本发明属于遥感图像处技术理领域，涉及一种遥感图像压缩方法、设备及产品，具体涉及一种基于跨图像先验的高分遥感图像压缩方法、设备及产品。
背景技术：
1、高分变率遥感图像具有较高的空间分辨率，在对地观测中能够提供清晰的地物边缘细节等信息，这些边缘细节可以为地物识别等后续图像处理任务提供丰富的精细信息。由于高分辨率遥感图像的空间幅度通常较大，因此一景高分辨率遥感图像通常会占用大量的空间，这给高分辨率遥感图像的存储和压缩带来较大的负担。因此，对高分辨率遥感图像进行压缩对于减少存储空间和节约带宽至关重要。
2、目前主流的图像压缩算法主要是针对普通自然图像进行设计的，而高分辨率遥感图像相对于普通自然图像存在较大的不同，使用基于自然图像的图像压缩算法来对高分辨率遥感图像进行压缩，压缩性能不佳。目前一些研究人员也提出了一些针对高分辨率遥感图像的压缩算法，然而目前高分辨率遥感图像无损压缩人就存在以下一些限制条件：
3、(1)一些研究已经表明基于自回归的上下文提取能够取得较好挖掘图像中的局部上下文信息，可以获得较好的性能，但是使用自回归会导致压缩过程编解码过程需要逐像素的进行，严重妨碍编解码的速度。
4、(2)高分辨率遥感图像的空间尺寸大，大量相似的地物广泛存在于局部和非局部区域。然后现有算法未能充分挖掘这些局部和非局部空间冗余，导致压缩性能不足。
5、(3)高分辨率遥感图像上的地物和背景的尺寸大小与普通自然图像差异较大，针对自然图像设计的图像压缩算法并不能很好的对高分辨率遥感图像进行概率建模，从而妨碍最终的压缩性能。
6、因此，亟需一种高效的(避免使用自回归的)、能够充分挖掘局部和非局部空间冗余的高分辨率遥感图像无损压缩方法。
技术实现思路
1、为了提供一种避免使用自回归模型同时能够高效挖掘局部和非局部的高分辨率遥感图像压缩方案，本发明提供了一种基于跨图像先验的高分遥感图像压缩方法、设备及产品。
2、第一方面，本发明提供了一种基于跨图像先验的高分遥感图像压缩方法，包括以下步骤：
3、步骤1：将原始遥感图像拆分成若干个子图像，拆分后的子图像的相同位置的像素在原始遥感图像上属于相邻位置；
4、步骤2：利用分析网络从子图像中抽取潜在表示信息，量化后利用factorized熵模型对潜在表示信息的每个像素点构建一个熵模型，然后计算出每个像素点的概率，利用该熵模型和概率值，使用熵编码算法，将潜在表示信息进行编码，得到码流bit_0；
5、步骤3：利用合成网络从潜在表示信息中获取超先验信息hyperprior，作为后续所有子图像压缩的全局超先验信息；
6、步骤4：利用熵参数预测网络逐子图像构建各个子图像的熵模型，然后利用熵编码算法进行编码；
7、所述熵参数预网络，包括顺序连接的卷积层、残差模块、卷积层、残差模块和卷积层；所述残差模块由顺序连接norm+relu层、conv1卷积层、norm+relu层、conv3卷积层、normrelu层和conv1卷积层组成；
8、在编码子图像1的时候，熵参数预测网络的输入只有超先验信息hyperprior，在编码后续子图像时，利用先前编码的子图像信息，即跨图像先验信息，将超先验信息hyperprior与跨图像先验信息一起输入ct模块中，获得后续子图像的先验信息，然后输入熵参数预测网络中进行熵模型参数的预测获得熵模型；利用获取的熵模型，使用熵编码算法获得码流码流bit_1、…、bit_n；其中，n为子图数量；
9、步骤5：将所有的码流集合在一起，获得最终的无损图像压缩的结果。
10、作为优选，步骤2中，所述分析网络，由顺序连接的四层conv 5卷积层组成。
11、作为优选，步骤4中，所述熵模型，是对量化后的深度潜在表示的每个像素点都构建一个高斯混合模型每个像素点的熵模型有k*3个参数需要预测，其中，k表示高斯混合模型的高斯模型个数；然后计算出每个点的概率值p，利用该概率值来统计深度潜在表示的熵值；其中，高斯混合模型的参数wi，μi，δi通过熵参数预测网络parameter来进行预测，[wi,μi,δi]＝parameter(hyperprior)。
12、作为优选，步骤3中，所述合成网络，由顺序连接的四层deconv 5反卷积层组成。
13、作为优选，步骤3中，所述全局超先验信息y＝ga(x)，其中，x表示原始图像数据，y、分别表示量化前后的潜在表示信息，u|q表示量化过程；ga、gs分别表示主干分析网络、合成网络；所述主干分析网络，由顺序连接的四层卷积层组成；所述合成网络，由顺序连接的四层反卷积层组成。
14、作为优选，步骤4中，所述ct模块，将跨图像先验信息通过一个卷积层之后与超先验信息hyperprior串联，输入到mixcnn与transformer混合模块分别挖掘局部和非局部信息；之后两部分输出串联后作为最终熵模型参数预测的先验知识；
15、所述mixcnn，由卷积核大小为1、3、5、7的步长为1的四个卷积层并联组成；
16、所述transformer，由顺序连接的norm层、attention层、norm层和channel mlp组成；其中，输入与attention层输出逐像素相加后输入所述norm层，同时输入与attention层输出逐像素相加后与所述channel mlp逐像素相加后输出。
17、作为优选，步骤4中，对于第一个编码的子图像x_1，从原始图像中提取的全局超先验信息hyperprior作为先验信息，其熵值为：h(x_1)＝h(x_1|hyperprior)；后续子图像编码时，熵值为h(x_{k+1})＝h(x_{k+1}|x_1,x_2,...,x_k,hyperprior)；其中，x_1,x_2,...,x_k,x_{k+1}表示k+1个子图像。
18、作为优选，进行网络训练的时候，即训练分析变换网络、合成变换网络、ct模块和熵参数预测网络时，损失函数为所需存储的所有的系数的熵值之和，训练过程中量化过程使用添加噪声模拟量化，而测试过程使用取整量化。
19、第二方面，本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于跨图像先验的高分遥感图像压缩方法。
20、第三方面，本发明提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述基于跨图像先验的高分遥感图像压缩方法。
21、与现有技术相比，本发明的有益效果是：
22、(1)本发明将原始图像拆分多个子图像，逐子图像进行编解码。在编码后续子图像的时候，先前编码的所有子图像的信息都可以作为跨图像先验以获得更准确的熵预测模型，从而提升最终的压缩性能。
23、(2)本发明使用跨图像先验的时候，先前编码的子图像的信息已经包含了局部和非局部冗余信息，通过神经网络挖掘这些局部和非局部冗余信息，可以提升压缩网络的性能。
24、(3)本发明采用的熵编码和熵解码在未使用任何的自回归式的上下文即在对当前像素的熵模型进行熵预测的时候，不依赖于当前像素之前位置的任何像素，因此在编解码单个子图像的时候，流程是可以并行的，从而提升了最终的编解码速度。这对于实时压缩等有着重要的价值和意义。
1.一种基于跨图像先验的高分遥感图像压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于：步骤2中，所述分析网络，由顺序连接的四层卷积核为5步长为2的conv 5卷积层组成。
3.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于，步骤4中，所述熵模型，是对量化后的潜在表示的每个像素点都构建一个高斯混合模型每个像素点的熵模型有k*3个参数需要预测，其中，k表示高斯混合模型的单高斯模型数；然后计算出每个点的概率值p，利用该概率值来统计潜在表示的熵值；其中，高斯混合模型的参数wi，μi，δi通过熵参数预测网络parameter来进行预测，[wi,μi,δi]＝parameter()。
4.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于：步骤3中，所述合成网络，由顺序连接的四层卷积核为5步长为2的deconv 5反卷积层组成。
5.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于：步骤3中，所述全局超先验信息y＝ga()，其中，x表示原始图像数据，y、分别表示量化前后的潜在表示信息，u|q表示量化过程；ga、gs分别表示主干分析网络、合成网络；所述主干分析网络，由顺序连接的四层卷积层组成；所述合成网络，由顺序连接的四层反卷积层组成。
6.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于：步骤4中，所述ct模块，将跨图像先验信息通过一个卷积层之后与超先验信息hyperprior串联，输入到mixcnn与transformer混合模块分别挖掘局部和非局部信息；之后两部分输出串联后作为最终熵模型参数预测的先验知识；
7.根据权利要求1所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于，步骤4中，对于第一个编码的子图像x_1，从原始图像中提取的全局超先验信息hyperprior作为先验信息，其熵值为：h(x_1)＝h(x_1|hyperprior)；后续子图像编码时，熵值为h(x_{k+1})＝h(x_{k+1}|x_1,x_2,...,x_k,hyperprior)；其中，x_1,x_2,...,x_k,x_{k+1}表示k+1个子图像。
8.根据权利要求1-7任一项所述的基于跨图像先验的高分遥感图像压缩方法，其特征在于：进行网络训练的时候，即训练分析网络、合成网络、ct模块和熵参数预测网络，损失函数为所需存储的所有的系数的熵值之和，训练过程中量化过程使用添加噪声模拟量化，而测试过程使用取整量化；添加噪声模拟量化指对潜在表示添加均值为0方差为1的高斯噪声，而取整量化，即将潜在表示的每个像素值四舍五入为整数。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于跨图像先验的高分遥感图像压缩方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于跨图像先验的高分遥感图像压缩方法。
