本发明专利技术公开了一种低照度bayer图像压缩、重建方法，属于图像压缩技术领域，包括：预处理目标图像，获取亮度增强的低照度bayer图像A；通过具有Trasformer×CNN模块的编码网络对低照度bayer图像A进行网络编码处理，获取编码后的图像特征图；对编码后的图像特征图进行熵编码处理，获取对应的压缩码流。本发明专利技术通过具有具有Trasformer×CNN模块的编码网络对低照度bayer图像A进行网络编码处理，通过CNN卷积提取图像的局部特征，再通过Trasformer模块提取图片的全局特征，通过Trasformer和CNN分离通道降低了模型复杂度，且局部和全局特征可以独立并行处理，提高了低照度bayer图像的压缩细节，改善重建图像质量的效果。
1、随着大数据时代的到来，人们对数字图像的质量要求愈发提高，数字图像也朝着更清晰，分辨率更高的方向发展。一方面，由于图像数据量的增长速度远超于存储设备以及传输技术的发展，因此，寻找更加合理的图像压缩与重建方法具有很重要的应用意义；另一方面，目前的图像压缩与重建方法(传统方法、深度学习压缩方法)的应用主体大多是如jpg，png，bmp格式等传统rgb域图像，但是近年来，bayer格式图像由于其能够保证完整的图像信息的特点，被广泛应用在内窥镜检测，深空探测等光线照度不足的领域，这对图像压缩性能、图像压缩算力需求都有着很高的标准。
1、本专利技术的目的在于克服现有技术中的不足，提供一种低照度bayer图像压缩、重建方法，具有提高低照度bayer图像压缩细节，改善重建图像质量的效果，解决了当前低照度bayer格式图像压缩易丢失细节，重建图像质量不好的问题。
>7、进一步地，所述预处理目标图像，获取亮度增强的低照度bayer图像a，包括：8、对目标图像进行彩色滤镜阵列，得到低照度bayer图像；
9、对低照度bayer图像进行归一化处理，获取低照度bayer图像的矫正像素值：
10、
11、其中：
12、imagein表示低照度bayer图像的像素值；imaginout表示归一化处理后低照度bayer图像的矫正像素值；512表示黑电平矫正的参数值；16383表示14bit位深的bayer图像能取到的像素值上限；
13、对低照度bayer图像的矫正像素值进行比例系数放大处理，得到亮度增强的低照度bayer图像a：
14、pixel＝imageout×ratio；
15、其中：ratio表示比例系数。
16、进一步地，所述编码网络包括第一编码网络和第二编码网络，所述第二编码网络与第一编码网络相连；
17、所述第一编码网络包括至少三个依次相连的下处理层、与最末端下处理层相连的步长为2的3×3卷积层；所述下处理层包括下采样层和trasformer×cnn模块；
18、所述第二编码网络包括下处理层、与下处理层相连的步长为2的3×3卷积层。
19、更进一步地，所述通过具有trasformer×cnn模块的编码网络对低照度bayer图像a进行网络编码处理，获取编码后的图像特征图，包括：
20、将低照度bayer图像a作为输入图像输入第一编码网络中的下处理层进行第一下采样处理，获取第一下采样特征图；
21、判断第一下采样处理次数是否满足阈值，若否，则将第一下采样特征图作为输入图像继续进行第一下采样处理；
22、将第一下采样特征图输入第一编码网络中的步长为2的3×3卷积层获取融合特征图像；
23、将融合特征图像输入第二编码网络进行第二下采样处理，获取编码后的图像特征图。
24、更进一步地，所述第一下采样处理包括：
25、获取输入图像的残差块和对应的统计特性；
26、将残差块与统计特性叠加，获取下采样输出特征图；
27、对下采样输出特征图进行分离处理，获取第一维度分离特征图和第二维度分离特征图；
28、将第一维度分离特征图和第二维度分离特征图输入trasformer×cnn模块，获取第一下采样特征图。
29、更进一步地，所述获取输入图像对应的统计特性，包括：
30、
31、其中：h表示输入图像的高；w表示输入图像的宽；c1表示卷积前输入图像的维度；c2表示卷积后输入图像的维度；h/2表示表示卷积后输入图像的高；w/2表示表示卷积后输入图像的宽；
32、
33、其中：xi表示输入图像的第i个输入；βi、γi表示可训练参数；yi表示输出的统计特性。
34、更进一步地，所述对下采样输出特征图进行分离处理，获取第一维度分离特征图和第二维度分离特征图包括：
35、
36、其中：
37、g表示输入图像的高；y表示输入图像的宽；
38、t表示输入图像的维度，分离后第一维度特征图与第二维度特征图维度均为t/2。
39、更进一步地，所述对编码后的图像特征图进行熵编码处理，获取对应的压缩码流，包括：
40、streamfeature＝ebenc(q{enc2[enc1(xbayer)]})；
41、其中：xbayer表示亮度增强的低照度bayer图像a；enc1表示第一编码网络；enc2表示第二编码网络；ebenc表示熵编码；
42、q表示量化过程：
43、
44、q表示量化因子，用于确定量化后的像素值区间范围；sign表示符号因子。
45、另一方面提供一种低照度bayer图像重建方法，包括:
46、获取低照度bayer图像a经压缩后对应的特征码流；
47、对特征码流进行熵解码，并将解码结果输入二阶段解码网络获取还原特征图；
48、将还原特征图和融合特征图像输入解码模型中，获取第一重建特征图，包括：
49、mapfeature＝g{dec2[ebdec(streamfeature)],q[enc1(xbayer)]}；
50、其中：streamfeature表示特征码流；
51、xbayer表示亮度增强后的低照度bayer图像a；
52、enc1为第一编码网络；ebdec为熵解码；dec2表示二阶段解码网络；
53、g表示高斯分布建模函数；mapfeature表示第一重建特征图；
54、将第一重建特征图输入一阶段解码网络中，获取重建图像。
55、进一步地，所述一阶段解码网络包括至少三个依次相连的上处理层、与最末端上处理层相连的步长为2的3×3上卷积层；所述上处理层包括上采样层和trasformer×cnn模块；
56、所述二阶段解码网络包括上处理层、与上处理层相连的步长为2的3×3上卷积层。
57、与现有技术相比，本专利技术所达到的有益效果：
58、1、本专利技术通过具有具有trasformer×cnn模块的编码网络对低照度bayer图像a进行本文档来自技高网...
【技术保护点】
1.一种低照度bayer图像压缩方法，其特征在于，包括：
2.根据权利要求1所述的低照度bayer图像压缩方法，其特征在于，所述预处理目标图像，获取亮度增强的低照度bayer图像A，包括：
3.根据权利要求1所述的低照度bayer图像压缩方法，其特征在于，所述编码网络包括第一编码网络和第二编码网络，所述第二编码网络与第一编码网络相连；
4.根据权利要求3所述的低照度bayer图像压缩方法，其特征在于，所述通过具有Trasformer×CNN模块的编码网络对低照度bayer图像A进行网络编码处理，获取编码后的图像特征图，包括：
5.根据权利要求4所述的低照度bayer图像压缩方法，其特征在于，所述第一下采样处理包括：
6.根据权利要求5所述的低照度bayer图像压缩方法，其特征在于，所述获取输入图像对应的统计特性，包括：
7.根据权利要求5所述的低照度bayer图像压缩方法，其特征在于，所述对下采样输出特征图进行分离处理，获取第一维度分离特征图和第二维度分离特征图包括：
8.根据权利要求3所述的低照度bayer图像压缩方法，其特征在于，所述对编码后的图像特征图进行熵编码处理，获取对应的压缩码流，包括：
9.一种低照度bayer图像重建方法，其特征在于，包括:
10.根据权利要求9所述的低照度bayer图像重建方法，其特征在于，所述一阶段解码网络包括至少三个依次相连的上处理层、与最末端上处理层相连的步长为2的3×3上卷积层；所述上处理层包括上采样层和Trasformer×CNN模块；
...
【技术特征摘要】
1.一种低照度bayer图像压缩方法，其特征在于，包括：
2.根据权利要求1所述的低照度bayer图像压缩方法，其特征在于，所述预处理目标图像，获取亮度增强的低照度bayer图像a，包括：
3.根据权利要求1所述的低照度bayer图像压缩方法，其特征在于，所述编码网络包括第一编码网络和第二编码网络，所述第二编码网络与第一编码网络相连；
4.根据权利要求3所述的低照度bayer图像压缩方法，其特征在于，所述通过具有trasformer×cnn模块的编码网络对低照度bayer图像a进行网络编码处理，获取编码后的图像特征图，包括：
5.根据权利要求4所述的低照度bayer图像压缩方法，其特征在于，所述第一下采样处理包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：李原超，王路远，尚德龙，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
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。