基于贝叶斯统计的遥感影像在轨特征提取与压缩传输

As a result of the continued increase of observational bandwidth, quantization precision, and imaging resolution, the volume of data obtained from space-based remote sensing has shown geometric growth. The performance of current generic compression methods commonly used for remote sensing images, including JPEG2000 and CCSDS, are bounded below by the information entropy of the original images; thus they typically can only achieve a 4:1 compression ratio. Inspired by video compression methods such as HEVC, we note that the strong temporal correlation between consecutive frames can be used to greatly improve the coding performance by only coding frame differences and motion vectors. However, even between two captured images at the same geological location, their correlation cannot be expressed by a simple linear relationship; rather, it is a non-linear relationship exhiibiting long-range correlation and complex coupling, making the utilization of their inherit correlation a fundamental challenge. Focusing on the state-of-the-art of international future space information network research, this project pioneers the use of a priori samples in large-volume remote sensing image processing, particularly aiming at break-throughs in the integration and representation of prior information in remote sensing images, the in-orbit description and extraction of invariant local features off remote sensing images, and remote sensing image compression and coding based on Bayesian statistical learning, thereby greatly reducing the data transfer volume of space information networks, and providing a theoretical foundation for supporting key national needs in large-volume low-delay space-based information acquisition and utilization.

近年来，随着观测带宽、量化精度以及分辨率的不断提升，空间遥感影像数据量成几何级数增长。受限于信源的信息熵，现有以JPEG2000、CCSDS为代表的通用压缩方法，在近无损要求下仅能获得4倍左右的压缩率，很难进一步提升。受HEVC等视频压缩方法的启发，充分利用前后两帧图像的强相关性，只对少量变化信息进行编码，可极大地提升编码性能。然而，两次拍摄的空间遥感图像之间的相关性并不体现为直接的线性关系，而是呈现长程相关、复杂耦合的非线性关系，其互信息的挖掘与利用面临基础性的挑战。本项目瞄准未来空间信息网络国际研究前沿，将先验样本引入海量遥感图像处理，重点突破遥感影像先验信息的融合与表征、遥感影像稳定局部特征的描述与在轨提取、以及基于贝叶斯统计学习的遥感影像压缩编码等技术难题，大幅降低空间网络信息传输的数据量，为有效支撑海量高时效性空间信息获取与利用等国家重大需求的发展奠定理论基础。

该项目针对遥感影像大数据与有限传输能力之间的矛盾及海量遥感影像难以高效分析与利用的难题，提出将先验样本引入海量遥感图像处理，突破了遥感影像先验信息的融合与表征、遥感影像稳定局部特征的描述与在轨提取、以及基于贝叶斯统计学习的遥感影像压缩编码等技术难题，大幅降低空间网络信息传输的数据量，达到了预期的研究目标。取得的主要创新成果有：.（1）针对海量遥感影像先验样本难以直接利用的问题，提出遥感影像先验信息数据库构建与应用框架。使用扩维表征方法，基于 4000 余幅原始遥感影像，整合三维模型、成像模型、光影模型，构建先验信息数据库。相对现有数据库，同一目标区域影像序列帧间间隔达到 7 天，数据帧规模达到 19 帧，配准精度达到亚像素级，为基于先验知识的遥感影像处理技术奠定数据基础。.（2）提出基于素描图的遥感影像结构化特征提取方法。该方法构建了基于稀疏表示模型和马尔可夫随机场模型的遥感影像素描图；基于素描图，提出了像素层、基元层、素描层、区域层的结构化表征模型。相对现有方法，遥感影像特征提取稳定性提升约 30%，综合时间开销降低 50%。.（3）针对现有影像信息熵评估技术不能有效指导基于先验信息的遥感影像编码的问题，提出遥感影像信息熵及互信息估计方法。相对现有方法，影像信息熵估计准确度提升约 10%，基于先验知识的近无损影像压缩率达到 5-37 倍，性能提高 20% 以上，为有效提升星地链路数传能力受限条件下海量高时效性遥感信息获取与利用能力提供了技术途径。.发表SCI论文9篇、EI论文23篇，申请及授权发明专利16项、授权软著26项；培养博士后2人、博士研究生4人；获得国家基金委优秀青年科学基金资助；获国家技术发明二等奖（3/6）、2018高等学校科学研究优秀成果奖：科技进步一等奖（1/19），中国人工智能学会吴文俊人工智能技术发明一等奖（1/6）、以及中国青年女科学家奖、中国电子学会十佳优秀科技工作者等奖项。