综述：从后处理视角的光学遥感图像压缩方法综述

《Geocarto International》：Review of compression approaches for optical remote-sensing images from post-processing perspective

　　

图像压缩对于在空间受限的在轨系统中存储遥感数据至关重要。当前方法主要遵循两个方向。第一个方向结合小波变换（wavelet transform）与后处理（post-processing），利用小波（wavelet）的稀疏表示进行多分辨率分析（multi-resolution analysis）和高效的硬件实现。第二个方向采用压缩感知（compressed sensing，CS），将复杂度转移到解码器；其与深度学习的集成推动了该领域的发展。深度学习本身正在成为第三个框架，使用联合编码-解码（joint encoding-decoding）来克服固定变换基的限制。本文概述了这些方法的原理、配置和发展。关键词：图像压缩；遥感。

论文主体内容包括四个主要部分：小波变换结合后处理的压缩技术、基于压缩感知（CS）的压缩方法、深度学习驱动的进展以及结论与未来方向。

**2. 小波变换结合后处理的压缩技术**

该部分首先指出高频区域小波系数中仍存在空间冗余，限制压缩性能。为此发展了两类方法：自适应小波变换和高级后处理技术。

**2.1 自适应小波变换方法**：其原理是根据图像内容自适应选择不同小波滤波器以增强高频处理能力。两种主要方法为：基于二维定向小波变换（2D-oriented wavelet transform）的方法，它采用可分离的一维变换对字典库中任意方向进行处理；以及基于自适应方向提升方案（adaptive directional lifting scheme）的方法，它利用方向信息进行预测。与传统小波变换相比，这些方法提高了稀疏表示能力，但存在计算速度慢、硬件实现复杂度高以及难以实现渐进编码等问题。

**2.2 相关传统后处理方法**：高效的后处理技术可消除小波系数空间冗余。经典方法包括：分层树集合划分（SPIHT）、嵌入式零树小波（EZW）、集合分裂嵌入式块编码（SPECK）、JPEG2000（采用优化截断的嵌入式块编码EBCOT）以及CCSDS图像数据压缩标准（采用位平面编码器BPE）。另外，Bandelet变换（Bandelet transform）是一种较新的后处理技术，它通过重排小波系数并进行额外一维变换消除系数间相关性。为降低计算复杂度，Peyre等人提出了分组Bandelet（后变换，post-transform），利用从学习字典中获得的最优基进一步变换小波系数，实现多方向高去相关性能且保持计算效率。典型的后变换压缩系统包含三个核心要素：基字典、最优基确定以及后变换系数编码。

**2.3 使用后变换压缩的后处理方法**：后变换的发展经历了多个阶段。第一阶段使用标准单基字典（如PCA、DCT和Hadamard基），其中Hadamard基仅依赖加法和减法，复杂度最低，在2bpp下PSNR提升0.4–0.6dB。第二阶段使用基于PCA的基字典，通过统计分析扩展字典至12个PCA基向量，并根据不同小波子带特性分配特定基向量，实验表明12-PCA基字典相比12-bandelet基字典显著提高PSNR。第三阶段使用l_p-范数选择基，通过最小化后变换系数的l₁-范数实现最优基选择，避免复杂码率估计，且不受量化步骤影响；另有人开发了基于l_p-范数的选择方法，低码率用l₀范数，高码率用l₁范数并采用DCT基。第四阶段使用位平面编码（BPE），将基向量按能量贡献排序，并将边信息插入CCSD-IDC算法推荐的位平面编码阶段，实验表明Hadamard后变换结合BPE可提高压缩性能。第五阶段采用双环路码率控制方法，利用最优后变换结果为位平面编码器中每个编码分段分配码率，提高码率控制效率，同时获得高峰值信噪比（PSNR）和低复杂度。第六阶段是非盲后变换方法，通过高频检测算法生成高频图，仅对高频区域执行后变换，低区域跳过，从而优先分配资源并降低计算量。第七阶段是基于深度学习的压缩方法，构建两阶段方案：第一阶段使用低维视觉表示卷积神经网络（LVR-CNN）将小波版本从大尺度变换为小尺度，消除视觉和空间冗余；第二阶段附加多基字典后变换以消除高频区域空间冗余，实现高压缩性能和低后变换资源利用。

**3. 基于压缩感知的压缩方法**

**3.1 压缩采样理论**：传统采样遵循香农/奈奎斯特定理。CS涉及三个主要方面：稀疏表示、测量和通过l₁最小化进行信号恢复。CS测量是编码过程，CS恢复是解码过程。若信号f在正交基Ψ下可稀疏表示为x，且测量矩阵Φ与表示基Ψ不相关且满足受限等距性质（RIP），则可通过求解l₁范数最小化问题精确重建信号。

**3.2 利用小波变换的遥感图像压缩原理**：小波变换作为高效基用于分析遥感图像。根据小波子带特征，理论确定了四种系数依赖模型：模型I（低频依赖）、模型II（带内依赖）、模型III（带内和带间依赖）和模型IV（带内和带间依赖，针对高频带）。以Daubechies (9,7)小波变换为例，3级DWT分解显示低频子带与高频子带间相关性较弱，而高频子带间存在强相关性，且同方向高频子带相关性强于不同方向。基于子带特征，采用四组不同的随机CS感知矩阵分别对低频带和高频带进行重采样，解码端利用不同CS恢复算法重构系数。

**3.3 基于CS的遥感图像应用**：单像素相机是代表性CS架构，利用数字微镜器件（DMD）和单像素探测器完成编码，恢复算法通常在地面解码器执行。最新研究将调制传递函数（MTF）补偿融入CS成像，显著提高重建保真度。另一种CS线推帧相机采用LCD掩膜作为测量矩阵，结合线阵光电传感器实现采集与压缩一体化。基于CS的光谱成像系统（如编码孔径快照光谱成像CASSI）通过单次曝光实现高维数据压缩。深度学习重建方法（如CNN、Transformer）的集成极大提升了CS相机性能，端到端方法（如TSA-Net、MST）和深度展开方法（如DAUHST）各有优势。深度学习在CS遥感相机领域的发展可归纳为四个阶段：卷积神经网络（CNN，如LVR-CNN）、Transformer与深度展开（如空间-光谱交叉注意力网络SSCA-DN、双域深度展开Transformer DUT）、状态空间模型（SSM，如Mamba架构的VMIC、MGMNet、SSM-Net）以及感知与生成模型（如潜在扩散模型LDM-RSIC、可逆神经网络INN-RSIC）。此外，深度学习CS的硬件部署范式包括FPGA加速、专用集成电路（ASIC）等。未来方向聚焦于效率（从二次复杂度到线性复杂度）、保真度（从像素精度到感知质量）、硬件（确定性和量化边缘计算）以及适应性（内容感知智能感知）。

**4. 结论与未来方向**

**4.1 结论**：本文从后处理和压缩感知两个视角总结了当前遥感图像压缩方法。后处理方法包括传统编码器（BPE、EBCOT）、基于Bandelet变换的压缩器和先进后变换方法。后变换通过分组Bandelet提供更高效方案，并在优化字典、lp范数最优基选择、码率控制等方面取得进展。非盲和深度学习后变换在保持低计算复杂度的同时实现了高压缩性能。基于CS的方法涵盖自适应测量技术和专用CS相机架构，为未来在轨光学成像系统提供参考。

**4.2 未来方向**：未来研究预期向智能化、硬件集成化和多维化发展。机器学习被用于实现后变换以替代固定基字典；利用FPGA或ASIC开发专用CS感知测量芯片对于实现在线实时处理至关重要；深度学习与全息术的融合为新型压缩方法提供支持。深度学习和压缩感知成像的协同融合有望带来下一代计算成像系统，包括可学习感知矩阵的自适应系统、物理信息神经算子与增强型Transformer的结合，以及轻量级神经形态边缘计算系统。最终，可学习压缩成像框架可能解锁高维数据采集的未有能力，从卫星遥感到实时生物医学成像。