【技术实现步骤摘要】
基于注意力模型和渐进式网络的图像编码失真滤波方法
本专利技术属于视频编码失真滤波
,具体涉及一种基于注意力模型和渐进式网络的图像编码失真滤波方法。
技术介绍
在图像编码系统中,原始图像数据被进行多种处理,如:预测、变换、量化、重建、滤波等,在这种处理过程中,已处理的图像数据相对原始图像数据可能已经发生像素偏移,导致视觉障碍或假象;此外,在大多数图像编码系统采用的基于块的混合编码框架下,由于相邻的编码块采用不同的编码参数(如不同的变换量化过程、不同的预测方式、不同参考图像等),各块引入的误差大小及其分布特性相互独立,相邻块边界会产生不连续性,产生块效应。这些失真不但影响重建图像的主客观质量,若重建图像作为后续编码像素的参考图像,还会影响后续编码像素的预测准确性。并且现有的图像编码失真滤波方法缺乏抑制视频编码失真和提高画面视觉舒适度的效果。因此,针对上述问题,予以进一步改进。
技术实现思路
本专利技术的主要目的在于提供本专利技术提供基于注意力模型和渐进式网络的图像编码失真滤波方法,其通过深度学习注意力模型(Spatial&ChannelFusionAttentionModule,SCFAM,空域和通道域融合的注意力模型)和渐进式网络对压缩失真图进行编码失真,从而抑制视频编码失真和提高画面视觉舒适度的效果,加强深度学习网络对纹理信息和通道特征信息的提取,提高客观质量和主观舒适度。为达到以上目的,本专利技术提供基于注意力模型和渐进式网络的图像编码失真滤波方法,用于抑制视频编码 ...
【技术保护点】
1.一种基于注意力模型和渐进式网络的图像编码失真滤波方法,用于抑制视频编码失真和提高画面视觉舒适度,其特征在于,包括以下步骤:/n步骤S1:将输入的压缩失真图x依次经过若干级渐进式增强网络Si,并且每级网络恢复相对应子带的编码失真,压缩失真图x在经过每个网络时先通过滤波卷积,以提取相对应层级的第一图像特征数据,然后将第一图像特征数据通过双域融合注意力模型计算,以获得相对应层级的第二图像特征数据,并且将第二图像特征数据通过卷积计算生成编码失真,以获得不同幅度的残差;/n步骤S2:将不同幅度的残差依次输入到压缩失真图x,以获得各个层级的滤波图像e
【技术特征摘要】
1.一种基于注意力模型和渐进式网络的图像编码失真滤波方法,用于抑制视频编码失真和提高画面视觉舒适度,其特征在于,包括以下步骤:
步骤S1:将输入的压缩失真图x依次经过若干级渐进式增强网络Si,并且每级网络恢复相对应子带的编码失真,压缩失真图x在经过每个网络时先通过滤波卷积,以提取相对应层级的第一图像特征数据,然后将第一图像特征数据通过双域融合注意力模型计算,以获得相对应层级的第二图像特征数据,并且将第二图像特征数据通过卷积计算生成编码失真,以获得不同幅度的残差;
步骤S2:将不同幅度的残差依次输入到压缩失真图x,以获得各个层级的滤波图像ei,并且将各层级的残差和压缩失真图x的渐进式累加,网络最终输出的增强图像e的公式为:
e=x+∑iresiduei。
2.根据权利要求1所述的一种基于注意力模型和渐进式网络的图像编码失真滤波方法,其特征在于,步骤S1具体实施为以下步骤:
步骤S1.1:输入的压缩失真图x经过网络S1滤波卷积,以获得图像特征数据TF1,并且经过双域融合注意力模型,以获得图像特征数据TS1CF和残差R1,并且将残差R1加上压缩失真图x,以获得中间层滤波图像e1;
步骤S1.2:特征数据TS1经过网络S2滤波卷积,以获得图像特征数据TF2,并且经过双域融合注意力模型,以获得图像特征数据TS2CF和残差R2,并且将残差R2加上中间层滤波图像e1,以获得中间层滤波图像e2;
步骤S1.3:特征数据TF2经过网络S3滤波卷积,以获得图像特征数据TF3,并且经过双域融合注意力模型,以获得图像特征数据TS3CF和残差R3,并且将残差R3加上中间层滤波图像e2,以获得中间层滤波图像e3;
步骤S1.4:特征数据TF3经过网络S4滤波卷积,以获得图像特征数据TF4,并且经过双域融合注意力模型,以获得图像特征数据TS4CF和残差R4,并且将残差R3加上中间层滤波图像e3,以获得最终滤波图像e。
3.根据权利要求2所述的一种基于注意力模型和渐进式网络的图像编码失真滤波方法,其特征在于,步骤S1.1具体实施为以下步骤:
步骤S1.1.1:输入的压缩失真图像x经过网络S1滤波卷积,提取到图像特征数据TF1;
步骤S1.1.2:图像特征数据TF1经过双域融合注意力模型计算获得体现空域和通道域上依赖关系的图像特征数据TS1CF,并且使用卷积计算生成编码失真,以获得残差R1;
步骤S1.1.3:将压缩失真图像x加上残差R1,以获得中间层滤波图像...
【专利技术属性】
技术研发人员:金智鹏,翁政魁,
申请(专利权)人:嘉兴职业技术学院,
类型:发明
国别省市:浙江;33
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。