有效提升衛(wèi)星服務(wù)的實(shí)效性。

目前，圖像壓縮按照框架劃分主要包含兩大類方法，即傳統(tǒng)混合框架圖像編碼[1-4]和端到端深度神經(jīng)網(wǎng)絡(luò)圖像壓縮[5-10]。傳統(tǒng)混合編碼框架是使用人工設(shè)計(jì)的算法將預(yù)測(cè)、變換、量化、熵編碼等模塊組合起來(lái)，從而得到一套完整的圖像編碼器。而端到端深度神經(jīng)網(wǎng)絡(luò)圖像壓縮方法的性能從最初的低于JPEG[1]已發(fā)展到與最先進(jìn)的H.266[4]幀內(nèi)編碼相當(dāng)。為了適應(yīng)壓縮的需求，端到端圖像編碼在自編碼器的基礎(chǔ)上引入了量化和熵編碼，用于高效編碼提取到的特征。基于所使用的網(wǎng)絡(luò)結(jié)構(gòu)，端到端圖像編碼可以分為三類：基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[5]的壓縮模型、基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[6]的壓縮模型和基于生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）[7]的壓縮模型。

然而，隨著遙感圖像數(shù)據(jù)量的急劇增長(zhǎng)以及應(yīng)用場(chǎng)景不斷變化，遙感圖像壓縮方法已不再局限于更低的碼率和更高的重建質(zhì)量，更要同時(shí)滿足多種處理任務(wù)的要求。Xiang等人[11]結(jié)合壓縮與信息提取，提出了一種引入潛在特征選擇模塊（Latent Feature Selection，LFS）的聯(lián)合模型，但該方法依賴于LFS模塊的魯棒性，需要針對(duì)不同任務(wù)進(jìn)行廣泛調(diào)優(yōu)。Li等人[12]通過(guò)深度神經(jīng)網(wǎng)絡(luò)識(shí)別目標(biāo)與背景區(qū)域，對(duì)背景區(qū)域應(yīng)用雙線性降采樣以節(jié)省比特率，但其對(duì)目標(biāo)-背景分割精度依賴較強(qiáng)，并且背景區(qū)域的降采樣處理引入了嚴(yán)重偽影，影響全局分析和視覺(jué)質(zhì)量。Zhang等人[13]開(kāi)發(fā)的遙感圖像機(jī)器編碼框架（Remote Sensing Image Coding for Machines，RSICM）專門針對(duì)語(yǔ)義分割任務(wù)，通過(guò)對(duì)比學(xué)習(xí)增強(qiáng)壓縮圖像的特征判別能力，補(bǔ)償壓縮過(guò)程中的特征判別損失。然而，其過(guò)度依賴于對(duì)比學(xué)習(xí)優(yōu)化過(guò)程和特定分割網(wǎng)絡(luò)，限制了在其他視覺(jué)任務(wù)中的適用性。Ye等人[14]提出的地圖輔助生成式壓縮（Map-Assisted Generative Compression，MAGC）框架針對(duì)極低比特率場(chǎng)景，結(jié)合預(yù)訓(xùn)練擴(kuò)散模型與矢量地圖提供的語(yǔ)義結(jié)構(gòu)信息實(shí)現(xiàn)高質(zhì)量圖像重建，但它依賴于預(yù)訓(xùn)練擴(kuò)散模型和外部矢量地圖的可用性，這限制了其在某些應(yīng)用場(chǎng)景中的適用性。

此外，在現(xiàn)有的遙感圖像壓縮應(yīng)用領(lǐng)域，由于衛(wèi)星和地面的傳輸帶寬有限，往往需要對(duì)圖像壓縮的碼率進(jìn)行限制。Jia和Shi等人[15-16]通過(guò)至少兩次預(yù)編碼得到真實(shí)碼率與編碼參數(shù)λ的數(shù)據(jù)對(duì)。該方法需要通過(guò)七次預(yù)編碼，耗時(shí)長(zhǎng)，僅在特定場(chǎng)景中能夠應(yīng)用。Xue等人[17]在編碼器提取的特征基礎(chǔ)上，利用碼率估計(jì)器來(lái)取代多次預(yù)編碼。該方法在一定程度上節(jié)省了碼率控制的時(shí)間，但也要基于編碼器的特征來(lái)訓(xùn)練碼率估計(jì)器，仍有較長(zhǎng)的處理延遲。因此，如何在實(shí)際應(yīng)用中控制遙感圖像壓縮的碼率，仍是需要進(jìn)一步研究的問(wèn)題。

結(jié)合上述分析，為了進(jìn)一步提高遙感圖像壓縮任務(wù)性能，本文提出了一種感興趣區(qū)域引導(dǎo)的碼率可變壓縮方法，主要貢獻(xiàn)如下：

（1）針對(duì)現(xiàn)有遙感圖像壓縮方法的弊端，提出一種感興趣區(qū)域驅(qū)動(dòng)的碼率可變壓縮方法，在實(shí)現(xiàn)碼率可變壓縮的同時(shí)有效提高感興趣區(qū)域重建質(zhì)量。

（2）提出了基于感興趣區(qū)域引導(dǎo)的重要性圖模塊，在壓縮網(wǎng)絡(luò)前端使用一個(gè)通用檢測(cè)網(wǎng)絡(luò)得到感興趣目標(biāo)分布掩膜，將感興趣區(qū)域分布與原始圖像相結(jié)合，以指導(dǎo)感興趣區(qū)域和背景區(qū)域的碼率分配，提高感興趣區(qū)域的壓縮性能。

（3）提出了針對(duì)遙感圖像的碼率可變策略，實(shí)現(xiàn)在壓縮過(guò)程中靈活的碼率控制，以適應(yīng)遙感圖像傳輸帶寬的要求。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006907

作者信息：

肖飛，孫震笙，金俊杰

（中國(guó)星網(wǎng)數(shù)字科技有限公司，河北 雄安新區(qū) 071700）