【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。