预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共26页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116033155A(43)申请公布日2023.04.28(21)申请号202211192018.7(22)申请日2022.09.28(71)申请人北京大学深圳研究生院地址518000广东省深圳市南山区西丽深圳大学城北大校区(72)发明人王荣刚翟勇琪高文(74)专利代理机构深圳市恒程创新知识产权代理有限公司44542专利代理师戴圆圆(51)Int.Cl.H04N19/124(2014.01)H04N19/597(2014.01)H04N19/60(2014.01)H04N19/70(2014.01)权利要求书3页说明书16页附图6页(54)发明名称双目图像的压缩方法、设备及可读存储介质(57)摘要本申请公开了一种双目图像的压缩方法、设备及可读存储介质。本申请通过预设的立体匹配模型提取双目图像中两图像之间的差别得到视差图像,基于重构的视差图像与双目图像中的一图像生成残差数据,再将基于残差数据压缩得到的码流作为该图像的码流,以此对双目图像的整体进行压缩。相比于其他基于深度学习的双目图像压缩方法,本申请显著地提升了压缩效率,降低了计算复杂度,并且适用的场景更为广泛。CN116033155ACN116033155A权利要求书1/3页1.一种双目图像的压缩方法,其特征在于,所述双目图像包括第一图像和第二图像,所述双目图像的压缩方法包括以下步骤:基于预设立体匹配模型提取所述第一图像和所述第二图像之间的差别得到视差图像;基于第一压缩网络对所述第一图像进行压缩重构得到第一重构图像;基于第二压缩网络对所述视差图像进行压缩重构得到重构视差图像;基于重构视差图像对第一重构图像进行变换得到变换图像;提取所述第二图像与所述变换图像之间的差别得到残差数据;将基于所述第一压缩网络对所述第一图像进行压缩得到的第一图像码流、基于所述第二压缩网络对所述视差图像进行压缩得的视差图像码流以及基于第三压缩网络模型对所述残差数据进行压缩得到的第二图像码流作为所述双目图像对应的压缩码流。2.如权利要求1所述的双目图像的压缩方法,其特征在于,所述第一压缩网络包括第一编码器、第一解码器、第一量化器和第一条件熵模型,所述基于第一压缩网络对所述第一图像进行压缩重构得到第一重构图像的步骤包括:通过所述第一编码器提取所述第一图像的第一图像特征;通过所述第一量化器得到所述第一图像特征的第一量化图像特征;将所述第一量化图像特征和所述第一图像特征输入至所述第一条件熵模型得到所述第一图像码流;通过所述第一解码器对所述第一图像码流进行解码重构得到所述第一重构图像。3.如权利要求2所述的双目图像的压缩方法,其特征在于,所述第二压缩网络包括第二编码器、第二解码器、第二量化器和第二条件熵模型,所述基于第二压缩网络对所述视差图像进行压缩重构得到重构视差图像的步骤包括:通过所述第二编码器提取所述视差图像的视差图像特征;通过所述第二量化器得到所述视差图像特征的量化视差图像特征;将所述量化视差图像特征和所述视差图像特征输入至所述第二条件熵模型得到所述视差图像码流;通过所述二解码器对所述视差图像码流进行解码重构得到所述重构视差图像。4.如权利要求3所述的双目图像的压缩方法,其特征在于,所述第三压缩网络模型包括第三编码器、第三解码器、第三量化器和第三条件熵模型,在所述提取所述第二图像与所述变换图像之间的差别得到残差数据的步骤之后,所述方法包括:通过所述第三编码器提取所述残差数据得到所述第二图像特征;通过所述第三量化器得到所述第二图像特征的第二量化图像特征;将所述第二量化图像特征和所述第二图像特征输入至所述第三条件熵模型得到所述第二图像码流;其中,所述第三解码器用于基于所述第二图像码流和所述重构视差图像重构得到第二重构图像。5.如权利要求4所述的双目图像的压缩方法,其特征在于,所述第一条件熵模型包括第一超先验编码子网络、第一超先验解码子网络、第一上下文预测子网络、第一熵参数估计子网络、第一量化器、第一熵编码器和第一高斯模型,所述将所述第一量化图像特征和所述第一图像特征输入至所述第一条件熵模型得到所述第一图像码流的步骤包括:2CN116033155A权利要求书2/3页将所述第一图像特征输入至所述第一超先验编码子网络得到第一超先验参数;将所述第一超先验参数输入至所述第一量化器得到第一量化超先验参数;将所述第一量化超先验参数输入至所述第一超先验解码子网络,得到第一上采样超先验特征;将所述第一量化图像特征输入所述第一上下文预测子网络,得到所述第一量化图像特征中任一第一像素与所述第一像素相邻的已解码像素之间的第一依赖结果;将所述第一上采样超先验特征与所述第一依赖结果合并输入至所述第一熵参数估计子网络,估计得到所述第一高斯模型的第一参数;将配置有所述第一参数的所