随着对地观测遥感成像技术的发展,遥感图像数量、幅宽和分辨率正在大幅度增长。不断涌现的大量高分辨图像增大了星地传输系统的压力,因此发展高效大倍率的遥感图像压缩方法势在必行。相比自然图像,遥感图像具有地物种类繁多、细节纹理丰富的特征,利用传统图像压缩方案进行压缩时存在细节失真严重、算法复杂度高等问题。近年来发展起来的深度学习技术具有出色的特征提取能力和高度并行的机制,可以快速将空-时-谱的高维遥感图像层次化映射至较低的特征空间,在图像压缩效果和运行时间上均取得了良好的效果。然而,基于深度学习的遥感图像压缩仍面临一些问题:（1）压缩模型高度依赖训练数据,当训练数据集与测试数据集的分布一致时,模型可以取得良好的结果;而当训练数据集与测试数据集的分布不一致时,模型表现很差,即方法的泛化性较差。（2）压缩倍率受限于网络结构和参数编码方式,不易调整。由于深度学习模型具有固定的网络结构,它只能将图像缩小为固定尺寸的码流,压缩倍率的调整需通过重新训练模型来实现。（3）大倍率压缩时,容易丢掉遥感图像中的边缘轮廓等细节信息。生成对抗网络的出现为深度学习带来全新的学习方式,它以博弈的思想为图像的分布建模,而不是仅仅学习训练图像的特征。深度学习模型需要将图像解压缩需要的先验信息储存在网络参数当中,压缩倍率越大,图像解压缩需要的先验信息越多。当进行压缩模型的训练时,应用逐像素损失的模型学习到的参数会随着不同的图像有大幅度的波动,而生成对抗网络通过构造鉴别器将原图像与解压缩图像同时映射到特征层面进行损失计算,减少了参数的大幅度波动,有利于模型学习到更多的先验信息。因此,相比传统的基于卷积神经网络和循环卷积神经网络的深度学习图像压缩方法,基于生成对抗网络的图像压缩方法具有压缩倍率大、重构质量好等优点,有望克服传统深度学习模型泛化性能差的缺陷。因此,本文基于生成对抗网络进行了遥感图像压缩的研究。主要工作内容如下:1、针对目前基于深度学习的图像压缩模型泛化性能差的问题,提出了一种基于稀疏流对抗模型的遥感图像压缩方法。首先,基于流的生成模型通过设计一系列的可逆模块来拟合图像分布,可以进行精确的潜变量推理,但是原始的流模型不具有稀疏性,因此本文设计了一种可逆的稀疏流生成模型。稀疏流生成模型采用流模型框架学习一个可逆且稳定的映射,该映射通过结合线性和非线性变换来挖掘输入图像的稀疏性,以约束模型结构可逆的方式减少模型对特定数据集的依赖性。其次,在稀疏流生成模型中引入了多尺度变换,增加了线性变换的稀疏性,减少了压缩过程产生的比特流。最后,在稀疏流生成模型训练中引入了稀疏对抗损失,以约束模型生成更稀疏的特征,实现高效压缩。实验结果显示,在融合自然图像数据集ImageNet和不同分辨率的遥感图像数据集VPVR同时训练的情况下,该方法在4到64倍压缩倍率范围内的PSNR指标比JPEG2000平均提升了 4%～12%。2、针对目前基于深度学习的图像压缩方法在进行遥感图像大倍率压缩时出现的伪影、细节丢失严重等问题,提出了基于细节保真对抗网络的大倍率遥感图像压缩方法。首先,现有的对抗网络在训练中仅对图像分布有全局的约束,并且在端对端的训练中量化操作将损失大量的梯度信息,因此本文通过构造细节保真对抗网络来增加对抗网络对生成器的局部约束,从而减少由仅有全局约束的对抗网络训练的模型造成的伪影和细节丢失问题。其次,为了减小量化操作对网络梯度反向传播带来的损失,本方法引入了量化损失项。量化损失项通过增加训练时量化操作前后梯度的一致性,即最小化反向传播时梯度在量化前后特征图的差异,来减少量化操作带来的信息损失。实验结果显示,在GF2卫星采集的不同地物类型数据集和不同分辨率的遥感图像数据集VPVR上,该方法在压缩倍率为256的情况下PSNR指标比JPEG2000平均提升了 1%～11%,并且伪影情况优于用其他方法。3、针对遥感图像纹理丰富,携带信息密集等特点,受经典压缩方法中对称结构的启发,本文提出了一种用于遥感图像大倍率压缩的对称生成对抗网络。该方法使用数量相同且结构对称的编码栅格和解码栅格构造一个生成器,其中,编码栅格负责生成图像的待压缩码流,解码栅格负责将待压缩码流解压为图像。为了约束对称的编解码器学习到对称的参数,对每一对编码栅格和解码栅格构造一个鉴别器,以便在模型训练时与生成器进行对抗性学习。对称的参数构成了近似可逆的编解码器,它可以更好地揭示图像的分布,实现高效率的图像恢复。多个鉴别器的存在使得生成网络的收敛性能极不稳定,为了解决这个问题,本方法提出一种协同学习算法来训练生成器中的对称格对。此外,为了增强解压后遥感图像的边缘、轮廓和纹理,设计了一个增强的高斯拉普拉斯损失作为正则项来训练对称格生成对抗网络。在遥感图像数据集的实验结果表明,本方法的PSNR指标比基准方法提升了 2%～10%。4、针对目前基于深度学习的图像压缩方法难以进行码率控制的问题,提出了一个基于残差补偿的大倍率遥感图像压缩方法。首先,设计一个补偿网络,可以与现有任意编解码器结构结合,将大倍率条件下压缩获得的模糊图像修复问题建模为用残差进行渐进补偿的优化模型。其次,以残差的大小、质量的等级为依据设计了倍率可变的补偿方法。通过将残差和编码结果的编码传输分离,来达到倍率可变的目的。最后,针对遥感图像纹理密集的特点,设计了多级的补偿网络,结合细节补偿与残差补偿两种网络结构,使得模型充分的从残差中提取细节信息。实验结果显示,在GF2卫星采集的不同地物类型数据集上,该方法在压缩倍率为256的情况下PSNR指标比基于对称生成对抗网络的图像压缩方法平均提升了 3%～5%。5、针对目前存在的基于预测的高光谱图像压缩方法存在空间相关性利用不足以及模型组件之间缺乏关联性的问题,提出基于L0范数迭代优化的高光谱图像压缩方法。首先,引入一种改进的超像素分割算法,通过结合光谱角度和欧氏距离来度量空间维度上光谱相关性来实现谱线的初始聚类。然后,在每类谱线内计算一个线性预测器进行预测,得出原图像与预测图像之间的残差图像,通过在类间对比残差图像中每条谱线上L0范数的大小,选择使得该谱线L0范数最小的预测器所在的类别,并重新计算聚类中心和预测器系数,以此方式迭代地优化聚类结果和预测器系数。迭代过程同时优化了互相制约的聚类结果和预测器系数,因此,本方法可以在获得更少的比特流和更高效的无损熵编码结果。对高光谱数据的实验结果表明,与其他方法相比,本方法对校正图像和未校正图像实现了更高的压缩比。