一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972034A(43)申请公布日2022.08.30(21)申请号202210633309.9(22)申请日2022.06.06(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人施云惠张康富王瑾尹宝才(74)专利代理机构北京思海天达知识产权代理有限公司11203专利代理师张慧(51)Int.Cl.G06T3/40(2006.01)G06T9/00(2006.01)权利要求书1页说明书2页附图1页(54)发明名称一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法(57)摘要本发明针对基于超先验可变码率图像压缩方法无法针对目标码率快速给出网络应该输入的权衡参数的问题，提出了一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法。本方法首先针对基于超先验模型的可变码率压缩框架，通过挖掘测试样本集合的码率与失真优化中的权衡参数λ之间的关系，提出了平均R‑λ模型；然后，假设个体R‑λ模型与平均R‑λ模型共享相同的结构，构建了自适应个体图像分布特性的个体R‑λ模型，并在此基础上建立基于个体R‑λ模型的码率控制算法，该算法通过调整权衡参数λ调节编码比特率，实现码率控制。本发明实现了对于任意图像，给定目标码率下，快速计算出应该输入网络的权衡参数，且码率控制的码率平均相对误差在百分之一到百分之三之间。CN114972034ACN114972034A权利要求书1/1页1.一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，其特征在于：对于任意图像，利用训练好的图像压缩模型，使用至少5个权衡参数对多张图像分别进行编解码，获得码率，并计算每个权衡参数下的平均码率；每个权衡参数和对应平均码率构成一组数据，利用多组数据拟合出平均R‑λ模型中的参数α和β；将拟合出的参数α和β代入个体R‑λ模型，即可根据给定的目标码率Rs计算出对应输入图像的、应该送入图像压缩模型的权衡参数λs，实现码率控制。2.根据权利要求1所述的一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，其特征在于：所述的平均R‑λ模型为：λ＝α(eβR‑1)其中，α和β是待拟合的参数。3.根据权利要求1或2所述的一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，其特征在于：利用不同的训练好的图像压缩模型拟合的α和β不同。4.根据权利要求1或2所述的一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，其特征在于：权衡参数必须包含初始权衡参数λ0，且初始权衡参数λ0选择图像压缩模型训练时，最大权衡参数λmax的二分之一，即其余四个权衡参数任选。5.根据权利要求1或2所述的一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，其特征在于：设计个体R‑λ模型为：其中，α和β为平均R‑λ模型拟合的结果，ρ为初始权衡参数λ0时，编码器输出数据的香农熵R0与平均码率Ravg0的比值，即2CN114972034A说明书1/2页一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法技术领域[0001]本发明属于计算机视觉领域，具体涉及深度学习，图像压缩，码率控制等技术。背景技术[0002]图像压缩是图像处理领域的基础课题之一。近年来，在自媒体时代，不仅图片和视频传输的数量在急剧的增加，而且单幅图像包含的数据量也不断增加，对图像压缩技术的性能提出了越来越高的要求。传统图像压缩方法依赖复杂的人工设计和单独优化各个模块，因此进一步追求编码性能改进存在越来越多的挑战。得益于深度学习的蓬勃发展，基于变分自编码器图像压缩框架，且包含超先验网络的模型，即基于超先验可变码率图像压缩由于能够端到端的联合优化各个模块，取得了较好的性能。[0003]尽管基于超先验可变码率压缩图像能用同一模型以不同码率压缩图像，但是在相同权衡参数作为输入下，不同图像输出的码率并不相同。在实际应用中，为了适应传输带宽或者存储要求，需要改变输入(权衡参数)来调整图像的输出码率，以使输出码率接近目标码率，而这一过程需要码率控制来实现。在传统的编码框架下，码率控制算法通常建立R‑Q模型或者R‑λ模型，其中R‑λ模型码率控制通过建立合适的R‑D模型，利用R‑D优化中的权衡参数λ，建立λ域R‑D分析，表征码率与权衡参数之间的关系，通过改变权衡参数λ来调整输出码率。然而，由于编码器的不同，基于上述码率控制方法无法直接用于基于超先验可变码率图像压缩中。发明内容[0004]本发明针对上述问题，针对基于超先验可变码率图像压缩方法无法针对目标码率快速给出网络应该输入的权衡参数，本发明设计了一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法，实现了对于任意图像，给定目标码率下，快速计算出应该输入网络的权衡参数。