Diferente da compressão de imagens comuns, a compressão de imagens multiespectrais exige a remoção da redundância espacial e espectral. Estudos recentes mostram que modelos de redes neurais convolucionais de ponta a ponta apresentam bom desempenho na compressão de imagens, mas para compressão de imagens multiespectrais, seus codificadores e decodificadores não conseguem extrair efetivamente e simultaneamente as características espaciais e espectrais das imagens multiespectrais, além de ignorar informações locais das imagens. Para resolver esses problemas, este artigo propõe um método de compressão de imagens multiespectrais que integra uma rede neural convolucional de características multiescala. A rede proposta incorpora, nos codificadores e decodificadores do modelo de compressão, um módulo de extração de características multiescala capaz de capturar informações espaciais e espectrais em diferentes escalas, bem como um módulo de convolução assimétrica espaçoespectral para capturar informações espaciais e espectrais locais. Experimentos mostram que, comparado a algoritmos tradicionais como JPEG2000 e 3D-SPIHT e métodos de aprendizado profundo, o modelo proposto apresenta valores de PSNR 1-2 dB superiores nos conjuntos de dados Landsat-8 de 7 bandas e Sentinel-2 de 8 bandas. Na métrica do ângulo espectral médio (MSA), o modelo proposto supera os algoritmos tradicionais em aproximadamente 8×10^-3 rad no conjunto de dados Landsat-8 e aproximadamente 2×10^-3 rad no Sentinel-2. Atende aos requisitos de extração de características espaciais, espectrais e locais na compressão de imagens multiespectrais.

características espaço-espectrais; convolução assimétrica; rede neural convolucional; compressão de imagens multiespectrais