【技术实现步骤摘要】
本专利技术涉及显示
，尤其是涉及一种图像压缩系统、解压缩系统、训练方法和装置、显示装置。
技术介绍
小波转换是多分辨率图像转换的一种方式，常用于对图像压缩中。小波变换的应用包括JPEG2000标准中的变换转码。小波变换的目的是以整幅图像的一部分图像代表整幅原始图像，利用低分辨率图像(原始图像中的一部分图像)以及恢复到整幅原始图像的所需的一些差异特征能够得到原始图像。提升法是小波变换中的一种有效的实施方式，并且也是构造小波时的一种灵活的工具。图1中示出了1D数据一种典型结构。左边对应于编码器。编码器使用预测滤波器p和一个更新滤波器u对图像进行压缩得到低分辨率图像A和细节(D)。在压缩应用中，D的期望值大约为0，这样大部分信息都能包含在A中。在解压缩时，利用相同的更新滤波器u和预测滤波器p，不过相反排列。很容易证明，这种设置导致输出＝输入，而对滤波器p和u没有要求。一般的，这样的滤波器p和u中各个滤波单元的滤波参数都是人为设定的，这样设定的权重值很难使得相应的编码器获得最佳或者近似最佳的压缩率，且人为设定过程及其繁琐复杂，容易出错。
技术实现思路
本专利技术的一个目的在于降低图像压缩单元及图像解压缩单元中各个滤波参数设定的难度。本专利技术提供了一种图像压缩系统，包括第一图像压缩单元或者第二图像压缩单元，并具有输出接口；第一图像压缩单元和所述第二图像压缩单元均具有一个第一图像输入端、多个第二图
【技术保护点】
一种图像压缩系统，其特征在于，包括第一图像压缩单元或者第二图像压缩单元，并具有输出接口；第一图像压缩单元和所述第二图像压缩单元均具有一个第一图像输入端、多个第二图像输入端、第一卷积神经网络模块、图像差异获取模块、第二卷积神经网络模块、图像叠加模块；其中，第一图像压缩单元中，所述第一卷积神经网络模块与所述第一图像输入端相连，用于在接收到所述第一图像输入端提供的第一图像后，根据所述第一图像分别预测各第二图像输入端接收到的各第二图像，得到多幅与各第二图像一一对应的预测图像；所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及与各所述第二图像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每个第二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并将得到的差异特征集合通过所述输出接口输出；所述第二卷积神经网络模块与所述图像差异获取模块相连，对所述差异特征集合进行更新得到对应的更新特征；所述图像叠加模块与所述第二卷积神经网络模块、所述输出接口以及所述第一图像输入端相连，用于将所述更新特征和所述第一图像进行叠加，得到叠加图像，将所述叠加图像从输...
【技术特征摘要】
1.一种图像压缩系统，其特征在于，包括第一图像压缩单元或者第二图像压缩单元，并
具有输出接口；
第一图像压缩单元和所述第二图像压缩单元均具有一个第一图像输入端、多个第二图
像输入端、第一卷积神经网络模块、图像差异获取模块、第二卷积神经网络模块、图像叠加
模块；
其中，第一图像压缩单元中，所述第一卷积神经网络模块与所述第一图像输入端相连，
用于在接收到所述第一图像输入端提供的第一图像后，根据所述第一图像分别预测各第二
图像输入端接收到的各第二图像，得到多幅与各第二图像一一对应的预测图像；
所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及与各所述第
二图像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每
个第二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并
将得到的差异特征集合通过所述输出接口输出；
所述第二卷积神经网络模块与所述图像差异获取模块相连，对所述差异特征集合进行
更新得到对应的更新特征；
所述图像叠加模块与所述第二卷积神经网络模块、所述输出接口以及所述第一图像输
入端相连，用于将所述更新特征和所述第一图像进行叠加，得到叠加图像，将所述叠加图像
从输出接口输出；
其中，第二图像压缩单元中，
所述第二卷积神经网络模块与所述多个第二图像输入端相连，用于对各个第二图像输
入端提供的各幅第二图像进行更新，得到对应的更新特征；
所述图像叠加模块与所述第二卷积神经网络模块、所述第一图像输入端以及所述输出
接口相连，用于将所述更新特征与所述第一图像输入端提供的第一图像进行叠加得到叠加
图像，并将叠加图像通过所述输出接口输出；
所述第一卷积神经网络模块与所述图像叠加模块相连，用于根据所述叠加图像预测各
幅第二图像；
所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及各个第二图
像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每个第
二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并将得
到的差异特征集合通过所述输出接口输出。
2.如权利要求1所述的图像压缩系统，其特征在于，还包括：拆分单元；所述拆分单元与
所述第一图像输入端和多个第二图像输入端相连，用于对原始图像进行拆分，得到所述第
一图像和多个所述第二图像。
3.如权利要求2所述的图像压缩系统，其特征在于，所述拆分单元用于对原始图像进行
拆分，得到所述第一图像和多个所述第二图像，具体为：所述拆分单元用于将原始图像拆分
为2n幅图像，所述n为大于0的正整数，所述第一图像的数量为1，所述第二图像的数量为2n-
1。
4.一种图像压缩系统，其特征在于，包括多级图像压缩单元以及输出接口；所述多级图
像压缩单元中的每一级图像压缩单元为第一图像压缩单元或者第二图像压缩单元；
其中，第一图像压缩单元和所述第二图像压缩单元均具有第一图像输入端、第二图像
输入端、第一卷积神经网络模块、图像差异获取模块、第二卷积神经网络模块、图像叠加模
块；其中，第一图像压缩单元中，
所述第一卷积神经网络模块与所述第一图像输入端相连，用于在接收到所述第一图像
输入端提供的第一图像后，根据所述第一图像分别预测各第二图像输入端接收到的各第二
图像，得到多幅与各第二图像一一对应的预测图像；
所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及与各所述第
二图像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每
个第二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并
将得到的差异特征集合通过所述输出接口输出；
所述第二卷积神经网络模块与所述图像差异获取模块相连，对所述差异特征集合进行
更新得到对应的更新特征；
所述图像叠加模块与所述第二卷积神经网络模块以及所述第一图像输入端相连，用于
将所述更新特征和所述第一图像进行叠加，得到叠加图像；
第二图像压缩单元中，
所述第二卷积神经网络模块与所述多个第二图像输入端相连，用于对各个第二图像输
入端提供的各幅第二图像进行更新，得到各第二图像的更新特征；
所述图像叠加模块与所述第二卷积神经网络模块、所述第一图像输入端相连，用于将
所述更新特征与所述第一图像输入端提供的第一图像进行叠加得到叠加图像；
所述第一卷积神经网络模块与所述图像叠加模块相连，用于根据所述叠加图像预测各
个第二图像；
所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及各个第二图
像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每个第
二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并将得
到的差异特征集合通过所述输出接口输出；
相邻两级的图像压缩单元中，上一级图像压缩单元的第一图像输入端的个数为多个，
且其图像叠加单元与下一级图像压缩单元的第一图像输入端和第二图像输入端相连，还用
于将得到的多幅叠加图像中的一部分图像作为第一图像一对一输入到所连接的下一级图
像压缩单元的第一图像输入端，将另一部分图像作为第二图像一对一输入到所连接的第二
图像输入端；
最后一级图像压缩单元的图像叠加单元与所述输出接口相连，还用于将得到的叠加图
像通过所述输出接口输出。
5.如权利要求4所述的系统，其特征在于，所述图像压缩单元的数量为2；第一级图像压
缩单元的第一图像输入端的个数为2，第二图像输入端的个数为2；第二级图像压缩单元的
第一图像输入端的个数为1，第二图像输入端的个数为1。
6.如权利要求4所述的系统，其特征在于，还包括：拆分单元；所述拆分单元与第一级图
像压缩单元的第一图像输入端和第二图像输入端相连，用于对原始图像进行拆分，得到多
个第一图像和多个第二图像，并将得到的各个第一图像一对一输出到所连接的各个第一图
像输入端，将得到的各个第二图像一对一输出到所连接的各个第二图像输入端。
7.如权利要求6所述的图像压缩系统，其特征在于，所述拆分单元用于对原始图像进行
拆分，得到多个第一图像和多个第二图像，具体为：所述拆分单元用于将原始图像拆分为2n
幅图像，所述n为大于0的正整数，所述第一图像的数量为1，所述第二图像的数量为2n-1。
8.一种图像解压缩系统，其特征在于，包括图像解压缩单元；所述图像解压缩单元为第
一图像解压缩单元或第二图像解压缩单元；
所述第一图像解压缩单元和第二图像解压缩单元均包括叠加图像输入端、差异特征输
入端、第一卷积神经网络模块、去差异模块、第二卷积神经网络模块、图像去叠加模块和输
出端；
所述第一图像解压缩单元中，
所述第二卷积神经网络模块与所述去差异模块以及差异特征输入端相连，用于对差异
特征输入端提供的差异特征集合进行更新得到对应的更新特征；所述差异特征集合为各个
第二图像中每一幅图像与其对应的预测图像的差异特征的集合；
所述图像去叠加模块与所述第二卷积神经网络模块、所述输出端以及所述叠加图像输
入端相连，用于使用更新特征对叠加图像输入端提供的叠加图像进行去叠加，得到第一图
像通过所述输出端输出；所述叠加图像为所述差异特征集合对应的更新特征与第一图像进
行叠加得到的图像；
所述第一卷积神经网络模块与所述图像去叠加模块相连，用于利用第一图像预测各个
第二图像，并将预测结果输出到所述去差异模块；
所述去差异模块与所述第一卷积神经网络模块、所述差异特征输入端以及所述输出端
相连，用于获取各个第二图像的预测图像以及所述差异特征集合，并根据每一个第二图像
的预测图像以及该第二图像对应的差异特征得到该第二图像并通过...
【专利技术属性】
技术研发人员：那彦波，张丽杰，李晓宇，何建民，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京;11
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。