本发明属于数字图像压缩编码领域，更具体地，涉及一种基于小波子带的卷积神经网络遥感图像无损压缩方法及系统。
背景技术：
1、遥感图像无损压缩算法能够不失真地从压缩码流中恢复中原始图像，所以在军事国防、地物探测、地质测绘有着重要的应用价值。随着遥感成像技术发展，有限的传输带宽和存储存储容量无法满足愈发庞大的图像数据传输需求，而现有的无损图像压缩方法如png、jpeg-2000、jpeg-ls等存在压缩效率低下的问题。近年来，基于深度网络的图像压缩方法快速发展，在无损压缩领域也取得了优异的成绩。其中卷积神经网络的自回归概率估计方法在基于深度网络图像压缩中展示出精准的概率估计能力。
技术实现思路
1、针对现有技术的缺陷，本发明的目的在于提供一种基于小波子带的卷积神经网络遥感图像无损压缩方法及系统，旨在实现遥感图像的无损压缩，从而节省传输和存储的比特。
2、为实现上述目的，本发明提供了一种基于小波子带的卷积神经网络遥感图像无损压缩方法，针对遥感系统对更优异性能无损图像压缩方法的需求，充分考虑遥感系统采集到的遥感图像数据存在背景和目标特征相似的特点，在基于卷积神经网络的自回归概率估计方法的基础上结合离散小波变换，提出了基于卷积神经网络与小波子带的遥感图像无损压缩方法，具有优异的压缩性能。
3、包括以下步骤：
4、对输入的遥感图像进行n级离散小波变换，每一级离散小波变换产生四个频率子带分量ll、lh、hl、hh，得到(ll1,hl1,lh1,hh1)、…、(lln,hln,lhn,hhn)；
5、建立逐像素自回归熵模型，以高斯混合分布熵参数来表示像素概率分布；对ll进行特征提取，预测熵参数；
6、建立子带自回归熵模型，以高斯混合分布熵参数来表示像素概率分布；以lli为条件对hli、lhi、hhi进行特征提取，预测熵参数；
7、对高斯混合分布熵参数进行解算，计算每个子带像素的累计分布函数，得到每个子带像素的预测概率值；
8、对每个子带像素的预测概率进行算数编码，输出压缩后的二进制码流。
9、进一步地，所述多级离散小波变换包括多个单级离散小波变换：
10、对输入的遥感图像进行第一级离散小波变换以产生四个频率子带分量(ll1,hl1,lh1,hh1)；
11、对ll1进行第二级离散小波变换以产生四个频率子带分量(ll2,hl2,lh2,hh2)；
12、···
13、对lln-1进行第n级离散小波变换以产生四个频率子带分量(lln,hln,lhn,hhn)。
14、优选地，所述离散小波变换为5/3离散小波变换。
15、进一步地，单级离散小波变换分为按行一维离散小波变换和按列一维离散小波变换两步，并对超过图像索引范围的区域应用反射填充；
16、按行一维离散小波变换，x为变换前图像，xe为行分解偶分量，xo为行分解奇分量，l为横向低频分量，h为横向高频分量：
17、xe(x,y)＝x(2x,y)
18、xo(x,y)＝x(2x+1,y)
19、
20、
21、按列一维离散小波变换，le和lo分别为l的按列偶分量和奇分量，he和ho分别为h的按列偶分量和奇分量，ll为横向竖向低频分量，hl为横向高频率竖向低频分量，lh为横向低频分量竖向高频分量，hh为横向竖向g高频分量：
22、
23、进一步地，以ll为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对lh进行特征提取；以ll、lh为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对hl进行特征提取；以ll、lh、hl为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对hh进行特征提取。
24、进一步地，其特征在于，建立以逐像素自回归熵模型对ll进行概率建模，建立子带自回归熵模型对lh，hl，hh进行概率建模：
25、对于每一级四个频率子带分量，压缩顺序为lli,hli,lhi,hhi，其中lli分量只有最高级子带lln才需要压缩，lli分量可以通过上一级的四个频率分量lli-1,hli-1,lhi-1,hhi-1进行二维离散小波反变换得到；
26、ll的逐像素自回归熵模型的概率建模表示为：
27、
28、其中n代表子带分量像素数量，xi为当前正在编码的像素，x1,x2,…,xi-1代表已经完成编码的左上角像素，子带分量ll的待编码像素xi以左上角已编码像素为条件构成逐像素自回归模型；
29、lh的子带自回归熵模型的概率建模表示为：
30、
31、lh的子带自回归熵模型的概率建模表示为：
32、
33、hh的子带自回归熵模型的概率建模表示为：
34、
35、待编码像素值的分布均建模为高斯混合分布，由高斯混合分布的熵参数表示，高斯混合分布的熵参数包含权重π＝{π1,π2…πk}，均值μ＝{μ1,μ2…μk}，方差σ＝{σ1,σ2…σk}；当前编码像素的概率可以由高斯混合分布的累计分布函数cdf计算得到，表示为：
36、
37、进一步地，逐像素自回归熵模型和子带自回归熵模型由卷积神经网络构建：
38、逐像素自回归熵模型网络包括：自特征提取模块、高斯混合熵参数估计模块；其输入为当前编码子带分量和已编码子带分量，输出混合高斯分布参数π,μ,σ；
39、子带自回归熵模型网络包括：自特征提取模块、条件特征提取模块、高斯混合熵参数估计模块；其输入为当前编码子带分量和已编码子带分量，输出混合高斯分布参数π,μ,σ。
40、进一步地，在得到待编码像素的高斯混合分布参数π,μ,σ后，对高斯混合分布的参数π,μ,σ进行解算得到当前像素每个可能值的概率估计表，以此概率估计表进行算数编码；包含以下步骤：
41、第一，按照像素符号概率分布对编码区间进行分割，每个像素符号对应其中一个子区间；
42、第二，根据当前要编码的像素符号选择与其对应的子区间，作为编码下一个像素符号的编码区间；
43、第三，重复上述两个步骤直至编码结束所有的像素符号。
44、本发明还提供了一种基于小波子带的卷积神经网络遥感图像无损压缩系统，包括：计算机可读存储介质和处理器；
45、所述计算机可读存储介质用于存储可执行指令；
46、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述的基于小波子带的卷积神经网络遥感图像无损压缩方法。
47、通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下
48、有益效果：
49、1、本发明应用基于卷积神经网络来学习遥感图像的分布特征，充分利用非线性网络的强大特征表达能力和高维数据拟合能力，通过大量遥感图像数据学习图像特征和像素分布特性，提取待编码像素与已编码像素的相关性和子带图像之间的相关性，对像素概率进行精准的建模和预测，可以高效的完成遥感图像无损压缩任务，比传统无损压缩方法性能更忧。
50、2、本发明应用高斯混合分布对像素概率进行建模，而不是直接输出像素概率，能够大量减少网络模型输出通道数量，同时仍然能够精准地预测待编码像素的概率。
51、3、本发明应用离散小波变换，将原始图像分解为多级频率子带分量，然后对不同子带分量应用逐像素自回归熵模型和子带自回归熵模型，充分挖掘了不同频率子带分量之间的特征关联性，更高效地进行图像压缩。
1.一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，所述多级离散小波变换包括多个单级离散小波变换：
3.根据权利要求2所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，所述离散小波变换为5/3离散小波变换。
4.根据权利要求3所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，单级离散小波变换分为按行一维离散小波变换和按列一维离散小波变换两步，并对超过图像索引范围的区域应用反射填充；
5.根据权利要求1所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，以ll为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对lh进行特征提取；以ll、lh为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对hl进行特征提取；以ll、lh、hl为条件，建立条件自回归熵模型，以熵参数来表示像素概率分布，对hh进行特征提取。
6.根据权利要求5所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，建立以逐像素自回归熵模型对ll进行概率建模，建立子带自回归熵模型对lh，hl，hh进行概率建模：
7.根据权利要求1所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，逐像素自回归熵模型和子带自回归熵模型由卷积神经网络构建：
8.根据权利要求7所述的一种基于小波子带的卷积神经网络遥感图像无损压缩方法，其特征在于，在得到待编码像素的高斯混合分布参数π,μ,σ后，对高斯混合分布的参数π,μ,σ进行解算得到当前像素每个可能值的概率估计表，以此概率估计表进行算数编码；包含以下步骤：
9.一种基于小波子带的卷积神经网络遥感图像无损压缩系统，其特征在于，包括：计算机可读存储介质和处理器；
