基于宽激活循环神经网络的近无损压缩图像软解码方法技术

本发明专利技术属于数字图像处理技术领域，涉及一种图像软解码方法，具体涉及一种基于宽激活循环神经网络的近无损压缩图像软解码方法，该方法包括如下步骤：S1，样本的获取及预处理；S2，宽激活循环神经网络模型的构建；S3，宽激活循环神经网络模型的训练；S4，宽激活循环神经网络模型的测试。解决了现有方法重建压缩图像质量不够清晰，且像素边界约束不够严格的问题。本发明专利技术通过构建一种基于宽激活神经网络的近无损压缩图像循环重建模型，并且以合理且高效的方式重新定义了像素边界约束，有效的提升了压缩图像重建质量，保证了严格的像素边界约束，提升了人的视觉感官体验，可用于完成近无损压缩图像的软解码。损压缩图像的软解码。损压缩图像的软解码。

【技术实现步骤摘要】
基于宽激活循环神经网络的近无损压缩图像软解码方法


[0001]本专利技术属于数字图像处理
，涉及一种图像软解码方法，具体涉及一种基于宽激活循环神经网络的近无损压缩图像软解码方法。

技术介绍

[0002]在遥感影像、远程医疗、物联网等领域，图像编码器通常封装在高集成度的芯片中。为了提升图像质量而修改片上系统的编码器通常是一个很棘手的问题。而图像软解码的优势，就是可以在不修改编码器的同时，完成压缩图像质量的提升。
[0003]软解码实际上是一种病态逆问题。先前的软解码技术多是基于显式的图像建模和优化。如基于自回归模型、基于稀疏、随机游走图等。近年来，随着卷积神经网络的火热，研究人员舍弃了基于手工设计特征的方法，转而借助卷积神经网络来设计一种由数据驱动的、端到端的软解码器。由于具有更大的感受野并且不需要显示优化，基于卷积神经网络的软解码器在图像质量提升以及运行时间上均优于基于建模的软解码器。然而，多数基于网络的软解码技术只是将图像软解码任务视为一种常规的图像恢复任务。这种假设并不适用于近无损压缩这一类有约束图像恢复任务。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述方法包括如下步骤：S1，样本的获取及预处理；S2，宽激活循环神经网络模型的构建；S3，所述宽激活循环神经网络模型的训练；S4，所述宽激活循环神经网络模型的测试。2.根据权利要求1所述的基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述预处理包括将所述样本进行近无损压缩。3.根据权利要求2所述的基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述预处理包括将所述样本以4:1的比例划分为训练样本集和测试样本集。4.根据权利要求3所述的基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述宽激活循环神经网络模型包括特征提取部分、特征推理部分、图像重建部分。5.根据权利要求4所述的基于宽激活循环神经网络的近无损压缩图像软解码方法，其特征在于，所述特征提取部分为图像升...

【专利技术属性】
技术研发人员：牛毅，刘畅，马明明，李甫，石光明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：