The invention discloses an image de compression artifact based on deep learning, which can effectively eliminate artifacts produced in high compression. The innovation of the invention is mainly embodied in two aspects: first, the latest deep learning technology is applied in the invention, and the deep residual network is applied as a basic module in the network model, which effectively alleviates the gradient diffusion problem of the deep network model. At the same time, the underlying features and high-level features of network learning are combined by skipping connection, which provides richer feature information for reconstruction of the artifact and further improves the performance of the model. Second, the method of model selection is further proposed by the present invention, which can be applied to different degrees of compression artifacts and choose a more suitable model to perform the artifact operation. By testing on two sets of open data sets, the present invention has significantly improved the performance of the present best de artifact algorithm.
【技术实现步骤摘要】
一种基于深度学习的图像去压缩伪影方法
本专利技术涉及图像处理领域与深度学习技术,尤其涉及一种基于深度学习的图像去压缩伪影方法。
技术介绍
图像数据的访问占用新闻网站和各种社交平台以及电商平台的大量流量,而图像压缩技术可以尽可能地减少从网站下载的字节数,从而提高网页加载速度或者社交平台的图片浏览速度。有损压缩方式如JPEG、WebP等技术被广泛应用于新闻网站、微信、微博等平台。这些压缩技术不仅提高客户端的响应速度,而且还能给平台节省存储成本和带宽成本。然而,图像的有损压缩会带来一定程度失真,被解码后的图像会有很多伪影,给用户带来不好的体验。例如,在JPEG和WebP等图像编码的时候,图像被分成16x16或者8x8这样的块,然后对这些块进行离散余弦变换,这样块与块之间的相关信息被忽略,从而形成解码图像的块状伪影。此外,为了能够有效压缩图像数据的字节数,在JPEG和WebP编码时会对离散余弦变换得到的系数进行量化,使得图像的高频分量被丢失,从而导致了解码图像会产生振铃伪影和边界模糊。在JPEG和WebP等图像压缩编码过程中,可以通过一个质量系数Q来控制生成图片的质量和存储大小。这个质量系数是用在量化阶段,用来控制丢失图像高频信息的多少,一般取值在[1100]区间。质量系数越大,意味着图像保留的高频信息越多,图像质量越高,然而带来的问题是生成的图片字节数大,压缩比很低。质量系数设置越低,图像的存储很小,压缩比很高,然而解码的图像会有很强的块状伪影、振铃伪影和边界模糊。因而,找到图像的最佳设置需要在文件大小与有损压缩带来的伪影之间权衡。例如,微信平台会将质量系数设置 ...
【技术保护点】
一种基于深度学习的图像去压缩伪影方法,其特征在于:其包括以下步骤:步骤1,收集高质量照片,形成训练图像数据库;步骤2,对图像数据库进行预处理,形成N对有压缩伪影的低质量子图像与高质量子图像的配对集{Ic
【技术特征摘要】
1.一种基于深度学习的图像去压缩伪影方法,其特征在于:其包括以下步骤:步骤1,收集高质量照片,形成训练图像数据库;步骤2,对图像数据库进行预处理,形成N对有压缩伪影的低质量子图像与高质量子图像的配对集{Ici,Iti},其中Ici为质量子图像,Iti为高质量子图像,i为配对集中不同配对的标志位,i∈{1,2,…,N};随机打乱配对集中的每对子图像顺序,得到最终用于训练深度卷积神经网络模型的数据集;步骤3,利用深度卷积神经网络模型,输入压缩的低质量子图像Ici,得到模型预测的图像Igi,其中,深度神经网络模型分别包括初始卷积模块、残差卷积模块和图像重建模块;其中初始卷积阶段包含一个卷积层和激活层,学习得到底层特征F1,具体的计算公式为:其中W1和B1为初始卷积模块的权值参数和偏置参数;利用得到的底层特征F1,开始执行残差卷积模块,每个残差卷积模块依次包含第一卷积层、一个非线性激活层、第二卷积层和一个特征结合层,从而得到高层特征Fk,其计算公式是:Fk=Wkmax(Wk-1Fk-2+Bk-1)+Fk-2(2)第一卷积层、一个非线性激活层和第二卷积层分别对应公式(2)中的Wk-1、Bk-1和Wk,其中k为卷积层的序号;特征结合层是通过跳跃式连接将k-2层的输出特征Fk与第k卷积层的输出特征相加,并得到结合的特征Fk,特征结合层没有参数需要学习;利用高层特征Fk执行图像重建层得到去伪影的模型预测的图像Igi,去伪影的模型预测的图像Igi的计算公式为:其中M为网络模型的所有卷积层个数;步骤4,比较去伪影的模型预测的图像Igi和高质量子图像Iti,通过优化算法的迭代,得到最终的网络模型参数W和B;步骤5,对于需要去压缩伪影的测试图像...
【专利技术属性】
技术研发人员:童同,李根,高钦泉,
申请(专利权)人:福建帝视信息科技有限公司,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。