基于自适应下采样和深度学习的图像压缩方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109495741A(43)申请公布日2019.03.19(21)申请号201811439805.0(22)申请日2018.11.29(71)申请人四川大学地址610065四川省成都市武侯区一环路南一段24号(72)发明人何小海张达明任超吴晓红熊淑华滕奇志王正勇(51)Int.Cl.H04N19/103(2014.01)H04N19/124(2014.01)H04N19/147(2014.01)H04N19/42(2014.01)H04N19/70(2014.01)权利要求书1页说明书3页附图5页(54)发明名称基于自适应下采样和深度学习的图像压缩方法(57)摘要本发明公布了一种基于基于自适应下采样和深度学习的图像压缩方法。主要包括以下步骤：在编码器端，为待编码的原始图像设计了多种不同的下采样模式和量化模式，然后通过率失真优化算法从多种模式中选择最优的的下采样及量化模式，最后待编码图像将在选择的最优模式下进行下采样和JPEG编码；在解码器端，采用基于卷积神经网络的超分辨率重建算法对解码后的下采样图像进行超分辨率重建，最后利用BM3D算法在超分辨率重建后进一步抑制残留的压缩效应，得到最终的解码图像。实验结果表明，相比于主流的编解码标准和先进的编解码方法，所提出的框架能有效地提升编码图像的率失真性能，并能获得更好的视觉效果。CN109495741ACN109495741A权利要求书1/1页1.基于自适应下采样和深度学习的图像压缩方法，其特征在于包括以下步骤：步骤一：为待编码的原始图像设计多种不同的下采样模式和量化模式；步骤二：通过率失真优化算法从多种模式中选择最优的下采样及量化模式；步骤三：将待编码图像在选择的最优模式下进行下采样和JPEG编解码；步骤四：采用基于卷积神经网络的超分辨率重建算法对解码后的任意下采样模式下采样的图像进行超分辨率重建；步骤五：利用BM3D算法在超分辨率重建后进一步抑制残留的压缩效应，得到最终的解码图像。2.根据权利要求1所述的基于自适应下采样和深度学习的图像压缩方法，其特征在于步骤一中所述的多种下采样模式和量化模式：提供水平和垂直方向采样率分别为1/4，1/2，3/4，1共计十六种下采样模式，和满足k＝1,2,…,8的八种量化模式，其中QP和Q均表示改变量化矩阵的参数且Q为JPEG标准的量化参数，对原图进行下采样和量化操作得到128种编码模式，能够充分考虑图像之间的差异性和JPEG在不同码率下的编码特性。3.根据权利要求1所述的基于自适应下采样和深度学习的图像压缩方法，其特征在于步骤二中所述的率失真优化算法：该算法的主要思想是对图像进行自适应下采样、压缩后的码率和解码后超分辨率重建图像的误差均要小于JPEG直接压缩图像，且在此基础上的码率最小值及均方误差最小值所对应的下采样模式和量化模式即为该算法选出的最优模式，最优模式的选出，能够在充分考虑图像之间差异性的同时获得更多的量化空间，从而最大程度地保留高频细节。4.根据权利要求1所述的基于自适应下采样和深度学习的图像压缩方法，其特征在于步骤四中所述的基于卷积神经网络的超分辨率重建算法：将下采样产生的低分辨率图像在不同QP中压缩生成待训练的压缩图像，采用基于卷积神经网络的超分辨率重建算法学习压缩图像和相应原始图像的映射关系，根据QP的不同来选择最合适的模型，最后使用选定的模型获得完整的高分辨率图像，对解码图像进行超分辨率重建，能有效地从已知的低分辨率解码图像中重建出高分辨率图像并提升解码图像的质量。2CN109495741A说明书1/3页基于自适应下采样和深度学习的图像压缩方法技术领域[0001]本发明涉及图像压缩和图像编码技术，具体涉及一种基于自适应下采样和深度学习的图像压缩方法，属于图像通信领域。背景技术[0002]人类活动中绝大部分的信息是通过视觉进行感知的。图像作为视觉信息的载体，具有形象直观、信息量大、易于理解等优点。然而在实际的图像获取过程中，受限于传输带宽和存储容量，图像或多或少都采取有损压缩方式。其中适用于静止图像的主流压缩编码标准有JPEG和JPEG2000，均由联合图像专家组分别于上世纪90年代初和本世纪初提出。[0003]由于具有良好的压缩性能和较低的复杂度，JPEG已被广泛应用于有损图像压缩的领域。然而在有限码率下，若直接采用JPEG对图像进行压缩，图像数据量太大，分配给每个量化后的离散余弦变换(discretecosinetransform，DCT)系数的编码比特数较少，这将造成解码图像的严重失真。为提高低码率段的编码性能，基于下采样的压缩方法得到了广泛研究，其核心思想是在编码之前对图像进行下采样，从而减少了数据量，使下采样后得到的每一个像素都可分配到更多