压缩图像复原方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种压缩图像复原方法、装置、设备和存储介质，该方法包括：获取待复原的压缩图像；将所述待复原的压缩图像作为输入量输入预先训练得到的压缩图像复原模型，所述压缩图像复原模型输出所述待复原的压缩图像对应的复原图像；其中，所述压缩图像复原模型是根据训练样本进行训练得到的，所述训练样本包括：任意压缩质量的有损图像及对应的质量因子生成的量化表和原始未压缩图像。本申请可以对任意质量因子的压缩图像进行复原得到高清复原图像，避免了为每个质量因子分别训练质量模型，从而节省了资源提高了图像复原效率。从而节省了资源提高了图像复原效率。从而节省了资源提高了图像复原效率。

【技术实现步骤摘要】
压缩图像复原方法、装置、设备和存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种压缩图像复原方法、装置、设备和存储介质。

技术介绍

[0002]为了减小图像在传输时占用的带宽和存储容量，通常会提前将图像压缩编码，即减小原始数字图像的数据大小，图像的压缩程度由用户自己设定，比如，在JPEG图像有损压缩编码算法中，用户可以通过设置质量因子的值(从1到100)来决定图像压缩程度，质量因子的值越小图像压缩程度越大。然后传输压缩编码后的图像到客户端，客户端再对压缩图像进行解码，将解码后的图像呈现给客户。但经过有损压缩后的解码图像会产生失真现象，需要对压缩图像进行复原，提高图像质量。
[0003]目前，较为常用的压缩图像复原方法是基于深度学习的压缩图像复原方法，在空间域对图像进行复原，或者，同时在空间域和离散余弦变换(Discrete Cosine Transform，DCT)频域中进行图像复原，即，针对某个特定的质量因子的压缩图像进行模型训练得到该质量因子对应的质量模型，通过质量模型对压缩图像进行复原。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种压缩图像复原方法，其特征在于，包括：获取待复原的压缩图像；将所述待复原的压缩图像作为输入量输入预先训练得到的压缩图像复原模型，所述压缩图像复原模型输出所述待复原的压缩图像对应的复原图像；其中，所述压缩图像复原模型是根据训练样本进行训练得到的，所述训练样本包括：任意压缩质量的有损图像及对应的质量因子生成的量化表和原始未压缩图像。2.根据权利要求1所述的方法，其特征在于，所述将所述待复原的压缩图像作为输入量输入预先训练得到的压缩图像复原模型之前，所述方法还包括：根据所述训练样本训练压缩图像复原神经网络，得到所述压缩图像复原模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本训练压缩图像复原神经网络，得到所述压缩图像复原模型，包括：获取任意压缩质量的有损图像；根据所述任意压缩质量的有损图像对应的质量因子，生成量化表；将所述量化表在横向维度和纵向维度上进行拼接，得到量化特征图，所述量化特征图与所述有损图像尺寸相同；将所述量化特征图和所述有损图像合并，得到组合式特征图；根据所述组合式特征图、原始未压缩图像和预先确定的损失函数方程训练所述压缩图像复原神经网络，得到所述压缩图像复原模型。4.根据权利要求3所述的方法，其特征在于，所述获取任意压缩质量的有损图像，包括：根据原始未压缩图像、随机设定的质量因子和压缩图像公式，确定任意压缩质量的有损图像；其中，所述压缩图像公式为：F表示图像压缩算法，表示原始未压缩图像，QF表示质量因子，Y表示压缩后的有损图像，所述质量因子为整数且取值范围是[1，100]。5.根据权利要求3所述的方法，其特征在于，所述量化表是根据所述质量因子生成的m行m列的数字矩阵，所述将所述量化特征图和所述有损图像合并，包括：对所述有损图像进行像素填补，并在所述有损图像的高度和宽度是m的整数倍时，将所述有损图像和所述量化特征图在通道维度上进行合并。6.根据权利要求3所述的方法，其特征在于，所述根据所述组合式特征图、原始未压缩图像和预先确定的损失函数方程训练所述压缩图像复原神经网络，得到所述压缩图像复原模型，包括：将所述组合式特征图和所述原始未压缩图像作为输入量输入所述压缩图像复原神经网络，得到所述压缩图像复原神经网络输出的复原图像；根据输出的复原图像和所述原始未压缩图像确定损失函数；根据所述函数损失方程最小化所述损失函数，以得到所述压缩图像复原模型；其中，所述损失函数为：n表示图像中像素数量；||
·
...

【专利技术属性】
技术研发人员：李健伟，王勇涛，
申请(专利权)人：北大方正信息产业集团有限公司，
类型：发明
国别省市：