基于卷积神经网络和传统编码相结合的图像压缩方法技术

本发明专利技术属于数字图像处理技术领域，具体为一种基于卷积神经网络和传统编码相结合的图像压缩方法。本发明专利技术方法包括：利用卷积神经网络decCNN减少图像的高频信息分量；利用传统编码模块对图像进行压缩，得到用于存储以及传输的图像编码；将得到的编码数据进行解码，得到重构图像；利用卷积神经网络enhCNN对解码后的图像进行增强，提升重构效果。实验结果表明，在实现更高的压缩比时还能得到更好的图像重构质量，大大降低图像数据在存储、传输等过程中所需要占据的资源。

【技术实现步骤摘要】
基于卷积神经网络和传统编码相结合的图像压缩方法
本专利技术属于数字图像处理
，具体涉及一种图像压缩方法。
技术介绍
随着计算机技术和网络通信技术不断地发展，实时视频通信、视频监控等领域越来越受到广泛关注。步入信息化时代后，互联网中的流动数据日益增加，对于当前的硬件技术所能提供的网络带宽以及存储资源来说是非常大的负担。图像数据作为互联网最重要的资源，对其进行有效的压缩无疑是很有意义的。图像压缩技术（ImageCompression）是用尽可能少的数据来表示原始图像，同时允许恢复后的重构图像的质量有一定程度的失真，极大地减缓了图像数据存储、传输等过程的压力。传统的图像编码标准比如JPEG（JointPhotographicExpertsGroup），以及能达到更高的压缩比的JPEG2000等都能通过去除图像中的冗余数据来减少用来表示图像的数据量，从而在获取更高的压缩比的同时保持很好的图像质量。近年来利用深度学习进行图像压缩的研究层出不穷，比如Toderici团队[1,2]利用循环神经网络（RecurrentNeuralNetwork，RNN）对图像进行渐进压缩，从而得到不同的压缩比本文档来自技高网...

【技术保护点】
1.基于卷积神经网络和传统编码相结合的图像压缩方法，其特征在于，具体步骤如下：（1）利用卷积神经网络减少图像的高频信息分量：将图像输入卷积网络decCNN，提取特征，减少图像中的高频信息分量，得到与输入图像相同分辨率的图像；其中，decCNN网络包括3个卷积层：conv1，conv2，conv3；（2）使用压缩技术对图像进行压缩，得到编码数据，再对其解码得到重构图像；（3）利用卷积神经网络enhCNN对解码后的图像进行增强，提升重构效果；所述enhCNN由20个卷积模块所构成，第一个卷积模块包括一个卷积层conv和一个激活函数层relu，中间的18个卷积模块都是由一个卷积层conv、一个BN层...

【技术特征摘要】
1.基于卷积神经网络和传统编码相结合的图像压缩方法，其特征在于，具体步骤如下：（1）利用卷积神经网络减少图像的高频信息分量：将图像输入卷积网络decCNN，提取特征，减少图像中的高频信息分量，得到与输入图像相同分辨率的图像；其中，decCNN网络包括3个卷积层：conv1，conv2，conv3；（2）使用压缩技术对图像进行压缩，得到编码数据，再对其解码得到重构图像；（3）利用卷积神经网络enhCNN对解码后的图像进行增强，提升重构效果；所述enhCNN由20个卷积模块所构成，第一个卷积模块包括一个卷积层conv和一个激活函数层relu，中间的18个卷积模块都是由一个卷积层conv、一个BN层以及一个relu层组成，最后卷积模块为一个卷积层conv，用于输出图像。2.根据权利要求1所述...

【专利技术属性】
技术研发人员：颜波，容文迅，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31