基于稀疏特征的遥感信息高效感知与压缩

In order to reduce the prominent contradiction between the urgent demand for intelligent on-orbit processing of massive remote sensing data, and the current limited storage and transmission ability, in this project we develop new and efficient technologies for sensing and compression of remote sensing images, via the dictionary learning, representation learning and compressive sensing techniques.This project investigates the sparse modeling, sparse sampling sensing and sparse feature compression of remote sensing images. Firstly, we explore the sparsity and structural characteristics of ”vision” high-resolution satellite remote sensing data, to develop linear sparse coding model based on structured dictionary learning, and hierarchical nonlinear sparse coding model based on representative learning; Secondly, we design data-driven compressive sampling strategy, analyze the compressive features, and develop the metric for compressive features. The quantization, coding and sparse sampling decoding schemes of compressive features are discussed, along with the sparse coding coefficients by learned dictionary and deep network. Finally, based on the above theories and methods, we build a simulation platform and prototype verification system for high-efficiency sensing of remote sensing information and large ratio compression of remote sensing images, and their effectiveness and practicability will be verified with the utilization of real remote sensing images.

本项目拟针对海量数据星上智能化处理的迫切需求与当前有限的存储与传输能力之间的突出矛盾，以“视觉”高分辨卫星遥感数据为对象，基于字典学习、表征学习、压缩采样技术，发展基于稀疏特征的遥感信息高效感知与大倍率星上压缩新方法。项目围绕遥感信息的稀疏建模、稀疏采样感知、稀疏特征压缩三部分内容展开。首先挖掘“视觉”高分辨卫星遥感数据的稀疏性及丰富的结构信息，发展基于结构字典学习的线性稀疏编码模型，以及基于表征学习的层次化非线性稀疏编码模型；其次，设计数据驱动的压缩采样策略，分析压缩域的特征测度，建立压缩域稀疏特征度量体系，研究其量化、编码，以及稀疏采样解码方案；再次，分析线性与非线性稀疏编码模型下的稀疏特征提取、量化、编码以及解码方案。最后，建立基于上述理论与方法的遥感信息高效感知与大倍率星上压缩仿真平台与原型验证系统，采用实际遥感影像验证其有效性与实用性。

项目针对高分辨卫星遥感数据存储与传输的瓶颈，围绕大倍率数据压缩任务，基于字典学习、压缩采样、表征学习三方面技术，探索了基于稀疏特征的遥感信息高效感知与压缩的新理论与方法。项目主要研究成果有：1）设计了一系列过完备结构字典学习和面向压缩任务的稀疏编码算法(二叉树字典、低秩结构字典、稀疏结构非负字典、GE-OMP、EGE-OMP等)，对GeoEye-1、QuickBird 、GF-1 和GF-2 等卫星全色影像压缩，在9~80倍率压缩比下获得了优于JPEG2000、JPEG、KSVD等方法的数值结果(PSNR，SSIM)和视觉结果(更清晰的纹理边缘)；2）提出了高维遥感数据的非线性张量压缩感知模型，实现了高维遥感信息的同时采集与压缩。设计了光谱压缩成像的多路复用方案和基于非负核字典学习的光谱成像方法，实现了在0.1%~5%的极低采样率下的场景信息复原；3）设计了基于深度神经网络的大倍率数据压缩方案，提出一系列深度编码与解码网络模型：自编码、限态自编码、卷积压缩网络等，在高于190倍率时压缩结果优于JPEG2000。4）设计了基于FPGA+ARM的遥感数据大倍率星上压缩地面验证平台，集成了字典学习和深度神经网络两类压缩算法，支持光学、多光谱、高光谱和合成孔径雷达四种数据压缩，对各类数据实现了高于15倍的压缩，时间低于1分钟。项目进展顺利，较好的完成了各项项目内容，具体成果如下：在国内外知名期刊和会议上发表论文42篇（SCI 39篇，EI 3篇，其中二区以上29篇），第一作者/通讯作者9篇（一区2篇，二区7篇），授权国家发明专利11项，申报国家发明专利11项，合作出版专著4部，获得科技奖励3项：陕西省科学技术一等奖1项(2017年，第三完成人)、吴文俊人工智能科学技术创新奖(2016年，个人奖)、中国电子学会优秀工作者奖(2015年)。