基于深度卷积神经网络的静止图像压缩方法技术
【技术实现步骤摘要】
基于深度卷积神经网络的静止图像压缩方法
本专利技术涉及图像压缩和图像超分辨率重建技术，具体涉及一种基于深度卷积神经网络的静止图像压缩方法，属于图像通信领域。
技术介绍
图像压缩的目的是更有效地存储和压缩。作为图像领域的基础技术之一，图像压缩一直受到广大研究者的关注。随着高分辨率图像及视频的普及，图像压缩技术更显得重要。JPEG2000标准是一种基于离散小波变换的图像压缩技术，有着比JPEG标准更加优秀的压缩性能。但是在中低码率的情况下，JPEG2000标准的解码图像存在较严重的锯齿效应与振铃效应，严重影响了人们的主观视觉效果。图像超分辨率重建技术，是将输入的低分辨率图像重建成高分辨率图像的一门技术。通过图像超分辨率重建技术重建后的图像不但在空间分辨率上优于输入图像，且在主观视觉效果上也有明显的提升。图像超分辨率重建方法可以分为三类：基于插值的方法、基于重建的方法与基于学习的方法。近年来，由于机器学习与深度学习的发展，基于学习的超分辨率重建方法取到了较大的进步。基于深度卷积神经网络的超分辨率方法相比传统的基于学习的超分辨率方法，具有结构简单、速度快的优点，而且基于深...
【技术保护点】
基于深度卷积神经网络的静止图像压缩方法，其特征在于包括以下步骤：步骤一：在编码端对原始待压缩图像进行下采样，得到低分辨率图像，然后对低分辨率图像进行JPEG2000标准编码得到编码的低分辨率图像，再进行JPEG2000标准解码得到解码的低分辨率图像；步骤二：在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像；步骤三：在编码端采用基于深度卷积神经网络的超分辨率方法对抑制压缩效应低分辨率图像进行重建，得到解码的高分辨率图像；步骤四：在编码端将原始待压缩图像与解码的高分辨率图像相减得到残差图像，然后采用针对性编码得到编码的残差图像；步...
【技术特征摘要】
1.基于深度卷积神经网络的静止图像压缩方法，其特征在于包括以下步骤：步骤一：在编码端对原始待压缩图像进行下采样，得到低分辨率图像，然后对低分辨率图像进行JPEG2000标准编码得到编码的低分辨率图像，再进行JPEG2000标准解码得到解码的低分辨率图像；步骤二：在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像；步骤三：在编码端采用基于深度卷积神经网络的超分辨率方法对抑制压缩效应低分辨率图像进行重建，得到解码的高分辨率图像；步骤四：在编码端将原始待压缩图像与解码的高分辨率图像相减得到残差图像，然后采用针对性编码得到编码的残差图像；步骤五：将步骤一中编码的低分辨率图像、步骤四中编码的残差图像与一些辅助信息形成比特流，然后传输到解码端；步骤六：在解码端对接收到的比特流进行对应的解码操作，得到解码的低分辨率图像、解码的残差图像与解码的辅助信息；步骤七：在解码端将解码的低分辨率图像进行步骤二与步骤三中的操作得到解码的高分辨率图像；步骤八：在解码端将解码的高分辨率图像与解码的残差图像相叠加便得到最终解码的高分辨率图像。2.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤二所述的在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像：在训练阶段，构建了一个由25个卷积层组成的深度卷积神经网络模型，包括1个特征提取层、23个非线性映射层以及1个重建层；我们将原始自然图像利用JPEG2000标准编解码得到解码图像，将原始自然图像与解码图像进行相减得到残差图像，将残差图像与解码图像进行对应的分块，这样我们就得到了用于训练的训练样本；将均方误差作为损失函数来训练得到用于抑制压缩效应的深度卷积神经网络；在抑制压缩效应阶段，使用上述训练得到的深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应。3.根据...
【专利技术属性】
技术研发人员：何小海，陈敬勖，陈洪刚，卿粼波，滕奇志，吴小强，王正勇，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51
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。