【技术实现步骤摘要】
本申请涉及图像处理，具体而言，涉及一种图像压缩方法、装置及电子设备。
技术介绍
1、现有的针对图像的有损压缩方法在压缩过程中会舍弃图像的高频信息，保留全部的低频信息。由于高频信息全部损失，无法在解压缩时进行有效的重建，最终使得视觉效果被损失，如解压后图像变的模糊、失真，或者出现边界块状效应。
技术实现思路
1、本申请的实施例提供了一种图像压缩方法、装置及电子设备，进而至少在一定程度上可以在解压缩后获得更优的视觉效果和还原性能。
2、本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
3、根据本申请实施例的一个方面，提供了一种图像压缩方法，所述方法包括：基于待压缩图像中各像素的像素值对所述待压缩图像进行离散余弦变换，得到与所述待压缩图像对应的频域矩阵，所述频域矩阵包括在给定频率坐标上的频域值；对所述频域矩阵进行采样，得到采样后的频域矩阵；基于预先训练得到的深度神经网络模型，对所述采样后的频域矩阵进行插值操作，得到插值后的频域矩阵，所述深度神经网络模型中的参数是根据真实频域矩阵与预测频域矩阵的差值训练得到的；对所述插值后的频域矩阵进行离散余弦变换的逆变换操作，得到压缩后图像。
4、根据本申请实施例的一个方面，提供了一种图像压缩装置，所述装置包括：变换单元，用于基于待压缩图像中各像素的像素值对所述待压缩图像进行离散余弦变换，得到与所述待压缩图像对应的频域矩阵，所述频域矩阵包括在给定频率坐标上的频域值；采样单元，用于对所
5、在本申请的一些实施例中，基于前述方案，所述采样单元配置为：确定所述频域矩阵中各个频率元素的能量值；对各个频率元素的能量值按照从大到小的顺序排序；根据排序结果确定频率元素的能量值阈值；根据所述能量值阈值和所述频域矩阵计算出遮罩矩阵；基于所述遮罩矩阵对所述频域矩阵进行采样，得到采样后的频域矩阵。
6、在本申请的一些实施例中，基于前述方案，所述深度神经网络模型通过如下方式训练得到：获取包括多个原始图像数据的原始图像数据集；对所述原始图像数据集中的各原始图像数据分别进行离散余弦变换，得到频域矩阵数据集，所述频域矩阵数据集包括各原始图像数据分别对应的频域矩阵，所述频域矩阵为所述真实频域矩阵；获取各所述频域矩阵对应的遮罩矩阵，作为遮罩矩阵数据集；对所述频域矩阵数据集中的各所述频域矩阵分别进行采样，得到采样后的频域矩阵数据集，所述采样后的频域矩阵数据集包括对各所述频域矩阵采样得到的采样后的频域矩阵；根据所述频域矩阵数据集、所述遮罩矩阵数据集和所述采样后的频域矩阵数据集构建训练样本集；基于所述训练样本集迭代执行训练步骤，直至满足预定训练停止条件，所述训练步骤包括：将所述采样后的频域矩阵数据集中的采样后的频域矩阵输入至待训练的深度神经网络模型，获得所述待训练的深度神经网络模型输出的预测频域矩阵；根据所述频域矩阵数据集中与所述采样后的频域矩阵对应的频域矩阵、所述遮罩矩阵数据集中与所述采样后的频域矩阵对应的遮罩矩阵和所述预测频域矩阵计算预设损失函数的损失值；根据所述预设损失函数的损失值更新所述待训练的深度神经网络模型的参数。
7、在本申请的一些实施例中，基于前述方案，所述预设损失函数为遮罩均方误差损失函数，所述根据所述频域矩阵数据集中与所述采样后的频域矩阵对应的频域矩阵、所述遮罩矩阵数据集中与所述采样后的频域矩阵对应的遮罩矩阵和所述预测频域矩阵计算预设损失函数的损失值，包括：确定所述频域矩阵数据集中与所述采样后的频域矩阵对应的频域矩阵和所述预测频域矩阵的差值矩阵；对所述遮罩矩阵数据集中与所述采样后的频域矩阵对应的遮罩矩阵进行取反操作，得到取反后遮罩矩阵；对所述差值矩阵和所述取反后遮罩矩阵进行逐元素的乘法运算，得到新差值矩阵；确定所述新差值矩阵的平方，得到偏差矩阵；确定所述偏差矩阵中各元素的均值，作为遮罩均方误差损失函数的损失值。
8、在本申请的一些实施例中，基于前述方案，所述根据所述频域矩阵数据集、所述遮罩矩阵数据集和所述采样后的频域矩阵数据集构建训练样本集，包括：对所述频域矩阵数据集进行标准化操作，得到标准化后的频域矩阵数据集；对所述采样后的频域矩阵数据集进行标准化操作，得到标准化后的采样后频域矩阵数据集；根据所述标准化后的频域矩阵数据集、所述标准化后的采样后频域矩阵数据集和所述遮罩矩阵数据集构建训练样本集。
9、在本申请的一些实施例中，基于前述方案，所述变换单元配置为：对待压缩图像中各像素的像素值减去预定数值，得到与所述待压缩图像对应的调整后像素值矩阵；对所述调整后像素值矩阵进行离散余弦变换，得到与所述待压缩图像对应的频域矩阵。
10、在本申请的一些实施例中，基于前述方案，所述插值单元配置为：将所述采样后的频域矩阵输入至预先训练得到的深度神经网络模型，得到所述预先训练得到的深度神经网络模型输出的预测结果；获取与所述采样后的频域矩阵对应的取反后遮罩矩阵；对所述预测结果和所述取反后遮罩矩阵进行逐元素的乘法运算，得到处理后预测结果；将所述处理后预测结果加到所述采样后的频域矩阵中，得到插值后的频域矩阵。
11、在本申请的一些实施例中，基于前述方案，所述装置还包括编码单元和解码单元；在得到采样后的频域矩阵之后，所述编码单元用于：基于哈夫曼编码对所述采样后的频域矩阵进行编码，得到编码后的采样后频域矩阵；在对所述采样后的频域矩阵进行插值操作之前，所述解码单元用于：基于编码词典对所述编码后的采样后频域矩阵进行解码，得到采样后的频域矩阵。
12、根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的图像压缩方法。
13、根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的图像压缩方法。
14、根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行如上述实施例中所述的图像压缩方法。
15、在本申请的一些实施例所提供的技术方案中，通过先基于待压缩图像中各像素的像素值对待压缩图像进行离散余弦变换，得到与待压缩图像对应的频域矩阵，再对频域矩阵进行采样，得到采样后的频域矩阵，然后，利用预先训练得到的深度神经网络模型对采样后的频域本文档来自技高网...
【技术保护点】
1.一种图像压缩方法，其特征在于，所述方法包括：
2.根据权利要求1所述的图像压缩方法，其特征在于，所述对所述频域矩阵进行采样，得到采样后的频域矩阵，包括：
3.根据权利要求2所述的图像压缩方法，其特征在于，所述深度神经网络模型通过如下方式训练得到：
4.根据权利要求3所述的图像压缩方法，其特征在于，所述预设损失函数为遮罩均方误差损失函数，所述根据所述频域矩阵数据集中与所述采样后的频域矩阵对应的频域矩阵、所述遮罩矩阵数据集中与所述采样后的频域矩阵对应的遮罩矩阵和所述预测频域矩阵计算预设损失函数的损失值，包括：
5.根据权利要求3所述的图像压缩方法，其特征在于，所述根据所述频域矩阵数据集、所述遮罩矩阵数据集和所述采样后的频域矩阵数据集构建训练样本集，包括：
6.根据权利要求1所述的图像压缩方法，其特征在于，所述基于待压缩图像中各像素的像素值对所述待压缩图像进行离散余弦变换，得到与所述待压缩图像对应的频域矩阵，包括：
7.根据权利要求1所述的图像压缩方法，其特征在于，所述基于预先训练得到的深度神经网络模型，对所述
8.根据权利要求1-7任意一项所述的图像压缩方法，其特征在于，在得到采样后的频域矩阵之后，所述方法还包括：
9.一种图像压缩装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种图像压缩方法，其特征在于，所述方法包括：
2.根据权利要求1所述的图像压缩方法，其特征在于，所述对所述频域矩阵进行采样，得到采样后的频域矩阵，包括：
3.根据权利要求2所述的图像压缩方法，其特征在于，所述深度神经网络模型通过如下方式训练得到：
4.根据权利要求3所述的图像压缩方法，其特征在于，所述预设损失函数为遮罩均方误差损失函数，所述根据所述频域矩阵数据集中与所述采样后的频域矩阵对应的频域矩阵、所述遮罩矩阵数据集中与所述采样后的频域矩阵对应的遮罩矩阵和所述预测频域矩阵计算预设损失函数的损失值，包括：
5.根据权利要求3所述的图像压缩方法，其特征在于，所述根据所述频域矩阵数据集、所...
【专利技术属性】
技术研发人员：裴勇，杨启城，
申请(专利权)人：深圳前海微众银行股份有限公司，
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。