一种基于深度学习的图像无损/近无损压缩方法技术

本发明专利技术一种基于深度学习的图像无损/近无损压缩方法属于图像压缩领域；主要设计了有损图像压缩与残差压缩联合优化的深度神经网络：首先，把原始图像输入深度有损图像压缩网络，得到有损压缩后的码流和重构图像；计算有损重构图像和原始图像的原始残差，并对原始残差进行量化，使得“有损重构+量化残差”与原始图像的最大像素误差严格地小于等于一个给定的误差上界；利用深度神经网络对原始残差或者量化残差进行压缩，压缩后的码流与有损图像压缩码流连接，得到图像无损/近无损压缩结果；相比于传统的图像无损/近无损压缩，本发明专利技术利用深度神经网络对有损图像压缩与残差压缩进行联合优化，显著地提升了图像无损/近无损压缩效率。显著地提升了图像无损/近无损压缩效率。显著地提升了图像无损/近无损压缩效率。

【技术实现步骤摘要】
一种基于深度学习的图像无损/近无损压缩方法


[0001]本专利技术一种基于深度学习的图像无损/近无损压缩方法属于图像压缩


技术介绍

[0002]近年来，视觉大数据技术在医学影像、遥感、航空航天等专业领域高速发展，产生了海量的高价值图像数据，为存储和传输带来了巨大的压力。图像数据包含了大量的信息冗余，可以通过压缩技术减少存储和传输数据量。有损图像压缩技术具有较高的图像压缩比，但是有损压缩的重构图像与原始图像之间存在着误差，一般采用峰值信噪比(Peak Signal
‑
to
‑
Noise Ratio，PSNR)或者多尺度结构相似性(Multi
‑
Scale Structural SIMilarity,MS
‑
SSIM)度量重构图像的平均失真水平，很可能出现平均失真水平不高，但局部区域严重失真的情况，降低压缩图像的可信度，不适合医学影像、遥感、航空航天等领域内高价值图像的压缩。无损压缩技术可以从压缩数据完美地重构原始图像，但是无损压缩的压缩效率较低，其理论上界由香农信源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像无损/近无损压缩方法，其特征在于，包括以下步骤：步骤a：通过有损图像压缩网络，对原始图像进行有损压缩，得到有损图像压缩码流和有损重构图像；步骤b：计算有损重构图像与原始图像的原始残差，根据给定误差上界对原始残差进行量化；步骤c：如果：给定误差上界为零，量化残差等于原始残差，则采用无损残差压缩网络对原始残差进行压缩；给定误差上界大于零，则采用近无损残差压缩网络对量化残差进行压缩；步骤d：把有损图像压缩码流和原始残差或者量化残差的压缩码流连接在一起，得到图像无损/近无损压缩结果；步骤e：以图像有损压缩网络计算得到的有损压缩码率、无损残差压缩网络计算得到的原始残差压缩码率、以及有损重构图像的失真损失建立目标函数，通过反向传播算法联合优化图像有损压缩网络和无损残差压缩网络；步骤f：以无损残差压缩网络和近无损残差压缩网络分别估计得到的原始残差概率分布建立损失函数，优化近无损残差压缩网络。2.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤a的方法如下：把原始图像x输入图像变换网络并量化，得到隐变量利用超先验编码网络提取隐变量的特征并量化，得到隐变量的超先验计算超先验的概率模型对超先验进行算术编码，得到超先验的码流；利用超先验解码网络，计算条件概率模型对隐变量进行算术编码，得到隐变量的码流；隐变量的码流与超先验的码流连接，即为有损图像压缩码流；隐变量输入图像反变换网络，得到有损重构图像3.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤b的方法如下：计算有损重构图像与原始图像x的原始残差根据给定误差上界τ对原始残差进行量化，得到量化残差其中sgn()为符号函数，i为残差的位置坐标。4.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤c的方法如下：若误差上界τ＝0，那么...

【专利技术属性】
技术研发人员：刘贤明，柏园超，季向阳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：