轻量级可变比特率多视图图像压缩方法及模型技术

本发明专利技术提供了一种轻量级可变比特率多视图图像压缩方法及系统，涉及图像压缩技术领域。该方法包括：将单视图图像进行下采样、特征提取、特征缩放，获得对应目标比特率的潜在表示；对所述潜在表示进行量化和无损熵编码，以获得最终压缩比特流；随后执行无损熵解码和逆缩放，恢复为潜在表示；将不同视图恢复后的潜在表示进行特征融合和上采样，生成重建的压缩图像。该模型包括主编码器、特征缩放模块、量化模块、自回归熵模型、算数编码器、算数解码器、特征逆缩放模块、解码器。本发明专利技术能够在保留图像细节、保持图像质量的情况下，高效压缩图像数据、降低计算复杂度、减少存储空间的占用，为图像传输和存储提供更快的速度和更低的带宽需求。

【技术实现步骤摘要】

本专利技术属于图像压缩，具体涉及一种轻量级可变比特率多视图图像压缩方法及模型。

技术介绍

1、图像压缩是数字媒体传输和存储、无人机和卫星图像、视频会议和视频流等许多热门领域中的一项核心任务，其目标是在减小图像大小的同时保持图像的视觉质量。它被广泛应用于数字图像处理、传输和存储领域，因为图像压缩可以有效地减少存储空间、降低带宽要求、加快图像传输速度。

2、传统的图像压缩方法在这些应用场景中存在信息丢失，固定压缩率等限制，而基于深度学习的图像压缩方法则显示出更大的优势。

3、基于深度学习的图像压缩方法采用了编码器和解码器这两个关键组件。编码阶段使用卷积神经网络等模型对输入图像进行特征提取和编码。解码阶段使用逆卷积神经网络进行特征解码和重建。这种端到端的训练方式使得模型自动学习图像数据中存在的相关性并实现高效的数据表示和恢复。而编码器和解码器的结合是通过联合训练的方式实现的，目标是在固定的压缩率下最小化重构误差。针对分布式场景中图像数据传输和处理的需求，有许多优秀的图像压缩算法被应用于实际生产环境。基于gpu并行计算硬件支持，更为复杂而有本文档来自技高网...

【技术保护点】

1.一种轻量级可变比特率多视图图像压缩方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的轻量级可变比特率多视图图像压缩方法，其特征在于：所述步骤1)中，特征缩放采用如下特征缩放函数：

3.根据权利要求1所述的轻量级可变比特率多视图图像压缩方法，其特征在于：所述步骤4)包括以下步骤：

4.一种轻量级可变比特率多视图图像压缩模型，其特征在于：包括：

5.根据权利要求4所述的轻量级可变比特率多视图图像压缩模型，其特征在于：所述主编码器包括依次设置的四个卷积层，相邻卷积层之间设有广义分裂归一层；所述卷积层的输出通道数为192，核大小为5，步...

【技术特征摘要】

1.一种轻量级可变比特率多视图图像压缩方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的轻量级可变比特率多视图图像压缩方法，其特征在于：所述步骤1)中，特征缩放采用如下特征缩放函数：

3.根据权利要求1所述的轻量级可变比特率多视图图像压缩方法，其特征在于：所述步骤4)包括以下步骤：

4.一种轻量级可变比特率多视图图像压缩模型，其特征在于：包括：

5.根据权利要求4所述的轻量级可变比特率多视图图像压缩模型，其特征在于：所述主编码器包括依次设置的四个卷积层，相邻卷积层之间设有广义分裂归一层；所述卷积层的输出通道数为192，核大小为5，步长为2。

6.根据权利要求5所述的轻量级可变比特率多视图图像压缩模型，其特征在于：所述广义分裂归一层之后还设...

【专利技术属性】
技术研发人员：周俊伟，赵雨煊，宋雨洁，向剑文，赵冬冬，杨焱超，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：