一种基于超分辨率技术的图片压缩方法技术
A picture compression method based on super resolution technology
The invention discloses a picture compression method based on super resolution technology, which comprises the following steps: Step 1: scaling the photos uploaded by a user of the mobile Internet platform to be uploaded;
【技术实现步骤摘要】
一种基于超分辨率技术的图片压缩方法
本专利技术涉及计算机图像处理领域，尤其涉及一种基于超分辨率技术的图片压缩方法。
技术介绍
近年来，随着各种移动互联网的快速发展，每天会有大量的图片在网络上传输，并在不同的终端被下载和查看，如何高效地存储并以低带宽成本传输这些图片成为一个亟待解决的问题。在移动设备发展初期，由于手机像素不高，拍照的相片分辨率较小，照片所占的内存和上传网络的数据流量很少。随着手机摄像头的分辨率不断提高，照片的质量有了大幅度提升。然而，这些高分辨率高质量的照片会带来几个问题：(1)首先，这些高质量的照片会占用大量的存储空间。例如，三星GALAXYJ7摄像头像素已经达到1300万，拍摄的照片能达到10M以上。如何以更小的空间来存储更多的高质量照片，是一个需要解决的问题。同时，对于微信、微博和今日头条等社交、媒体平台来说，用户每天上传海量图片到平台的服务器，也给平台带来了巨大的存储成本。(2)此外，如果将手机拍出来的照片没有经过一定的处理直接上传到网络，由于原始照片数据量很大，上传速度会很慢，同时用户在浏览图片的时候，由于照片数据量较大，需要更多的下载时间...
【技术保护点】
一种基于超分辨率技术的图片压缩方法，其特征在于：其包括以下步骤：步骤1：将移动互联网平台的用户待上传的照片按缩放比例s进行降采样后得到低清图片，再将低清图片压缩并上传；步骤2：移动互联网平台对压缩的低清图片进行存储和分发；步骤3：移动互联网平台用户通过不同接收终端下载压缩的低清图片，接收终端对下载压缩的低清图片进行相应的解码得到低清图片；步骤4：将解码后的低清图片使用深度卷积神经网络模型还原重建成高清图片供用户浏览；所述深度卷积神经网络模型包括以下几个模块阶段，分别是底层特征提取阶段、利用密集网络模块提取高层特征阶段、特征层融合阶段、特征层降维阶段、反卷积阶段和重建阶段，所...
【技术特征摘要】
1.一种基于超分辨率技术的图片压缩方法，其特征在于：其包括以下步骤：步骤1：将移动互联网平台的用户待上传的照片按缩放比例s进行降采样后得到低清图片，再将低清图片压缩并上传；步骤2：移动互联网平台对压缩的低清图片进行存储和分发；步骤3：移动互联网平台用户通过不同接收终端下载压缩的低清图片，接收终端对下载压缩的低清图片进行相应的解码得到低清图片；步骤4：将解码后的低清图片使用深度卷积神经网络模型还原重建成高清图片供用户浏览；所述深度卷积神经网络模型包括以下几个模块阶段，分别是底层特征提取阶段、利用密集网络模块提取高层特征阶段、特征层融合阶段、特征层降维阶段、反卷积阶段和重建阶段，所述深度卷积神经网络模型具体包括以下子步骤：步骤4.1对网络模型输入的低分辨率子图像进行卷积运算和激活函数运算，得到包括边缘信息底层特征，其计算公式是：Fl(x)＝max(W1*X+B1,0)(1)其中W1和B1分别是第一层卷积模版参数和偏置参数，F1为所得到的底层特征；步骤4.2利用多个密集网络模块学习得到高层特征；每一个密集网络模块包括多个卷积层和多个激活层，其中激活函数为规整化线性单元函数，所有卷积层的卷积核大小为3*3；每一层激活层得到的特征会以叠加的方式加入以后的层里面，并使用特征增加率k来控制每一层得到的特征图通道数；在密集网络模块内，第n层输出有k*n个特征图；步骤4.3融合底层特征和高层特征，形成丰富的特征集合：底层特征和高层特征都是通过跳跃式连接直接叠加得到最后的特征集合，具体表示为：Fn+1＝Hn+1([F1,F2,…,Fn])(2)其中Fn+1为融合的特征集合，F1为第1层得到的底层特征，F2到Fn为密集网络模块所得到的高层特征；H为不同特征的融合函数，n为卷积网络的层数；步骤4.4降低特征层的通道数，提高卷积神经...
【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。