引言

随着经济社会的发展和国际形势的变化，我国对空间信息的需求悄然发生变化：在观测范围上，随着我国综合国力的不断提升，国家利益的范畴已从领土拓展到全球乃至太空；在响应时间上，对空间信息的获取-传输-处理的响应速度从离线向实时在线转变，用户对信息获取的实效性提出了更高要求，希望在第一时间就能够获取到所关注区域或突发事件区域的现场图像和评估结果，这在灾害应急中尤为突出。在此背景下，将传统星下处理分析任务转换到星上并结合遥感任务的数据特点设计相应的星载压缩算法，实现卫星服务的智能化转型，能够有效提升卫星服务的实效性。

目前，图像压缩按照框架划分主要包含两大类方法，即传统混合框架图像编码[1-4]和端到端深度神经网络图像压缩[5-10]。传统混合编码框架是使用人工设计的算法将预测、变换、量化、熵编码等模块组合起来，从而得到一套完整的图像编码器。而端到端深度神经网络图像压缩方法的性能从最初的低于JPEG[1]已发展到与最先进的H.266[4]帧内编码相当。为了适应压缩的需求，端到端图像编码在自编码器的基础上引入了量化和熵编码，用于高效编码提取到的特征。基于所使用的网络结构，端到端图像编码可以分为三类：基于循环神经网络（Recurrent Neural Network，RNN）[5]的压缩模型、基于卷积神经网络（Convolutional Neural Networks，CNN）[6]的压缩模型和基于生成对抗网络（Generative Adversarial Networks，GAN）[7]的压缩模型。

然而，随着遥感图像数据量的急剧增长以及应用场景不断变化，遥感图像压缩方法已不再局限于更低的码率和更高的重建质量，更要同时满足多种处理任务的要求。Xiang等人[11]结合压缩与信息提取，提出了一种引入潜在特征选择模块（Latent Feature Selection，LFS）的联合模型，但该方法依赖于LFS模块的鲁棒性，需要针对不同任务进行广泛调优。Li等人[12]通过深度神经网络识别目标与背景区域，对背景区域应用双线性降采样以节省比特率，但其对目标-背景分割精度依赖较强，并且背景区域的降采样处理引入了严重伪影，影响全局分析和视觉质量。Zhang等人[13]开发的遥感图像机器编码框架（Remote Sensing Image Coding for Machines，RSICM）专门针对语义分割任务，通过对比学习增强压缩图像的特征判别能力，补偿压缩过程中的特征判别损失。然而，其过度依赖于对比学习优化过程和特定分割网络，限制了在其他视觉任务中的适用性。Ye等人[14]提出的地图辅助生成式压缩（Map-Assisted Generative Compression，MAGC）框架针对极低比特率场景，结合预训练扩散模型与矢量地图提供的语义结构信息实现高质量图像重建，但它依赖于预训练扩散模型和外部矢量地图的可用性，这限制了其在某些应用场景中的适用性。

此外，在现有的遥感图像压缩应用领域，由于卫星和地面的传输带宽有限，往往需要对图像压缩的码率进行限制。Jia和Shi等人[15-16]通过至少两次预编码得到真实码率与编码参数λ的数据对。该方法需要通过七次预编码，耗时长，仅在特定场景中能够应用。Xue等人[17]在编码器提取的特征基础上，利用码率估计器来取代多次预编码。该方法在一定程度上节省了码率控制的时间，但也要基于编码器的特征来训练码率估计器，仍有较长的处理延迟。因此，如何在实际应用中控制遥感图像压缩的码率，仍是需要进一步研究的问题。

结合上述分析，为了进一步提高遥感图像压缩任务性能，本文提出了一种感兴趣区域引导的码率可变压缩方法，主要贡献如下：

（1）针对现有遥感图像压缩方法的弊端，提出一种感兴趣区域驱动的码率可变压缩方法，在实现码率可变压缩的同时有效提高感兴趣区域重建质量。

（2）提出了基于感兴趣区域引导的重要性图模块，在压缩网络前端使用一个通用检测网络得到感兴趣目标分布掩膜，将感兴趣区域分布与原始图像相结合，以指导感兴趣区域和背景区域的码率分配，提高感兴趣区域的压缩性能。

（3）提出了针对遥感图像的码率可变策略，实现在压缩过程中灵活的码率控制，以适应遥感图像传输带宽的要求。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006907

作者信息：

肖飞，孙震笙，金俊杰

（中国星网数字科技有限公司，河北 雄安新区 071700）