一种面向高分辨率图像的高效压缩重建模型构建方法技术

本发明专利技术公开了一种面向高分辨率图像的高效压缩重建模型构建方法，属于高分辨率图像压缩重建技术领域

【技术实现步骤摘要】
一种面向高分辨率图像的高效压缩重建模型构建方法


[0001]本专利技术涉及高分辨率图像压缩重建
，具体涉及一种面向高分辨率图像的高效压缩重建模型构建方法
。

技术介绍

[0002]高分辨率图像具有分辨率高
、
采样精度高的“双高”特点，开展面向高分辨率图像的高效压缩重建模型构建方法研究，可有效提升高分辨率图像的压缩效率，有利于促进该技术在多媒体信息领域的推广应用
。
[0003]分辨率决定图像清晰度
。
分辨率越高，画面层次越丰富
、
画面细节越精致
、
人眼的视场角度越大，呈现出场景的立体感和空间感也越真实
。
采样精度决定图像真实感
。
采样精度越高，所能呈现的色深
、
色域以及动态范围越大，相应会带来颜色渐变平滑度
、
颜色种类丰富度以及图像明暗对比度的增加，使得细节刻画效果
、
画面层次感和立体感更佳
。
目前，受限于压缩极限以及带宽资源，高分辨率图像通常是利用低分辨率图像重建生成的
。
[0004]近年来，深度学习技术凭借强大的特征提取能力在大量图像压缩重建任务中取得了令人瞩目的成就
。
作为统计学习的一个分支，深度学习通过从大量的数据中学习统计信息来拟合目标函数
。
因此，利用深度学习处理图像压缩重建任务的本质是通过建立卷积神经网络模型来拟合低分辨率图像与高分辨率图像之间的映射关系
。
早期的研究者通过传统的双三次插值方法将低分辨率图像插值成粗糙的高分辨率图像，再使用卷积神经网络模型去拟合粗糙高分辨率图像与真实高分辨率图像间的映射关系
。
如：
DONG
等学者在文献
《
学习用于图像超分辨率的深度卷积网络
》
中以及
LAI
等学者在文献
《
基于深度拉普拉斯金字塔网络的快速精确图像超分
》
中提出的高分辨率图像重建方案
。
[0005]虽然上述技术为高分辨率图像的重建任务提供了可行的解决方案，但仍然存在不足，如
DONG
等学者和
LAI
等学者所提方案的本质思想仍旧是研究低分辨率图像到高分辨率图像的单向映射关系，使得原始高分辨率图像难以被真实回溯
。
因此，在有限码率下，深入探究低分辨率图像与高分辨率图像的双向映射关系对于实现压缩重建一体化具有重要意义
。

技术实现思路

[0006]本专利技术的目的在于提供一种面向高分辨率图像的高效压缩重建模型构建方法，以解决原始高分辨率图像在压缩重建过程中因信息缺失所引发的图像重建质量下降的技术问题，最终在有限码率下，实现高分辨率图像的高效压缩与重建，并在客观性能指标与主观视觉质量上证明了该方法的有效性
。
[0007]本专利技术的专利技术思想为：本专利技术提供了一种面向高分辨率图像的高效压缩重建模型构建方法，首先研究低分辨率图像与高分辨率图像之间的双向映射关系，然后，制定空间分辨率和采样精度两个维度之间的通道信息交互机制，之后，针对像素层面和图像层面设计差异化损失函数，最后，根据上述步骤构建面向高分辨率图像的高效压缩重建模型
。
[0008]为了实现上述专利技术目的，本专利技术采用的技术方案具体为：一种面向高分辨率图像的高效压缩重建模型构建方法，包括以下步骤：
[0009]1.1、
对低分辨率图像与高分辨率图像之间的双向映射关系进行建模；
[0010]1.2、
对反应图像质量的两个基本维度，空间分辨率和采样精度，进行通道信息交互；
[0011]1.3、
从像素以及图像两个层面设计目标损失函数；
[0012]1.4、
构建面向高分辨率图像的高效压缩重建模型
。
[0013]进一步地，所述步骤
1.1
具体包括以下步骤：
[0014]2.1、
对高分辨率图像到低分辨率图像的下采样过程进行建模，其公式为
I
x
＝
D(I
y
；
α
)
，其中，
D
表示下采样映射函数，
I
y
是原高分辨率图像，
I
x
是压缩后的低分辨率图像，
α
代表下采样过程的参数；
[0015]2.2、
对低分辨率图像到高分辨率图像的上采样过程进行建模，其公式为其中，
U
表示上采样映射函数，是重建出来的高分辨率图像，
β
代表上采样过程的参数
。
[0016]进一步地，步骤
1.2
具体包括以下步骤：
[0017]3.1、
记图像分辨率的特征图为
S
c,w,h
，图像采样精度的特征图为
H
c,w,h
，其中
c
为通道数，
w
和
h
分别为特征图的宽和高，将
S
c,w,h
和
H
c,w,h
进行横向级联，得到新的整合特征图
N
2c,w,h
；
[0018]3.2、
利用全局平均池化，对整合特征图进行特征压缩，得到通道数不变
、
宽与高变为1的包含通道信息的压缩特征图
N
2c,1,1
；
[0019]3.3、
利用多层卷积尺寸为1×1的卷积核对压缩特征进行非线性映射，实现模型对于特征的激励学习，获取包含更多信息的语义特征图
M
2c,1,1
；
[0020]3.4、
利用
Sigmoid
激活函数将获得的语义特征压缩至0和1之间，并将其作为权重赋予整合特征的每个通道，得到交互整合特征图
M
2c,w,h
；
[0021]3.5、
将交互整合特征图进行横向拆分，得到通道信息交互后的分辨率特征图
S'
c,w,h
和采样精度特征图
H'
c,w,h
。
[0022]进一步地，所述步骤
1.3
具体包括以下步骤：
[0023]4.1、
步骤
S1
中，高分辨率图像到低分辨率图像的下采样过程更加关注压缩后低分辨率图像与真实低分辨率图像之间的像素差异，利用
L1
范数比较两幅图像在像素上的差异，其公式为其中
Y
表示真实值，
f(x)
表示模型预测值；
[0024]4.2、
步骤
S1
中，低分辨率图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向高分辨率图像的高效压缩重建模型构建方法，其特征在于，包括以下步骤：
S1、
对低分辨率图像与高分辨率图像之间的双向映射关系进行建模；
S2、
对反应图像质量的两个基本维度，空间分辨率和采样精度，进行通道信息交互；
S3、
从像素以及图像两个层面设计目标损失函数；
S4、
构建面向高分辨率图像的高效压缩重建模型
。2.
根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法，其特征在于，所述步骤
S1
包括以下步骤：
S11、
对高分辨率图像到低分辨率图像的下采样过程进行建模，其公式为
I
x
＝
D(I
y
；
α
)
，其中，
D
表示下采样映射函数，
I
y
是原高分辨率图像，
I
x
是压缩后的低分辨率图像，
α
代表下采样过程的参数；
S12、
对低分辨率图像到高分辨率图像的上采样过程进行建模，其公式为其中，
U
表示上采样映射函数，是重建出来的高分辨率图像，
β
代表上采样过程的参数
。3.
根据权利要求1所述的面向高分辨率图像的高效压缩重建模型构建方法，其特征在于，所述步骤
S2
包括以下步骤：
S21、
记图像分辨率的特征图为
S
c,w,h
，图像采样精度的特征图为
H
c,w,h
，其中
c
为通道数，
w
和
h
分别为特征图的宽和高，将
S
c,w,h
和
H
c,w,h
进行横向级联，得到新的整合特征图
N
2c,w,h
；
S22、
利用全局平均池化，对整合特征图进行特征压缩，得到通道数不变
、
宽与高变为1的包含通道信息的压缩特征图
N
2c,1,1
；
S23、
利...

【专利技术属性】
技术研发人员：刘畅，白鹤鸣，姜芮芮，张佳琳，王振国，
申请(专利权)人：南通大学，
类型：发明
国别省市：