一种基于多方向卷积神经网络的多光谱图像压缩方法及系统与流程

1.本发明涉及图像处理和深度学习技术领域，尤其是一种基于多方向卷积神经网络的多光谱图像压缩方法及系统。


背景技术：

2.随着多光谱成像技术的快速发展，将丰富的光谱空间特征编码到几个窄而连续的光谱波段中，能够生成比普通可见光图像更能反映同一场景特征的多光谱图像。多光谱图像具有丰富的谱间和空间信息，已被广泛应用于环境监测、作物状况评估、军事侦察、目标监视等领域。然而，也由于其包含的信息之多，多光谱图像的数据量相比可见光图像而言急剧增加。考虑到海量的数据将给图像的传输、存储和应用带来巨大的压力，尤其是在信道容量有限的情况下，因此需要对数据进行有效压缩。
3.对于可见光图像的压缩，大多数情况下只需要考虑空间相关性，因此出现了许多有效的传统压缩方法，如jpeg2000和3d
‑
spiht。这些算法通常在空间维度上进行变换，以消除空间冗余，以获得更高的压缩比。直接将jpeg2000或其他传统方法应用于多光谱图像压缩也可以取得很好的效果，但鉴于多光谱图像的特点，需要研究一种侧重于谱空特征同时提取的压缩算法，以更好地保留多光谱图像包含的信息。
4.图像数据之所以能被压缩，是因为数据间存在各种冗余成分。图像数据的冗余主要分为：由相邻像素间存在相关性而引起的空间冗余，图像序列中相邻的不同帧之间存在相关性引起的时间冗余，以及由不同色彩通道或频谱带间的相关性产生的频谱冗余。多光谱图像在成像过程中，由于波段间隔小，各波段数据之间存在着强烈的相关性，即谱间冗余；而对于每个波段的单幅图像来说，它相当于一幅二维静态图像，即存在空间冗余。然而，现有的多光谱图像压缩算法大多侧重与去除空间冗余，而忽略了谱间冗余。
5.传统多光谱图像压缩算法主要分为三类：(1)基于预测编码的算法；(2)基于矢量量化编码的算法；(3)基于变换编码的算法。这三类算法都存在明显的不足：基于预测编码的算法虽然能实现无损压缩，但是压缩率较低，且预测器设计的好坏是影响该方法压缩性能的主要因素；基于矢量量化编码的算法的计算复杂度偏高，且其压缩性能与码书大小直接相关，即码书越大，压缩性能越好，但是当码书过大时，会极大地增加计算量；基于变换编码的算法在压缩率较大时，会出现块效应和边缘吉布斯效应，严重影响压缩性能。传统的多光谱图像压缩方法尽管也能获得不错的压缩效果，但都未能充分利用多光谱图像谱空特征丰富的特点。
6.近年来深度学习技术快速发展，其在图像处理领域的应用也愈加广泛，因此将深度学习技术与图像压缩相结合是研究的必然趋势。深度学习技术结合压缩技术主要利用深度学习的多参数、可学习的特点，利用卷积神经网络或循环神经网络等框架来构成不同的网络结构，提取图像数据特征。深度学习技术的优势在于能够提取图像中的深层信息，保留物体的本质特征。将此优势应用到图像压缩上，能够有效弥补传统压缩技术的谱空特征提取不完全等缺点。现今应用最多的是卷积神经网络，但普通的卷积网络也通常会忽略多光
谱图像的谱间信息，会造成大量信息损失。


技术实现要素：

7.本发明所要解决的技术问题在于，提供一种基于多方向卷积神经网络的多光谱图像压缩方法及系统，实现多光谱图像的多码率压缩，能有效提高多光谱图像的压缩性能。
8.为解决上述技术问题，本发明提供一种基于多方向卷积神经网络的多光谱图像压缩方法，包括如下步骤：
9.(1)构建多光谱图像压缩网络并对其进行训练，优化网络参数，获得最优的多光谱图像压缩网络模型；
10.(2)将待压缩的多光谱图像送入多光谱图像压缩网络，通过多方向卷积从不同方向分别提取图像的光谱特征与空间特征，并经过降维、融合后使用下采样减小特征图的尺寸，通过量化模块去除数据冗余，将量化后的特征数据进行无损熵编码得到用于传输和存储的压缩码流；
11.(3)对接收到的压缩码流进行熵解码和逆量化，获得多光谱图像谱空特征数据，再输入反向解码网络，先通过上采样恢复特征图尺寸，再通过解码网络中的谱间/空间多方向卷积模块恢复相应谱间及空间特征，并降维、融合后得到重构的多光谱图像，通过改变参数训练得到不同的网络模型，实现多光谱图像的多码率压缩。
12.优选的，步骤(1)中，多光谱图像压缩网络中使用线性整流函数，线性整流函数表达式为：
13.relu(x
i
)＝max(0,x
i
)
14.其中x
i
为第i个通道的数据，该函数将输入分两个段进行映射，当输入值小于0时，则将原值映射为0，若输入值大于0则按照原值传递，由导数看出，在反向计算时，梯度没有损失。
15.优选的，步骤(2)中，对量化函数进行近似处理，公式如下：
16.x
q
＝round[(2
q
‑
1)
×
x
s
]
[0017]
其中x
s
为经过前向编码网络提取且经过sigmoid函数归一化之后得到的中间特征数据，q为量化级，近似处理过的量化函数在正向传播时将数据四舍五入，而在反向传播时则跳过量化层，将梯度直接传递给前一层。
[0018]
优选的，步骤(3)中，实现多光谱图像的多码率压缩有两种方式：
[0019]
(a)固定率失真优化中的惩罚权重λ，通过改变中间卷积层神经元的个数，训练得到不同码率的压缩网络，神经元个数越少则得到码率越小；
[0020]
(b)固定中间卷积层神经元的个数，通过改变率失真优化中的惩罚权重λ的取值，训练得到不同码率的压缩网络，λ越大则得到码率越小。
[0021]
相应的，一种基于多方向卷积神经网络的多光谱图像压缩系统，包括：前向编码网络、量化模块、熵编码模块、熵解码模块、逆量化模块、反向解码网络；前向编码网络包括谱间/空间多方向卷积提取模块、提取特征融合模块、下采样模块；反向编码网络包括上采样模块、谱间/空间方向多方向卷积恢复模块和恢复特征融合模块；
[0022]
谱间/空间多方向卷积提取模块分别从不同方向卷积提取多光谱图像的谱间特征和空间特征；提取特征融合模块对提取到的空间特征进行逐像素融合并降维后，与同样降
维后的谱间特征并联连接得到特征图；下采样模块减小特征图尺寸；量化模块和熵编码模块通过对特征图进行量化和熵编码得到用于传输和存储的压缩码流；熵解码模块和逆量化模块对压缩码流进行熵解码和逆量化，获得多光谱图像的特征数据；上采样模块恢复特征图尺寸；谱间/空间多方向卷积恢复模块恢复特征图的相应特征；恢复特征融合模块将空间特征逐像素融合并降维后与同样降维后的谱间特征并联连接，得到重构的多光谱图像。
[0023]
优选的，前向编码网络包含8个谱间方向卷积模块，8个空间方向1卷积模块，8个空间方向2卷积模块，3个下采样模块；下采样操作使用步长为2，卷积核大小为4
×
4的卷积层。
[0024]
优选的，多光谱图像压缩网络还包括率失真优化模块；率失真优化模块采用将中间特征数据的熵值引入压缩网络的损失函数计算中，通过训练不断优化光谱特征与空间特征数据的分布，使之更加紧凑，损失函数表示为：
[0025]
l＝l
d
λl
r
[0026]
其中，l
d
为失真损失，采用均方误差mse来表示；λ是惩罚权重，用来显式控制码率；l
r
是量化后特征图数据的熵近似值，反映中间特征数据的分布集中情况；
[0027]
l
d
的计算公式：
[0028][0029]
其中，i表示输入图像，表示压缩网络恢复图像，n表示批处理的数据大小，h、w、c分别表示输入图像的高度、宽度以及通道数；
[0030]
l
r
的计算公式：
[0031]
l
r
＝
‑
ε[log2p
q
]
[0032]
其中，
[0033][0034]
p
d
(x)是中间数据的概率密度函数。
[0035]
本发明的有益效果为：(1)网络模型采用谱间/空间多方向卷积提取模块，分别从不同方向独立地提取相应特征，提取特征融合模块首先只将空间方向的特征进行逐像素融合，而将谱间与空间两部分特征进行并联连接，保证谱间及空间特征完全分离的同时也保证空谱特征的完整性，且不用引入新的参数；在训练网络时，可将待训练数据直接输入网络，在输出端得到训练结果，减少中间的独立学习步骤，大大提高学习效率；(2)将谱间/空间多方向卷积模块各自级联且将两者并行连接，与特征融合模块一起构成前向编码网络与反向解码网络，提高训练效率，同时谱间/空间卷积单元中包含短路连接，参考残差网络单元，能够加快训练速度，避免深度网络带来的梯度爆炸、网络退化等一系列问题；(3)在损失函数中加入率失真优化，使谱间特征与空间特征的数据分布更加紧凑，并保持码率与损失失真之间的取舍平衡，在保留图片更完整的谱间特征信息的同时，使重构图像更接近原始图像。
附图说明
[0036]
图1为本发明的压缩系统结构示意图。
[0037]
图2为本发明谱间方向卷积单元结构示意图。
[0038]
图3为本发明空间方向卷积单元结构示意图。
[0039]
图4为本发明前向编码网络结构示意图。
[0040]
图5为本发明反向解码网络结构示意图。
[0041]
图6(a)为本发明不同码率下7波段测试集的平均psnr图。
[0042]
图6(b)为本发明不同码率下8波段测试集的平均psnr图。
[0043]
图7为本发明7波段恢复图像展示图。
[0044]
图8为本发明8波段恢复图像展示图。
[0045]
图9(a)为本发明7波段测试集光谱相似度曲线图。
[0046]
图9(b)为本发明8波段测试集光谱相似度曲线图。
具体实施方式
[0047]
如图1所示，一种基于多方向卷积神经网络的多光谱图像压缩系统，包括：前向编码网络、量化模块、熵编码模块、熵解码模块、逆量化模块、反向解码网络；其中前向编码网络包括谱间/空间多方向卷积提取模块、提取特征融合模块、下采样模块；反向编码网络包括上采样模块、谱间/空间多方向卷积恢复模块、恢复特征融合模块；谱间/空间多方向卷积提取模块分别从不同方向卷积提取多光谱图像的谱间特征和空间特征；提取特征融合模块对提取到的空间特征进行逐像素融合并降维后，与同样降维后的谱间特征并联连接得到特征图；所述下采样模块减小特征图尺寸；量化模块和熵编码模块通过对特征图进行量化和熵编码得到用于传输和存储的压缩码流；熵解码模块和逆量化模块对压缩码流进行熵解码和逆量化，获得多光谱图像的特征数据；上采样模块恢复特征图尺寸；所述谱间/空间多方向卷积恢复模块恢复特征图的相应特征；恢复特征融合模块将空间特征逐像素融合并降维后与同样降维后的谱间特征并联连接，得到重构的多光谱图像。
[0048]
本发明提出一种基于多方向卷积神经网络的多光谱图像压缩方法，具体包括如下步骤：
[0049]
步骤s1：构建多光谱图像压缩网络，输入训练集数据训练该网络以优化网络参数，直到获得最优的多光谱图像压缩网络模型。
[0050]
步骤s11：将多个不同方向的谱间/空间卷积单元作为基本单元结构级联堆叠构成相应谱间/空间多方向卷积提取(或恢复)模块，加入下采样(或上采样)分别构成前向编码网络与反向解码网络，并加入率失真优化、量化、熵编码、熵解码、逆量化模块构成端到端多光谱图像压缩网络。
[0051]
步骤s12：谱间卷积单元及空间卷积单元结构分别如图2和图3所示，conv表示卷积，relu表示线性整流函数，其中采用短路连接学习残差能够加快训练，谱间卷积单元采用卷积核大小为1
×1×
3的卷积提取特征，只在谱间维度上计算来提取完整的谱间特征数据，加入非线性激活函数relu以学习非线性信息；空间卷积单元采用卷积核尺寸为3
×3×
1的卷积提取特征；多个谱间/空间卷积单元堆叠级联构成相应谱间/空间多方向卷积提取模块，特征提取完成后融合并共同进行下采样，以构成前向编码网络。
[0052]
步骤s13：前向编码网络主要由卷积层、线性整流单元、多方向卷积网络、特征融合网络、下采样层等级联堆叠而成，其实现的功能为提取多光谱图像的完整谱间和空间特征。
[0053]
步骤s14：在前向编码网络结构之后为量化层与熵编码，其实现的功能为对前向编码网络提取到的谱间空间融合特征进行量化与熵编码，其中量化的目的是减少数据中的冗余信息，但同时也是图像压缩失真部分的主要来源，熵编码则是将量化后的数据在无损的条件下对数据编码得到压缩的二进制码流，进一步去除数据统计间冗余。量化层、熵编码与前向编码网络组成网络中的压缩模型。
[0054]
步骤s15：逆量化、熵解码、反向解码网络组成网络中的解压缩模型，网络结构中的逆量化、熵解码、反向解码网络与量化、熵编码、前向编码网络功能一一对应，整个网络呈对称结构，共同组成完整的压缩网络结构。
[0055]
步骤s16：整个压缩网络模型采用端到端的训练方式：在输入端将预处理过的多光谱图像直接输入网络模型开始训练，采用批处理方式，即一次性读取多幅图片，提高网络训练效率；图像数据经过压缩模型，传输到解压缩模型，将输出端得到数据与原始数据对比计算失真误差，通过最小化损失函数优化网络参数，并通过反向传播更新网络参数，直至参数达到最优。
[0056]
步骤s2：将待压缩的多光谱图像送入多光谱图像压缩网络，通过谱间/空间多方向卷积提取模块分别提取多光谱图像的谱间特征与空间特征，通过提取特征融合模块得到融合的谱空特征，使用下采样减小特征图的尺寸，经量化层去除数据冗余，将量化后的中间特征数据进行无损熵编码得到用于传输和存储的压缩码流，其结构主要包括前向编码网络、量化层、熵编码。
[0057]
步骤s21：前向编码网络用于提取输入多光谱图像的特征数据，保留多光谱图像的谱间信息与空间信息，有助于重建高质量图像，其结构如图4所示，其中conv表示卷积层，conv后面括号中的参数分别代表，输入通道数，输出通道数，卷积核大小，步长，padding。另外，下采样操作通过采用步长为2的卷积实现，后面括号中的参数分别表示卷积核大小，步长，padding。relu表示线性修正单元，谱间及空间卷积单元分别为图2和图3所示结构，前向编码网络具体过程如下：
[0058]
(1)h
×
w
×
c大小的多光谱数据，分别输入谱间及空间多方向卷积模块，在谱间方向卷积模块中经过卷积核大小为1
×1×
3、步长为(1,1,1)、padding为(0,0,1)的卷积层(padding为1的维度对应谱间维度)，输入输出通道均为1；在空间方向卷积模块中，卷积核的大小为3
×3×
1，步长为(1,1,1)，padding为(1,1,0)(padding中1对应空间维度)，第一个卷积层输入通道数为7或8，由输入的多光谱图像本身的通道数决定，输出通道为56，中间的单元输入输出通道均为56，最后一个卷积层输入通道为56，输出为7或8；通过relu激活函数，增加神经网络各层之间的非线性关系；
[0059]
(2)经过多方向卷积模块提取特征后首先将不同方向的空间特征逐像素相加融合，采用卷积输入通道为7或8(由输入的多光谱图像本身的通道数决定)、输出通道为4、核大小为1
×
1、步长为1、padding为0的卷积降维后，与同样采用输入通道为7或8(由输入的多光谱图像本身的通道数决定)、输出通道为3或4(对应7或8)、核大小为1
×
1、步长为1、padding为0的卷积降维后的谱间特征进行并联连接，得到融合的谱空特征，然后经过一层卷积和一层relu激活函数，卷积核大小为3
×
3，步长为1，padding为1，然后进行下采样，即卷积核大小为4
×
4、步长为2、padding为1的卷积层，得到64个大小为h/2
×
w/2的特征图，相同的过程再重复进行两次，得到64个大小为h/8
×
w/8的特征图，将图像的空间分辨率降为
原来的1/64；
[0060]
(3)最后通过卷积核大小为3
×
3、步长为1、padding为1的卷积层，输入输出通道数分别为(64,48)，最终提取得到48个大小为m/8
×
n/8的中间特征图数据，再经过sigmoid函数，使得网络输出的值在[0,1]之间。
[0061]
步骤s22：量化层与熵编码层主要去除数据冗余，编码量化后数据为压缩码流，由于量化函数的导数不连续，无法直接求导加入到网络中，在反向传播时会出现梯度消失的情况，阻碍网络参数更新，因此需要对量化函数进行近似处理，公式如下：
[0062]
x
q
＝round[(2
q
‑
1)
×
x
s
]
[0063]
其中x
s
为经过卷积层提取后经过sigmoid函数之后得到的中间特征数据，q为量化级。
[0064]
近似处理过的量化函数，正向传播时将数据四舍五入，反向传播时则跳过量化层，将梯度直接传递给前一层。然后对量化过的中间特征数据x
q
采用zpaq无损熵编码生成二进制码流。对码流进行熵解码还原得到量化后的中间特征数据x
q
，之后将逆量化后的中间特征数据x
q
/(2
q
‑
1)输入到反向解码网络中。
[0065]
步骤s3：对接收到的码流进行熵解码和逆量化，获得多光谱图像谱空特征数据，将其送入反向解码网络以重构多光谱图像，并通过改变参数训练不同的压缩网络模型，实现多光谱图像的多码率压缩。
[0066]
步骤s31：反向解码网络用于将中间特征图像重构为多光谱图像，其结构如图5所示，其中，conv表示卷积层，与前向编码网络结构对称，conv后面括号中的参数分别代表输入通道数，输出通道数，卷积核大小，步长，padding。relu表示线性修正单元，谱间及空间卷积单元分别为图2和图3所示结构。pixelshuffle表示一种上采样函数，用于恢复特征图尺寸。反向解码网络具体解码过程如下：
[0067]
(1)48个大小为h/8
×
w/8的特征图数据，先经过卷积核大小为3
×
3，步长为1，padding为1的卷积层，得到64个大小为h/8
×
w/8特征图；
[0068]
(2)通过pixelshuffle层得到16个大小为h/4
×
w/4的特征图；然后经过卷积核大小为3
×
3，步长为1，padding为1的卷积层与relu激活函数，得到64个大小为h/4
×
w/4特征图，再经过卷积核大小为3
×
3，步长为1，padding为1的卷积层，这样的过程再重复进行两次，得到64个大小为m
×
n的特征图；
[0069]
(3)然后分别输入谱间方向卷积模块与空间方向卷积模块，在谱间方向卷积模块中经过卷积核大小为1
×1×
3、步长为(1,1,1)、padding为(0,0,1)的卷积层(padding中1对应谱间维度)，输入输出通道均为1；在空间方向卷积模块中，卷积核的大小为3
×3×
1，步长为(1,1,1)，padding为(1,1,0)(padding中1对应空间维度)，第一个卷积层由输入图像的波段数决定输入通道为7或8，输出通道为56，中间的单元输入输出通道均为56，最后一个卷积层输入通道为56，输出为7或8，整个过程与前向编码网络呈对称关系，相当于对特征图数据做反卷积操作；
[0070]
(4)最后空间方向卷积模块得到的数据相加、降维后与同样降维后的谱间数据并联连接，重构得到与原图同样大小的恢复图像。
[0071]
步骤s32：为了进一步优化多光谱压缩网络的性能，做到码率减小的同时尽可能保持恢复图像质量，因此需要对码率和图像质量损失之间进行平衡，同时为了获得不同码率
下的模型，本文采取的损失函数由下式表示：
[0072]
l＝l
d
λl
r
[0073]
其中l
d
为失真损失(distortion loss)，采用的是均方误差(mean
‑
square error，mse)；λ是惩罚权重，用来显式控制码率，即取值越大，码率越小；l
r
是量化后特征图数据的熵近似值，可以反映中间特征数据的分布集中情况；
[0074]
l
d
的计算公式为：
[0075][0076]
其中，h,w,c分别代表图像的高度宽度及通道数目，n表示批尺寸，i(x,y,z)表示输入图像空间位置(x,y,z)处像素值，表示压缩网络恢复图像空间位置(x,y,z)处像素值。
[0077]
l
r
的计算公式为：
[0078]
l
r
＝
‑
ε[log2p
q
]
[0079]
其中，
[0080][0081]
这里的p
d
(x)是中间数据的概率密度函数。将中间特征数据的熵引入到损失函数中，可以让网络在学习的过程中不断优化中间特征数据的分布使之集中，进而提高网络的压缩性能。
[0082]
步骤s33：多光谱图像压缩网络的目标是尽可能使恢复图像接近输入图像，保留原始图像信息，在网络中表现为，通过学习与训练获取最优的网络参数使损失函数值最小，用公式表示为：
[0083][0084]
其中，
[0085]
x
m
(θ)＝se(θ1,x) sa1(θ2,x) sa2(θ3,x)
[0086]
θ＝(θ1,θ2,θ3)
[0087]
其中，x表示输入图像，θ表示网络的参数，θ1,θ2,θ3分别对应各个方向上的卷积网络的参数，se()、sa1()以及sa2()分别表示谱间方向卷积网络、空间方向1卷积网络和空间方向2卷积网络，qu()表示量化编码，re()表示解码重构网络。网络参数优化的具体过程为：
[0088]
在网络训练开始时，将网络参数随机初始化，经前向编码网络编码量化，进入解码网络；解码端根据参数重构图像；将重构后图像的像素值与原图像的像素值送入损失函数中，计算两者之间的误差，通过反向传播算法更新参数，直至损失函数达到最小，其中l
r
的输入为编码网络未经量化的输出，在损失函数中加入信息熵，可以使图像数据分布更加紧凑，可以有效减小码率。
[0089]
下面结合仿真实验对本发明的效果做进一步的说明。
[0090]
本发明的硬件测试平台为：gpu(nvidia geforce gtx 2080ti)，内存(32gb)，硬盘
(三星ssd sm871 2.5 7mm 256gb/固态硬盘)。
[0091]
软件平台为：windows7 64位操作系统，pytorch1.2.0，matlab。
[0092]
本发明所使用的多光谱图像压缩网络的训练集和测试集来源于landsat8和worldview
‑
3卫星的多光谱图像，分别包含7个或8个多光谱谱段。为了防止网络过拟合，网络的训练集选取包含不同季节、多种天气、多种地形条件下的多光谱图像，使之包含较为丰富和多样的特征，将其裁剪为128
×
128大小的块，其中7波段数据(landsat8)约有80000张作为训练集，8波段数据(worldview
‑
3)约有17000张作为训练集；以同样的标准选取得到网络的测试集，7波段测试集共包含17幅图像，大小为512
×
512，8波段测试集包含14幅图像，大小为512
×
512；网络的训练集与测试集没有重复的图像，即被选为测试集的多光谱图像数据不参与训练。
[0093]
网络训练使用adam optimizer，初始学习率设置为0.0001，用于网络的快速收敛并生成预训练模型，至网络收敛速度变缓时，再减小学习率至0.00001，训练得到所需要的模型。对于率失真优化，根据easy
‑
to
‑
hard的学习思想，在初始阶段l
r
设置为0，待网络充分收敛后，逐步增加l
r
的权重λ的取值，使中间特征图数据的分布逐渐集中，显著提升压缩性能。
[0094]
应用本发明对多光谱图像进行不同码率的压缩，在已训练好的模型中通过改变惩罚权重λ，可改变图片压缩比，仿真采用8个不同码率测试图片的恢复效果，并与现有的jpeg2000和3d
‑
spiht方法的性能作对比，为检验图像压缩前后光谱信息的恢复情况，引入了光谱相似度作为参考。
[0095]
图6(a)和图6(b)表示本发明与jpeg2000和3d
‑
spiht在不同码率下两个数据集上平均psnr比较；图7表示选取的四幅7波段多光谱图像在本发明与jpeg2000和3d
‑
spiht两种算法下的恢复比较图；图8表示选取的四幅8波段多光谱图像在本发明与jpeg2000和3d
‑
spiht两种算法下的恢复比较图；图9(a)和图9(b)表示两个数据集上本发明与jpeg2000和3d
‑
spiht光谱相似度曲线比较。
[0096]
峰值信噪比psnr是传统图像压缩算法应用最广泛的客观评价指标，主要通过压缩前后像素变化来衡量，其计算公式为：
[0097][0098][0099]
其中，n代表图像的表示位数，h,w,c分别代表图像的高度宽度及通道数目，i(x,y,z)表示输入图像空间位置(x,y,z)处像素值，表示压缩网络恢复图像空间位置(x,y,z)处像素值。从图6可以看出，随着码率的增加，重构图像与原始图像的psnr均呈上升趋势，在相同码率下本发明重构图像与原始图像间的平均psnr均高于jpeg2000与3d
‑
spiht，且比较图6(a)和图6(b)的结果，可以进一步说明随着波段数增加，本发明的优势更加明显；综合8个不同码率下对比结果可以看出本发明在7波段数据集上的psnr较jpeg2000平均高出3
‑
4db左右，较3d
‑
spiht高出1
‑
2db，在8波段数据集上本发明的psnr较jpeg2000平均高出6
‑
8db，较3d
‑
spiht高出3
‑
5db；在码率为0.3到0.4时，本发明的psnr优势最为明显。
[0100]
图7和图8分别表示本发明在7波段和8波段数据集上与jpeg2000和3d
‑
spiht两种算法的重构图像以及原始图像的视觉效果对比，更直观地展示恢复效果的优劣，从四幅对比图中可以看出本发明在重构图像质量上明显优于jpeg2000及3d
‑
spiht算法，后两种算法的恢复图像许多纹理细节部分被模糊，尤其jpeg2000算法的恢复图像产生了明显的块效应，本发明的恢复图像更为清晰，纹理细节保留更加完整。
[0101]
图9(a)和图9(b)表示两个数据集上的光谱相似度曲线，本发明恢复的多光谱图像的光谱相似度曲线一直保持在jpeg2000和3d
‑
spiht光谱相似度曲线的下方，不同码率下多光谱图像压缩网络的平均光谱相似度均小于jpeg2000和3d
‑
spiht的平均光谱相似度。光谱相似度值越小，表明光谱曲线越相似，越接近原光谱。
[0102]
表1不同码率下7波段测试数据集的平均光谱相似度
[0103][0104]
表2不同码率下8波段测试数据集的平均光谱相似度
[0105][0106]
表1表示7波段测试数据集在不同码率下的平均光谱相似度，表2表示8波段测试数据集在不同码率下的平均光谱相似度，整体的实验数据表明，本发明算法在光谱相似度指标上较jpeg2000和3d
‑
spiht具有更好的效果，即更有效更完整地保留了谱间信息。