调研遥感数据压缩

什么是遥感数据压缩？

遥感图像压缩是指利用特定的算法和技术减少遥感图像数据量的过程，以便更有效地存储和传输数据。这个过程涉及到数据的编码，以减少数据的比特数，同时尽量保持原始图像的重要视觉和分析信息。遥感图像压缩通常分为两类：

1. 无损压缩（Lossless Compression）：在无损压缩中，原始图像数据在解压缩后可以完全恢复，没有信息损失。无损压缩算法的例子包括JPEG-LS、TIFF-LZW等。
2. 有损压缩（Lossy Compression）：有损压缩则允许一定量的图像信息在压缩过程中损失，以换取更高的压缩率。这种压缩适用于图像质量不是极端重要的场合，例如视频流或某些遥感应用。常见的有损压缩算法包括JPEG和JPEG 2000。

用于遥感图像的压缩算法需要考虑到图像数据的特点，例如高分辨率、多光谱或超光谱信息，以及可能存在的噪声和异常值。压缩技术的选择取决于应用的具体需求，包括所需的压缩比、图像数据的类型和最终用户的使用场景。

遥感数据压缩的意义

遥感数据压缩具有重要的意义，主要体现在以下几个方面：

1. 提高传输效率：
   由于遥感数据通常具有高分辨率和多光谱特性，数据量巨大。压缩可以显著减少数据在网络或卫星链路中的传输时间，提高传输效率。
2. 降低存储成本：
   压缩数据占用的存储空间小，有助于降低存储硬件的购买和维护成本。
3. 节省带宽资源：
   在遥感数据的获取和分发过程中，带宽资源往往是有限的，特别是在卫星通信中。压缩可以有效节省带宽，允许在相同带宽下传输更多的数据。
4. 支持实时处理：
   对于需要实时或近实时处理的应用场景，如灾害监测和环境监测，压缩可以减少数据处理和分析的时间延迟。
5. 提高数据处理能力：
   通过减少数据的体积，可以提高数据处理的速度和能力，使得在有限的计算资源下处理更多的数据成为可能。
6. 增强数据安全性：
   压缩数据可以配合加密技术，提高数据在传输和存储过程中的安全性。
7. 便于数据集成和分析：
   压缩后的数据更易于集成和分析，有助于跨学科和跨领域的数据融合与研究。
8. 支持数据共享和协作：
   压缩数据方便了数据的共享和协作，使得不同地区和机构的研究人员能够更容易地获取和使用遥感数据。
9. 适应不同的应用需求：
   通过固定质量压缩等技术，可以根据不同的应用需求调整压缩率和图像质量，实现最优的数据利用。
10. 延长卫星任务寿命：
    对于卫星搭载的遥感设备，数据压缩可以减少所需的数据存储空间和传输时间，从而可能延长卫星的任务寿命。
11. 环境友好：
    减少存储介质的使用和降低能源消耗，间接地减少对环境的影响。

衍生任务有哪些？

• 图像恢复 image restoration。例如，MASCAR: Multidomain Adaptive Spatial–Spectral Variable Compression Artifact Removal Network for Multispectral Remote Sensing Images（TGRS 2024）提出了一种新型网络，用于去除遥感图像中的压缩伪影。
• 图像加密 image encryption。例如，Remote sensing image compression and encryption based on block compressive sensing and 2D-LCCCM（Nonlinear Dyn 2022）提出了一种基于块压缩感知（block compressive sensing, BCS）和利用新型超混沌系统的多重S盒的遥感图像压缩和加密算法。由于遥感图像数据量大，作者开发了一种结合了新型超混沌系统的块压缩-加密算法。所提出的超混沌系统是一个二维Logistic耦合三次映射（2D Logistic coupling Cubic chaotic map, 2D-LCCCM），它结合了Logistic映射和Cubic映射。与现有的混沌系统相比，所提出的系统具有更好的遍历性、随机性和超混沌特性。此外，为了提高明文相关性，在加密阶段结合了块内扰动和S盒替换，每个图像块使用不同的S盒来增强算法的随机性。实验结果表明，所提出的算法在抵抗裁剪攻击方面具有良好的加密效果、重建精度和抗攻击能力。

常用方法

无损压缩：

• JPEG-LS（经典方法）
• TIFF-LZW（经典方法）

有损压缩：

• JPEG（经典方法，采用离散余弦变换）
• JPEG2000（经典方法，采用离散小波变换，最常用）

最新方法

• Discrete Wavelet Transform-Based Gaussian Mixture Model for Remote Sensing Image Compression（TGRS 2023）提出了一种基于离散小波变换（DWT）和高斯混合模型（GMM）的新型熵模型，称为DWTGMM，用于遥感图像有损压缩。
• Task-Oriented Compression Framework for Remote Sensing Satellite Data Transmission（TII 2024）文章提出了一种新颖的方法，将信息提取网络和图像压缩网络整合到一个综合压缩框架中，以实现高比例图像编解码。特别是，为了重建感兴趣区域（Region-of-Interest, ROI）的潜在表示，文章提出了一种潜在特征选择（Latent Feature Selection, LFS）模块。该模块根据背景的空间位置移除某些通道表示，同时完全保留ROI的通道表示。为了有效验证所提方法的性能，作者在多个数据集上进行了广泛的实验。实验结果表明，所提出的框架在卫星数据压缩方面优于传统编解码器。
• Image Compression Network Structure Based on Multiscale Region of Interest Attention Network（remote sensing 2023）文章提出了一种基于深度学习自编码器框架的兴趣区域（Region of Interest, ROI）压缩算法，旨在提高图像重建性能并减少兴趣区域的失真。研究者采用了一种遥感图像云检测算法来检测图像中的重要目标，然后设计了一个多尺度ROI自编码网络，通过分层的超优先级层合成图像，有效减少空间冗余，从而显著提高图像压缩的失真率性能。通过在图像压缩网络中使用ROI的空间注意力机制，实现了更好的压缩性能。
• High-Performance Lossless Compression of Hyperspectral Remote Sensing Scenes Based on Spectral Decorrelation（remote sensing 2020）本文研究了遥感高光谱图像（HSI）的无损压缩技术，这是因为下行链路的容量是限制基于HSI应用的主要瓶颈。考虑到空间设备的能量和硬件限制，文章只考虑无损压缩算法，以避免HSI数据分析中的任何失真。研究目的是在现有HSI压缩技术中找到最有利的压缩-复杂性权衡。通过将最具竞争力的光谱去相关方法与性能最佳的低复杂性压缩器相结合进行了新的比较。实验结果表明，在有限能量供应的情况下，FAPEC算法提供了最佳权衡。与CCSDS 123.0-B-2标准相比，FAPEC的速度提高了5倍，压缩数据速率平均接近CCSDS标准的84%。

常用指标

• 峰值信噪比（PSNR）：这是一种常用的评价图像质量的客观指标，用于衡量压缩后图像与原始图像之间的相似度。PSNR越高，表示图像质量越好。
• 多尺度结构相似性（MS-SSIM）：这是一种更为先进的图像质量评价指标，它在多个尺度上评估图像的视觉效果，包括亮度、对比度和结构信息。MS-SSIM值越高，表示压缩后的图像在视觉上与原始图像越接近。
• 平均平方误差（Mean Square Error, MSE）：这是一个衡量压缩后图像与原始图像之间差异的指标。MSE 值越低，表示压缩后图像的质量越接近原始图像。
• 压缩率（Compression Ratio）：压缩后的数据量与原始数据量的比例，用来衡量压缩效率。也有的定义为压缩前与压缩后的比例。
• 率失真曲线（Rate-Distortion Curves）：这是一种同时考虑压缩图像的质量和压缩后数据大小的评估方法。率失真曲线展示了在不同压缩比率下，压缩算法所能实现的图像质量（通常用PSNR表示）。
• 计算复杂性（Computational Complexity）：评估不同压缩方法在计算资源消耗方面的表现，包括参数数量和每秒浮点运算次数（FLOPs）。
• 编码和解码时间（Encoding and Decoding Time）：衡量压缩和解压缩过程所需的实际时间，这对于实时或近实时的图像处理应用尤为重要。
• 视觉质量比较（Visual Quality Comparison）：通过观察压缩后图像的视觉表现，进行定性分析，评估不同压缩方法在保持图像细节和纹理方面的能力。

常用数据集

无benchmark，无业内规定数据集。以下仅举例，不代表通用性：

• GoogleMap 数据集：由8064张红绿蓝（RGB）图像组成，图像大小为640×640像素。其中4992张图像用于训练，3072张图像用于验证。
• GF1（GaoFen-1 卫星）数据集：包含2400张训练图像和2160张验证图像，每张图像具有四个波段，图像大小也是640×640像素。
• GF7（GaoFen-7 卫星）数据集：包含3445张训练图像和2297张验证图像，每张图像同样具有四个波段，图像大小为640×640像素。
• Pléiades数据集：12位模拟全色Pléiades图像，分辨率为50厘米，尺寸为820×820像素。训练集包含96张图像，测试集包含32张图像。
• Landsat 8 OLI数据集：16位L1处理的Landsat 8 OLI图像，空间分辨率为30米，包含7个非全色波段。训练集包含3584张图像，测试集包含1280张图像，尺寸为512×512像素。
• AVIRIS校准数据集：16位AVIRIS校准场景，包含所有224个光谱波段，分辨率为30米。训练集包含180个场景，测试集包含20个场景，尺寸为512×512像素。
• AVIRIS未校准数据集：16位AVIRIS未校准场景，同样包含所有224个光谱波段，分辨率为30米。训练和测试集共有5个场景，尺寸为512×512像素。
• DOTA v1.0数据集：8位RGB图像，用于与最新的机器学习压缩方法进行性能比较。训练集包含1403张图像，测试集包含935张图像，图像大小不一。

参考文献

[1]

• KIM J, KIM H H, SEO D C, 等. MASCAR: Multidomain Adaptive Spatial–Spectral Variable Compression Artifact Removal Network for Multispectral Remote Sensing Images[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-20. DOI:10.1109/TGRS.2023.3347518.
• [2]
• XIANG S, LIANG Q, FANG L. Discrete Wavelet Transform-Based Gaussian Mixture Model for Remote Sensing Image Compression[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-12. DOI:10.1109/TGRS.2023.3272588.
• [3]
• Fixed-Quality Compression of Remote Sensing Images With Neural Networks[J]. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, 2024, 17.

[4]

• XIANG S, LIANG Q, TANG P. Task-Oriented Compression Framework for Remote Sensing Satellite Data Transmission[J/OL]. IEEE Transactions on Industrial Informatics, 2024, 20(3): 3487-3496. DOI:10.1109/TII.2023.3309030.
• [5]
• NAN S xian, FENG X fang, WU Y fei, 等. Remote sensing image compression and encryption based on block compressive sensing and 2D-LCCCM[J/OL]. Nonlinear Dynamics, 2022, 108(3): 2705-2729. DOI:10.1007/s11071-022-07335-4.
• [6]
• PAN T, ZHANG L, QU L, 等. A Coupled Compression Generation Network for Remote-Sensing Images at Extremely Low Bitrates[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-14. DOI:10.1109/TGRS.2023.3270271.
• [7]
• MAKARICHEV V, VASILYEVA I, LUKIN V, 等. Discrete Atomic Transform-Based Lossy Compression of Three-Channel Remote Sensing Images with Quality Control[J/OL]. Remote Sensing, 2021, 14(1): 125. DOI:10.3390/rs14010125.
• [8]
• MIJARES I VERDÚ S, BALLÉ J, LAPARRA V, 等. A Scalable Reduced-Complexity Compression of Hyperspectral Remote Sensing Images Using Deep Learning[J/OL]. Remote Sensing, 2023, 15(18): 4422. DOI:10.3390/rs15184422.
• [9]
• LIU M, TANG L, FAN L, 等. CARNet: Context-Aware Residual Learning for JPEG-LS Compressed Remote Sensing Image Restoration[J/OL]. Remote Sensing, 2022, 14(24): 6318. DOI:10.3390/rs14246318.
• [10]
• LUKIN V, VASILYEVA I, KRIVENKO S, 等. Lossy Compression of Multichannel Remote Sensing Images with Quality Control[J/OL]. Remote Sensing, 2020, 12(22): 3840. DOI:10.3390/rs12223840.
• [11]
• XIANG S, LIANG Q. Remote Sensing Image Compression Based on High-Frequency and Low-Frequency Components[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-15. DOI:10.1109/TGRS.2023.3349306.
• [12]
• ZHANG J, ZHANG S, WANG H, 等. Image Compression Network Structure Based on Multiscale Region of Interest Attention Network[J]. 2023.
• [13]
• HERNÁNDEZ-CABRONERO M, PORTELL J, BLANES I, 等. High-Performance Lossless Compression of Hyperspectral Remote Sensing Scenes Based on Spectral Decorrelation[J/OL]. Remote Sensing, 2020, 12(18): 2955. DOI:10.3390/rs12182955.
• [14]
• MAKARICHEV V, VASILYEVA I, LUKIN V, 等. Discrete Atomic Transform-Based Lossy Compression of Three-Channel Remote Sensing Images with Quality Control[J/OL]. Remote Sensing, 2021, 14(1): 125. DOI:10.3390/rs14010125.