System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种低照度bayer图像压缩、重建方法,属于图像压缩。
技术介绍
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。
技术实现思路
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。
2、为达到上述目的/为解决上述技术问题,本专利技术是采用下述技术方案实现的:
3、一方面提供一种低照度bayer图像压缩方法,包括:
4、预处理目标图像,获取亮度增强的低照度bayer图像a;
5、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;
6、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。
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
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。