随着全球范围内掀起的人工智能热潮和关于深度学习相关技术研究的成熟发展,将卷积计算与传统神经网络结合并改进获得的深度学习方法—卷积神经网络(CNN)越来越多的被应用到各个研究领域,其中包括图像编码。基于相关研究的总结归纳,发现已有的图像压缩研究多是针对自然图像进行压缩,而将卷积神经网络方法用于遥感图像压缩的研究则相对较少。因此结合卷积神经网络和二值神经网络(BNN)的结构特点,本文构建了融入二值噪声的卷积自编解码图像压缩模型,尝试探索结合深度学习技术实现遥感图像压缩的新途径。针对以自编码器为代表的图像压缩模型大多是在自然图像上进行压缩的特点,选用具备大尺寸特点的遥感图像作为研究应用对象,以从DOTA数据集收集的遥感图像作为实验的样本数据,然后通过图像分块转化的处理方式将大尺寸的原图切割为小尺寸图像以改善模型实现过程中训练维度过高的问题,并按研究需要将其分为训练集和验证集。再依据BNN的网络能够降低网络复杂度的特点,设计主要包含图像编码和解码的卷积自编码网络。本文的创新点在于在编码输出阶段增加了二值化层形成深度卷积自编码网络(DCAE)用于遥感图像压缩的模型。模型对图像的处理主要有三个阶段:首先是编码,将待压缩的原始图像输入编码网络,通过卷积操作减少原始图像的空间尺度和特征图数量;然后是图像二值化处理,将编码输出的遥感图像特征进行二值化操作转化为占比更小的二进制码流,在编码的基础上对图像特征进行了二次压缩,经过二值化后网络在保持较高压缩性能的同时也提高了模型的泛化能力;最后是解码,通过反卷积逐步恢复图像像素,获得输入图像对应的重构压缩图。为了增强网络的稳定性,本文基于残差网络的思想在编解码模型增加了残差补偿块。模型构建好后,利用训练集数据训练获取模型参数,再将遥感测试集图像应用到模型中,并将压缩后的图像与传统JPEG和JPEG2000在压缩率、PSNR(峰值信噪比)等方面进行对比分析。结果显示,本文设计的卷积自编码模型在遥感图像上的压缩重构效果的确优于传统的图像压缩方法。