1. 任务载荷实时数据压缩概述
任务载荷实时数据压缩，是指在遥感卫星、无人机、侦察吊舱等平台上，对光学、SAR、红外、高光谱等传感器在飞行或在轨工作期间产生的原始数据，在数据链路带宽、星上存储容量、处理功耗与实时性约束下，边采集边压缩、边压缩边下传的一类专用数据处理技术。它不同于地面通用图像压缩：地面压缩可以反复迭代、允许较长时延、算力与内存相对充裕；而任务载荷压缩必须在毫秒到秒级的时间窗口内完成，且压缩后的码流往往要直接进入数传发射机或固态存储器，一旦出错很难重来。
理解这一技术，需要同时抓住三个关键词：任务载荷、实时、压缩。任务载荷是数据的产生者，决定了数据在空间维、谱维、时间维上的结构；实时是约束条件，决定了算法复杂度、缓存深度和流水线组织方式；压缩是手段，目标是在可接受的失真或可逆前提下，把原始码率降到数传或存储能够承受的水平。三者相互牵制，任何一项单独优化都可能破坏整体平衡。
一、定义与目标
从工程定义看，任务载荷实时数据压缩系统通常由采集接口、预处理、压缩编码、码率控制、缓存与输出接口组成。其输入是传感器输出的原始数据流，例如光学相机的Bayer或全色/多光谱帧、SAR的复数回波采样、红外探测器的14bit或16bit辐射量化值、高光谱成像仪的数百个谱段立方体；输出是符合地面接收或星上存储格式的压缩码流。压缩的目标可以归纳为四点：降低码率以匹配数传带宽；减少存储占用以延长任务时长；在给定码率下尽量保持任务判读所需的信息；保证压缩过程满足实时性与功耗约束。
需要强调的是，任务载荷压缩的“好”并不等于通用图像质量指标最高。对于侦察监视任务，目标检测、识别、变化检测等下游任务往往比人眼主观质量更关键。因此，评价指标除峰值信噪比、结构相似性外，还常引入目标可检测性、虚警率、辐射保真度等任务级指标。例如红外目标跟踪中，压缩若抹平了弱小目标的局部对比度，即使整幅图像PSNR很高，也可能导致跟踪丢失。
二、约束条件
实时数据压缩的约束条件可以从五个维度展开。第一是时间约束：传感器行周期或帧周期决定了单帧可用处理时间。以某推扫式高光谱相机为例，若行周期为2ms、每行2048像元、512个谱段，则单行原始数据量约为2048×512×2Byte≈2MB，2ms内必须完成压缩并输出，吞吐率要求达到约1GB/s量级。第二是带宽约束：数传链路可能只有几十到几百Mbps，压缩比需根据链路速率反推。第三是功耗与热约束：星上或机载平台散热能力有限，算法复杂度直接转化为功耗。第四是存储约束：固态存储器容量有限，尤其在过境间隙无法下传时，压缩比决定任务可持续时长。第五是可靠性与抗误码约束：空间辐射、信道误码要求码流具备一定的抗错能力，或采用分级保护策略。
三、典型任务载荷类型及其数据特性
不同载荷的数据特性差异极大，直接决定了压缩策略的选择。下表对四类典型载荷进行对比。
| 载荷类型 | 数据形式 | 典型量化/维度 | 数据特性 | 压缩关注点 |
|---|---|---|---|---|
| 光学 | 二维图像/多光谱帧 | 8~12bit，多谱段 | 空间相关性强，纹理丰富，帧间相关中等 | 空间预测、变换编码、码率控制 |
| SAR | 复数回波/复图像 | I/Q各8~16bit | 相位敏感，动态范围大，相干斑噪声 | 相位保真、复数域压缩、抗噪 |
| 红外 | 二维辐射图像/序列 | 14~16bit | 背景均匀，目标弱小，帧间相关强 | 弱小目标保持、时域预测 |
| 高光谱 | 三维数据立方体 | 数百谱段×空间×12~16bit | 谱间相关极强，空间相关中等，数据量巨大 | 谱间去相关、降维、近无损 |
光学载荷的数据在空间上高度相关，相邻像元差异小，适合采用预测编码或小波变换去除空间冗余。SAR数据则完全不同，其复数采样对相位极其敏感，压缩时若只保留幅度而丢弃相位，将直接破坏干涉测量和成像能力，因此常采用复数域压缩或对I/Q分别进行高保真编码。红外图像背景缓慢变化、目标占少数像素，压缩时需避免过度平滑导致弱小目标被吞没，时域预测和感兴趣区域编码是常用手段。高光谱数据在谱维上的相关性往往强于空间维，谱间预测或主成分分析可显著降维，但需注意谱段间的辐射定标关系不能被破坏。
从图中可以看出，任务载荷实时压缩并不是一个孤立的算法模块，而是嵌入在“载荷—处理—链路—存储—地面”整条数据链中的关键环节。压缩比的选择必须同时向上游看数据特性、向下游看链路与存储能力，并通过码率控制形成闭环。若只追求高压缩比而忽略下游解压与判读需求，可能导致任务失败；若过于保守，则数传和存储无法承载。
四、实时压缩的典型技术路线
面向实时实现，常见技术路线可分为三类。第一类是预测+熵编码，如DPCM配合Rice编码或算术编码，复杂度低、延迟小，适合红外和部分光学数据。第二类是变换+量化+熵编码，如整数小波变换或DCT，压缩效率较高，但需要块或行级流水线设计，适合光学和高光谱。第三类是近无损/无损压缩，如JPEG-LS、CCSDS 123.0-B-2等标准算法，适合SAR复数数据和高光谱辐射数据，保证下游定量反演精度。
以CCSDS 123.0-B-2为例，它采用预测加自适应熵编码，支持近无损和有损模式，适合高光谱和红外推扫数据。其核心思想是对每个像元做谱间或空间预测，再对预测残差进行自适应Golomb-Rice编码。在实时实现中，通常采用行缓冲和流水线结构，使每个时钟周期处理一个或几个像元，从而匹配传感器行速率。若某高光谱相机行周期为2ms、每行2048像元、512谱段，则单行数据量约2MB，要在2ms内完成压缩，硬件需达到约1GB/s的吞吐率，这对缓存带宽和编码流水线深度提出了明确要求。
五、学习本节应建立的整体认识
任务载荷实时数据压缩的本质，是在资源受限的平台上，针对不同载荷的数据特性，选择或设计合适的压缩算法与实现结构，使数据从“产生”到“可用”的全链路满足实时性、带宽、存储、功耗和任务质量要求。后续章节将围绕光学、SAR、红外、高光谱四类载荷分别展开具体的压缩方法、参数选择、实现结构与验证手段。学习时建议始终带着三个问题：这类数据的主要冗余在哪里？实时约束下哪些算法可行？压缩后如何判断任务是否仍然可用？
最后需要明确，实时压缩不是单纯追求最小码率，而是在给定约束下寻找最优工作点。这个工作点会随载荷类型、任务模式、链路状态和平台资源动态变化，因此码率控制、模式切换和异常保护机制同样是系统设计中不可忽视的部分。