本发明涉及遥感图像处理，尤其涉及一种遥感影像复杂场景感兴趣区域压缩方法及系统。
背景技术：
1、随着遥感卫星的快速发展，高分辨率遥感影像已经成为遥感影像数据中最重要的一部分，对于监测飞机、船舶、车辆等目标具有重要意义。
2、但是，随之而来的问题是，需要大量内存空间存储数据，以及更大带宽传输数据。图像压缩技术通过减少图像数据的表示方式，来降低图像数据的存储空间或传输所需的带宽。图像数据通常由像素组成，每个像素包含有关图像的颜色和亮度信息。图像压缩可以尽可能保持图像质量的前提下，降低图像数据量，从而降低存储和传输成本。为此，当前一些遥感卫星采用了图像压缩技术来降低影像的数据量。jpeg2000是一种最为常用的压缩方法，在很多遥感卫星上都有应用，如北京三号遥感卫星，吉林一号等系列卫星。jpeg2000具有标准的压缩编码规范库，如openjpeg等，主要功能全是采用c/c++语言开发，对第三方的依赖库较少。但是，在高倍压缩比的情况下，jpeg2000很难保证图像的保真度。因此，大部分遥感卫星上的压缩比一般都在2～4倍左右，已经很难满足当前的应用需求。
3、近些年，深度学习技术在各个领域都有长足的进步，尤其是在计算机视觉、自然语言处理等方面。对于图像编码领域，有研究人员已经开始采用深度学习技术来解决传统压缩方法的压缩性能低的问题。目前，常用的基于深度学习压缩方法主要是利用变分自编码器的网络结构，结合卷积神经网络(cnn)、循环神经网络(rnn)、生成对抗网络(gan)以及transformer等来实现图像的高保真高倍率压缩。本发明将基于深度学习技术的图像压缩模型称为学习图像压缩模型。遥感影像往往具有众多的场景，比如对于城市区域，同一景影像中往往会存在建筑物，工厂，区民区，湖泊，河流等复杂的场景。在对遥感影像进行分析时，多数场景往往是可以被看作非感兴趣区域。例如，对城市建设用地的监测时，居民区、工厂、商场等可以被看作感兴趣区域，而河流，湖泊，道路等都可以被视为非感兴趣区域。那么，在压缩时，要实现高倍率的压缩，可以对感兴趣的场景分配更多的码率来保证该区域的重构质量，而对于非感兴趣区域应该分配较少的码率。然而，现有的压缩方法并不能实现上述功能。大部分压缩方法都是对影像进行无差别的压缩，即使是学习图像压缩模型也无法实现更高倍率的压缩。虽然，当前有学者对感兴趣区域(region ofinterest，roi)编码方法的研究，但是局限于单类场景，无法实现复杂场景的roi编码。
技术实现思路
1、本发明提供一种遥感影像复杂场景感兴趣区域压缩方法及系统，用以解决现有技术中roi编码图像压缩存在的缺陷。
2、第一方面，本发明提供一种遥感影像复杂场景感兴趣区域压缩方法，包括：
3、根据目标复杂场景生成roi编码以及生成roi掩膜；
4、构建遥感影像复杂场景感兴趣区域压缩模型结构，所述遥感影像复杂场景感兴趣区域压缩模型结构包括roi提取模块、编码器、边缘特征编码器、边缘特征解码器、熵模型和解码器；
5、利用所述roi编码、所述roi掩膜和预设遥感卫星数据集，对所述遥感影像复杂场景感兴趣区域压缩模型结构进行训练，得到图像压缩模型；
6、将待处理复杂场景遥感影像输入所述图像压缩模型，依次进行roi图像编码和roi图像解码，得到复杂场景遥感影像压缩结果。
7、根据本发明提供的一种遥感影像复杂场景感兴趣区域压缩方法，根据目标复杂场景生成roi编码以及生成roi掩膜，包括：
8、根据所述目标复杂场景获取场景类别；
9、构建每个场景类别的二维roi掩膜，所述二维roi掩膜包括掩膜元素标识集合，所述掩膜元素标识集合包括背景标识和感兴趣类别索引标识；
10、利用所述掩膜元素标识集合和所述感兴趣类别索引标识得到任一感兴趣类别二维roi掩膜；
11、由掩膜通道总数、背景类别三维掩膜通道数、所述感兴趣类别索引标识和所述任一感兴趣类别二维roi掩膜，得到任一感兴趣类别三维roi掩膜；
12、将所有感兴趣类别三维roi掩膜进行特征拼接，得到最终三维roi掩膜。
13、根据本发明提供的一种遥感影像复杂场景感兴趣区域压缩方法，利用所述roi编码、所述roi掩膜和预设遥感卫星数据集，对所述遥感影像复杂场景感兴趣区域压缩模型结构进行训练，得到图像压缩模型，包括：
14、按照所述目标复杂场景对应的类别将所述预设遥感卫星数据集划分为多个分类数据集；
15、由所述roi编码训练所述遥感影像复杂场景感兴趣区域压缩模型结构获得roi提取模型，待roi提取模型收敛后，保存训练权重；
16、将所述多个分类数据集训练输入所述roi提取模型，获取所述图像压缩模型，其中所述roi提取模型不参与所述图像压缩模型的损失函数计算，待所述图像压缩模型收敛后，保存训练权重。
17、根据本发明提供的一种遥感影像复杂场景感兴趣区域压缩方法，所述roi图像编码包括：
18、采用所述roi提取模块对输入遥感影像进行像素级分类，得到复杂场景roi区域掩膜；
19、利用所述编码器将所述输入遥感影像转化为潜在表征；
20、结合所述复杂场景roi区域掩膜和所述潜在表征，生成roi潜在表征，量化所述roi潜在表征得到roi潜在量化表征；
21、利用所述边缘特征编码器提取所述潜在表征中的边缘信息，量化所述边缘信息得到边缘量化信息；
22、采用无参数密度函数对所述边缘量化信息进行估计，得到边缘量化信息概率分布估计；
23、对所述边缘量化信息进行算术编码得到边缘量化码流；
24、利用所述边缘特征解码器对边缘量化信息进行特征解码得到边缘量化解码信息；
25、将所述边缘量化解码信息输入所述熵模型，得到所述roi潜在量化表征的概率分布；
26、利用所述roi潜在量化表征的概率分布对所述roi潜在量化表征进行算术解码，得到roi潜在量化表征码流。
27、根据本发明提供的一种遥感影像复杂场景感兴趣区域压缩方法，所述roi图像解码包括：
28、对所述边缘量化码流进行解码，得到所述边缘量化信息；
29、利用所述边缘特征解码器对边缘量化信息进行特征解码得到所述边缘量化解码信息；
30、将所述边缘量化解码信息输入所述熵模型，得到所述roi潜在量化表征的概率分布；
31、对所述roi潜在量化表征的概率分布进行算术解码，得到所述roi潜在量化表征；
32、将所述roi潜在量化表征输入所述解码器，得到重构遥感影像。
33、根据本发明提供的一种遥感影像复杂场景感兴趣区域压缩方法，所述量化采用量化函数，所述算术编码采用算术编码器，所述算术解码采用算术解码器。
34、第二方面，本发明还提供一种遥感影像复杂场景感兴趣区域压缩系统，包括：
35、提取模块，用于根据目标复杂场景生成roi编码以及生成roi掩膜；
36、构建模块，用于构建遥感影像复杂场景感兴趣区域压缩模型结构，所述遥感影像复杂场景感兴趣区域压缩模型结构包括roi提取模块、编码器、边缘特征编码器、边缘特征解码器、熵模型和解码器；
37、训练模块，用于利用所述roi编码、所述roi掩膜和预设遥感卫星数据集，对所述遥感影像复杂场景感兴趣区域压缩模型结构进行训练，得到图像压缩模型；
38、压缩模块，用于将待处理复杂场景遥感影像输入所述图像压缩模型，依次进行roi图像编码和roi图像解码，得到复杂场景遥感影像压缩结果。
39、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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如上述任一种所述遥感影像复杂场景感兴趣区域压缩方法。
40、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述遥感影像复杂场景感兴趣区域压缩方法。
41、第五方面，本发明还提供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如上述任一种所述遥感影像复杂场景感兴趣区域压缩方法。
42、本发明提供的遥感影像复杂场景感兴趣区域压缩方法及系统，通过对遥感影像复杂场景感兴趣区域压缩，解决了面向不同任务需求的遥感影像高倍率压缩问题，有效保证了在高压缩比下的不同场景的高保真影像重构。
1.一种遥感影像复杂场景感兴趣区域压缩方法，其特征在于，包括：
2.根据权利要求1所述的遥感影像复杂场景感兴趣区域压缩方法，其特征在于，根据目标复杂场景生成roi编码以及生成roi掩膜，包括：
3.根据权利要求1所述的遥感影像复杂场景感兴趣区域压缩方法，其特征在于，利用所述roi编码、所述roi掩膜和预设遥感卫星数据集，对所述遥感影像复杂场景感兴趣区域压缩模型结构进行训练，得到图像压缩模型，包括：
4.根据权利要求1所述的遥感影像复杂场景感兴趣区域压缩方法，其特征在于，所述roi图像编码包括：
5.根据权利要求4所述的遥感影像复杂场景感兴趣区域压缩方法，其特征在于，所述roi图像解码包括：
6.根据权利要求5所述的遥感影像复杂场景感兴趣区域压缩方法，其特征在于，所述量化采用量化函数，所述算术编码采用算术编码器，所述算术解码采用算术解码器。
7.一种遥感影像复杂场景感兴趣区域压缩系统，其特征在于，包括：
8.一种电子设备，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6任一项所述遥感影像复杂场景感兴趣区域压缩方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述遥感影像复杂场景感兴趣区域压缩方法。
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6任一项所述遥感影像复杂场景感兴趣区域压缩方法。
