图像压缩和解压缩方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种图像压缩和解压缩方法、装置、电子设备及存储介质。本申请的实施例涉及人工智能的机器学习以及云技术等技术领域。该图像解压缩方法包括：获取纹理压缩结果；从多个预置超分辨网络中获取与目标纹理压缩码本的纹理压缩码本标识对应的目标超分辨网络；利用目标超分辨网络基于矢量量化结果的局部结构和纹理信息进行像素值预测，得到纹理图像中每个像素点各自对应的预测像素值；根据纹理图像中每个像素点各自对应的预测像素值，得到解压缩纹理图像。本申请中，目标超分辨网络可以准确的提取到矢量量化结果中的特征信息，使得解压缩纹理图像与原纹理图像的相似度极高，提高了对矢量量化结果的重构效果以及解压缩效果。效果。效果。

【技术实现步骤摘要】
图像压缩和解压缩方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，更具体地，涉及一种图像压缩和解压缩方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的发展和普遍应用，网络越来越影响人们的工作以及生活方式。由于图片信息具有直观性强，内容丰富等特点，因此在网站、网络游戏中都采用了大量的图片。为了提高图像的传输效率和处理效率，需要对图像进行压缩，因此，涌现了各种各样的图像压缩技术，例如纹理压缩技术。
[0003]纹理压缩是图像压缩技术中一种广泛使用的技术，它可以减小纹理贴图的存储空间和传输带宽，从而提高实时渲染的性能和效率。目前，通过纹理压缩技术对原始纹理图像进行纹理压缩后，可以通过插值算法来对纹理压缩结果进行解压缩，得到解压缩纹理图像。
[0004]然而，现有的纹理解压缩技术对图像解压缩效果较差，导致得到的解压缩纹理图像与原始纹理图像的差距较大。

技术实现思路

[0005]有鉴于此，本申请实施例提出了一种图像压缩和解压缩方法、装置、电子设备及存储介质。
[0006]第一方面，本申请实施例提供了一种图像解压缩方法，方法包括：获取纹理压缩结果，纹理压缩结果包括待压缩的纹理图像的矢量量化结果以及目标纹理压缩码本的纹理压缩码本标识；矢量量化结果是根据目标纹理压缩码本对纹理图像进行矢量量化后得到；目标纹理压缩码本包括不同像素值各自对应的量化值；从多个预置超分辨网络中获取与目标纹理压缩码本的纹理压缩码本标识对应的目标超分辨网络；利用目标超分辨网络基于矢量量化结果的局部结构和纹理信息进行像素值预测，得到纹理图像中每个像素点各自对应的预测像素值；根据纹理图像中每个像素点各自对应的预测像素值，得到解压缩纹理图像。
[0007]第二方面，本申请实施例提供了一种图像压缩方法，方法包括：确定待压缩的纹理图像对应的纹理复杂度；从纹理压缩码本集合中确定与纹理复杂度对应的目标纹理压缩码本；纹理压缩码本集合中的每个纹理压缩码本均包括不同像素值各自对应的量化值；根据目标纹理压缩码本对纹理图像进行矢量量化，确定纹理图像的矢量量化结果；根据纹理图像的矢量量化结果以及目标纹理压缩码本的纹理压缩码本标识，得到纹理图像的纹理压缩结果。
[0008]第三方面，本申请实施例提供了一种图像解压缩装置，装置包括：获取模块，用于获取纹理压缩结果，纹理压缩结果包括待压缩的纹理图像的矢量量化结果以及目标纹理压缩码本的纹理压缩码本标识；矢量量化结果是根据目标纹理压缩码本对纹理图像进行矢量量化后得到；目标纹理压缩码本包括不同像素值各自对应的量化值；网络获取模块，用于从多个预置超分辨网络中获取与目标纹理压缩码本的纹理压缩码本标识对应的目标超分辨
网络；预测模块，用于利用目标超分辨网络基于矢量量化结果的局部结构和纹理信息进行像素值预测，得到纹理图像中每个像素点各自对应的预测像素值；解压缩模块，用于根据纹理图像中每个像素点各自对应的预测像素值，得到解压缩纹理图像。
[0009]可选地，装置还包括模型训练模块，用于根据纹理压缩码本集合中的纹理压缩码本，对样本图像进行矢量量化，得到纹理压缩码本对应的样本矢量量化结果；根据纹理压缩码本对应的样本矢量量化结果以及样本图像，对初始超分辨网络进行训练，得到纹理压缩码本对应的中间超分辨网络； 根据纹理压缩码本对应的中间超分辨网络的参数，对第一超分辨网络进行重参数化，得到纹理压缩码本对应的预置超分辨网络；建立纹理压缩码本对应的预置超分辨网络以及纹理压缩码本的纹理压缩码本标识之间的对应关系。
[0010]可选地，纹理压缩码本对应的中间超分辨网络包括至少一个卷积层组，每个卷积层组包括多个卷积层；第一超分辨网络包括至少一个融合卷积层，每个融合卷积层对应中间超分辨网络中的一个卷积层组；模型训练模块，还用于根据目标卷积层组中各个卷积层之间的目标线性运算关系，对目标卷积层组中多个卷积层的参数进行融合，得到目标融合卷积层对应的目标参数；目标卷积层组为纹理压缩码本对应的中间超分辨网络中的任意一个卷积层组；目标融合卷积层是指第一超分辨网络中与目标卷积层组对应的融合卷积层；根据第一超分辨网络中每个融合卷积层各自对应的目标参数，对第一超分辨网络中对应的融合卷积层进行参数配置，得到纹理压缩码本对应的预置超分辨网络。
[0011]可选地，模型训练模块，还用于根据纹理压缩码本集合中的纹理压缩码本，对样本图像进行矢量量化，得到纹理压缩码本对应的样本矢量量化结果；根据纹理压缩码本对应的样本矢量量化结果以及样本图像，对初始超分辨网络进行训练，得到纹理压缩码本对应的中间超分辨网络； 对纹理压缩码本对应的中间超分辨网络进行压缩，得到纹理压缩码本对应的预置超分辨网络；建立纹理压缩码本对应的预置超分辨网络以及纹理压缩码本的纹理压缩码本标识之间的对应关系。
[0012]可选地，模型训练模块，还用于对纹理压缩码本对应的中间超分辨网络中的卷积层进行网络剪枝处理，得到纹理压缩码本对应的预置超分辨网络；网络剪枝处理包括对纹理压缩码本对应的中间超分辨网络中的卷积层进行卷积层剪枝处理或通道剪枝处理；或，将纹理压缩码本对应的中间超分辨网络中的浮点类型的模型参数转换为整型类型的模型参数或定点数类型的模型参数，得到纹理压缩码本对应的预置超分辨网络。
[0013]可选地，模型训练模块，还用于获取模型体积小于初始超分辨网络的第二超分辨网络；将纹理压缩码本对应的样本矢量量化结果输入初始压缩超分辨网络，得到纹理压缩码本对应的第一预测结果；将纹理压缩码本对应的样本矢量量化结果输入纹理压缩码本对应的中间超分辨网络，得到纹理压缩码本对应的第二预测结果；根据纹理压缩码本对应的第一预测结果以及第二预测结果之间的差异，确定纹理压缩码本对应损失值；根据纹理压缩码本对应损失值对初始压缩超分辨网络进行训练，得到纹理压缩码本对应的预置超分辨网络。
[0014]第四方面，本申请实施例提供了一种图像压缩装置，装置包括：信息确定模块，用于确定待压缩的纹理图像对应的纹理复杂度；纹理压缩码本确定模块，用于从纹理压缩码本集合中确定与纹理复杂度对应的目标纹理压缩码本；纹理压缩码本集合中的每个纹理压缩码本均包括不同像素值各自对应的量化值；量化模块，用于根据目标纹理压缩码本对纹
理图像进行矢量量化，确定纹理图像的矢量量化结果；结果获得模块，用于根据纹理图像的矢量量化结果以及目标纹理压缩码本的纹理压缩码本标识，得到纹理图像的纹理压缩结果。
[0015]可选地，信息确定模块，还用于识别纹理图像中的目标对象；根据纹理图像中目标对象的数量以及目标对象所在区域在纹理图像中的占比中的至少一者，确定纹理图像对应的纹理复杂度。
[0016]可选地，装置还包括纹理压缩码本获取模块，用于确定多个复杂度区间；根据每个复杂度区间分别对目标像素值区间进行聚类，得到每个复杂度区间对应的多个聚类结果；对每个复杂度区间下的每个聚类结果配置各自的量化值，聚类结果中的像素值的比特位大于聚类结果对应的量化值的比特位；根据每个复杂度区间下的每个聚类结果以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像解压缩方法，其特征在于，所述方法包括：获取纹理压缩结果，所述纹理压缩结果包括待压缩的纹理图像的矢量量化结果以及目标纹理压缩码本的纹理压缩码本标识；所述矢量量化结果是根据所述目标纹理压缩码本对所述纹理图像进行矢量量化后得到；所述目标纹理压缩码本包括不同像素值各自对应的量化值；从多个预置超分辨网络中获取与所述目标纹理压缩码本的纹理压缩码本标识对应的目标超分辨网络；利用所述目标超分辨网络基于所述矢量量化结果的局部结构和纹理信息进行像素值预测，得到所述纹理图像中每个像素点各自对应的预测像素值；根据所述纹理图像中每个像素点各自对应的预测像素值，得到解压缩纹理图像。2.根据权利要求1所述的方法，其特征在于，所述从多个预置超分辨网络中获取与所述目标纹理压缩码本对应的目标超分辨网络之前，所述方法还包括：根据纹理压缩码本集合中的纹理压缩码本，对样本图像进行矢量量化，得到所述纹理压缩码本对应的样本矢量量化结果；根据所述纹理压缩码本对应的样本矢量量化结果以及所述样本图像，对初始超分辨网络进行训练，得到所述纹理压缩码本对应的中间超分辨网络；根据所述纹理压缩码本对应的中间超分辨网络的参数，对第一超分辨网络进行重参数化，得到所述纹理压缩码本对应的预置超分辨网络；建立所述纹理压缩码本对应的预置超分辨网络以及所述纹理压缩码本的纹理压缩码本标识之间的对应关系。3.根据权利要求2所述的方法，其特征在于，所述纹理压缩码本对应的中间超分辨网络包括至少一个卷积层组，每个所述卷积层组包括多个卷积层；所述第一超分辨网络包括至少一个融合卷积层，每个所述融合卷积层对应所述中间超分辨网络中的一个卷积层组；所述根据所述纹理压缩码本对应的中间超分辨网络的参数，对第一超分辨网络进行重参数化，得到所述纹理压缩码本对应的预置超分辨网络，包括：根据目标卷积层组中各个卷积层之间的目标线性运算关系，对所述目标卷积层组中多个卷积层的参数进行融合，得到目标融合卷积层对应的目标参数；所述目标卷积层组为所述纹理压缩码本对应的中间超分辨网络中的任意一个卷积层组；所述目标融合卷积层是指所述第一超分辨网络中与所述目标卷积层组对应的融合卷积层；根据所述第一超分辨网络中每个所述融合卷积层各自对应的目标参数，对所述第一超分辨网络中对应的融合卷积层进行参数配置，得到所述纹理压缩码本对应的预置超分辨网络。4.根据权利要求1所述的方法，其特征在于，所述从多个预置超分辨网络中获取与所述目标纹理压缩码本对应的目标超分辨网络之前，所述方法还包括：根据纹理压缩码本集合中的纹理压缩码本，对样本图像进行矢量量化，得到所述纹理压缩码本对应的样本矢量量化结果；根据所述纹理压缩码本对应的样本矢量量化结果以及所述样本图像，对初始超分辨网络进行训练，得到所述纹理压缩码本对应的中间超分辨网络；对所述纹理压缩码本对应的中间超分辨网络进行压缩，得到所述纹理压缩码本对应的
预置超分辨网络；建立所述纹理压缩码本对应的预置超分辨网络以及所述纹理压缩码本的纹理压缩码本标识之间的对应关系。5.根据权利要求4所述的方法，其特征在于，所述对所述纹理压缩码本对应的中间超分辨网络进行压缩，得到所述纹理压缩码本对应的预置超分辨网络，包括：对所述纹理压缩码本对应的中间超分辨网络中的卷积层进行网络剪枝处理，得到所述纹理压缩码本对应的预置超分辨网络；所述网络剪枝处理包括对所述纹理压缩码本对应的中间超分辨网络中的卷积层进行卷积层剪枝处理或通道剪枝处理；或，将所述纹理压缩码本对应的中间超分辨网络中的浮点类型的模型参数转换为整型类型的模型参数或定点数类型的模型参数，得到所述纹理压缩码本对应的预置超分辨网络。6.根据权利要求4所述的方法，其特征在于，所述对所述纹理压缩码本对应的中间超分辨网络进行压缩，得到所述纹理压缩码本对应的预置超分辨网络，包括：获取模型体积小于所述初始超分辨网络的第二超分辨网络；将所述纹理压缩码本对应的样本矢量量化结果输入所述初始压缩超分辨网络，得到所述纹理压缩码本对应的第一预测结果；将所述纹理压缩码本对应的样本矢量量化结果输入所述纹理压缩码本对应的中间超分辨网络，得到所述纹理压缩码本对应的第二预测结...

【专利技术属性】
技术研发人员：蔡德，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：