专利汇可以提供一种基于多尺度特征编码的图像压缩方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于多尺度特征编码的图像压缩方法,通过训练集图像特征的梯度谱绝对值取平均得到选择向量,并利用选择向量来指导不同通道特征选择编码 分辨率 ;同时将低分辨率编码的特征在解码端经过超分辨网络进行恢复,最终与高分辨率编码的特征重新组合成完整特征谱,映射回原始图像。本发明针对图像特征的特点进行差异性处理,对于容易从上下文信息恢复的特征用低分辨率传输,从而节省了码率;对于复杂的精细特征用高分辨率传输,减小了损失程度。,下面是一种基于多尺度特征编码的图像压缩方法专利的具体信息内容。
1.一种基于多尺度特征编码的图像压缩方法,其特征在于,包括以下步骤:
S1、对输入图像进行特征提取,得到图像特征;
S2、根据图像特征进行通道选择,得到高分辨率特征通道和低分辨率特征通道;
S3、分别对高分辨率特征通道中的图像特征和低分辨率特征通道中的图像特征进行编解码,得到第一高分辨率图像特征和低分辨率图像特征;
S4、将低分辨率图像特征输入超分辨网络进行恢复,得到第二高分辨率图像特征;
S5、对第一高分辨率图像特征和第二高分辨率图像特征进行图像合成,得到输出图像。
2.根据权利要求1所述的图像压缩方法,其特征在于,所述步骤S1具体为:在图像编码端通过4个依次连接的下采样卷积层对输入图像进行特征提取,得到图像特征;每个所述下采样卷积层的卷积核大小为5×5,步长为2,激活函数为GDN函数。
3.根据权利要求1所述的图像压缩方法,其特征在于,所述步骤S2包括以下分步骤:
S21、将图像特征的特征谱提出,并采用Sobel梯度算子计算得到其梯度谱;
S22、对每个特征通道的梯度谱的绝对值取平均,得到用于描述其复杂程度的一维向量;
S23、将复杂程度较大的一半一维向量对应的通道置1,作为高分辨率特征通道,将复杂程度较小的一半一维向量对应的通道置0,作为低分辨率特征通道。
4.根据权利要求1所述的图像压缩方法,其特征在于,所述步骤S3中对高分辨率特征通道中的图像特征进行编解码的具体方法为:
A1、对高分辨率特征通道中的图像特征进行量化;
A2、通过超先验网络估计量化后图像特征的概率分布;
A3、根据概率分布对量化后的图像特征进行算术编码,得到二进制码流;
A4、根据概率分布对二进制码流进行算术解码,得到第一高分辨率图像特征;
所述步骤S3中对低分辨率特征通道中的图像特征进行编解码的具体方法为:
B1、对低分辨率特征通道中的图像特征进行下采样;
B2、对下采样后的图像特征进行量化;
B3、通过超先验网络估计量化后图像特征的概率分布;
B4、根据概率分布对量化后的图像特征进行算术编码,得到二进制码流;
B5、根据概率分布对二进制码流进行算术解码,得到低分辨率图像特征。
5.根据权利要求4所述的图像压缩方法,其特征在于,所述步骤A1具体为:在训练过程中,通过增加均匀噪声近似表示量化结果的方式对高分辨率特征通道中的图像特征进行量化;在测试过程中,采用四舍五入的方式对高分辨率特征通道中的图像特征进行量化;
所述步骤B2具体为:在训练过程中,通过增加均匀噪声近似表示量化结果的方式对下采样后的图像特征进行量化;在测试过程中,采用四舍五入的方式对下采样后的图像特征进行量化。
6.根据权利要求4所述的图像压缩方法,其特征在于,所述步骤B1中通过一个下采样卷积层对低分辨率特征通道中的图像特征进行下采样,所述下采样卷积层的卷积核大小为5×5,步长为2,激活函数为GDN函数。
7.根据权利要求4所述的图像压缩方法,其特征在于,所述超先验网络从图像特征中提取方差作为边信息,所述边信息进行编解码时使用固定的概率分布;
所述超先验网络的编码端包括三个依次连接的卷积层,每个所述卷积层的卷积核大小为5×5,步长为2,激活函数为ReLU函数;
所述超先验网络的解码端包括三个依次连接的转置卷积层,每个所述转置卷积层的卷积核大小为5×5,步长为2,激活函数为ReLU函数。
8.根据权利要求1所述的图像压缩方法,其特征在于,所述步骤S4中的超分辨网络包括依次连接的第一卷积层、GDN函数、第二卷积层、第一级联层、第三卷积层、GDN函数、第四卷积层、GDN函数、第一残差块、第二残差块、第五卷积层、GDN函数、第二级联层和转置卷积层;
所述第一卷积层的输入端输入第一高分辨率图像特征,所述第一级联层的输入端输入低分辨率图像特征,所述第二级联层的输入端还与第一级联层的输出端连接,所述转置卷积层的输出端输出第二高分辨率图像特征;
所述第一卷积层的滤波器个数为192,卷积核大小为3×3,采样倍数为1;
所述第二卷积层的滤波器个数为96,卷积核大小为1×1,采样倍数为2倍下采样;
所述第三卷积层的滤波器个数为384,卷积核大小为3×3,采样倍数为1;
所述第四卷积层的滤波器个数为192,卷积核大小为3×3,采样倍数为1;
所述第五卷积层的滤波器个数为384,卷积核大小为1×1,采样倍数为1;
所述转置卷积层的滤波器个数为96,卷积核大小为3×3,采样倍数为2倍上采样;
所述第一残差块和第二残差块的结构相同,均包括依次连接的第六卷积层、GDN函数、第七卷积层和加法器,所述第六卷积层的输入端作为第一残差块或第二残差块的输入端,并与加法器的输入端连接,所述加法器的输出端作为第一残差块或第二残差块的输出端;
所述第六卷积层的滤波器个数为192,卷积核大小为3×3,采样倍数为1;
所述第七卷积层的滤波器个数为192,卷积核大小为3×3,采样倍数为1。
9.根据权利要求8所述的图像压缩方法,其特征在于,所述步骤S4中的超分辨网络在训练过程中的主约束条件为率失真损失,辅助约束条件为超分辨损失;
所述率失真损失的计算公式为:
L=R+λD
其中L表示率失真损失,R表示码率,D表示失真度,λ为权值;
所述超分辨损失为图像编码端两个特征通道下采样之前的图像特征与图像解码端超分辨之后的图像特征之间的均方误差。
10.根据权利要求1所述的图像压缩方法,其特征在于,所述步骤S5中通过4个转置卷积层对第一高分辨率图像特征和第二高分辨率图像特征进行图像合成,每个所述转置卷积层的卷积核大小为5×5,激活函数为GDN函数的逆函数IGDN函数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
预制装配式构件接触面摩擦力反演方法 | 2020-05-13 | 855 |
有损压缩编码数据方法和设备及相应重构数据方法和设备 | 2020-05-13 | 79 |
卷积神经网络的处理方法及装置 | 2020-05-12 | 222 |
一种基于深度神经网络的数字视频特征提取方法 | 2020-05-13 | 867 |
一种GPU加速的椭球裁剪图地形渲染方法 | 2020-05-14 | 254 |
一种抗瞬态脉冲干扰装置及方法 | 2020-05-08 | 87 |
数字预失真的控制方法及电子设备 | 2020-05-12 | 489 |
一种基于实例分割的重定向图像质量信息处理方法及系统 | 2020-05-08 | 827 |
一种基于卷积神经网络的图像失真类型分类方法 | 2020-05-12 | 294 |
一种多频多制式分布式接入系统 | 2020-05-14 | 205 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。