[发明专利]基于深度卷积神经网络的静止图像压缩方法

权利要求书

1.基于深度卷积神经网络的静止图像压缩方法，其特征在于包括以下步骤：

步骤一：在编码端对原始待压缩图像进行下采样，得到低分辨率图像，然后对低分辨率图像进行JPEG2000标准编码得到编码的低分辨率图像，再进行JPEG2000标准解码得到解码的低分辨率图像；

步骤二：在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像；

步骤三：在编码端采用基于深度卷积神经网络的超分辨率方法对抑制压缩效应低分辨率图像进行重建，得到解码的高分辨率图像；

步骤四：在编码端将原始待压缩图像与解码的高分辨率图像相减得到残差图像，然后采用针对性编码得到编码的残差图像；

步骤五：将步骤一中编码的低分辨率图像、步骤四中编码的残差图像与一些辅助信息形成比特流，然后传输到解码端；

步骤六：在解码端对接收到的比特流进行对应的解码操作，得到解码的低分辨率图像、解码的残差图像与解码的辅助信息；

步骤七：在解码端将解码的低分辨率图像进行步骤二与步骤三中的操作得到解码的高分辨率图像；

步骤八：在解码端将解码的高分辨率图像与解码的残差图像相叠加便得到最终解码的高分辨率图像。

2.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤二所述的在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像：在训练阶段，构建了一个由25个卷积层组成的深度卷积神经网络模型，包括1个特征提取层、23个非线性映射层以及1个重建层；我们将原始自然图像利用JPEG2000标准编解码得到解码图像，将原始自然图像与解码图像进行相减得到残差图像，将残差图像与解码图像进行对应的分块，这样我们就得到了用于训练的训练样本；将均方误差作为损失函数来训练得到用于抑制压缩效应的深度卷积神经网络；在抑制压缩效应阶段，使用上述训练得到的深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应。

3.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤二所述的在编码端利用深度卷积神经网络对解码的低分辨率图像进行抑制压缩效应，得到抑制压缩效应的低分辨率图像：我们使用的深度卷积神经网络是针对JPEG2000标准分码率独立训练得到的；具体的，码率在0.1-1.6Bitrate/bpp之间，每隔0.1Bitrate/bpp的码率训练得到一个网络，共16个网络；在抑制压缩效应阶段，分别使用上述的16个网络对解码的低分辨率图像进行抑制压缩效应，并依次求取抑制压缩效应的低分辨率图像与原始低分辨率图像之间的PSNR值，选取PSNR值最高的网络作为最优网络，然后将其对应的网络编号作为步骤五中的辅助信息进行传输。

4.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤四所述的在编码端将原始待压缩图像与解码的高分辨率图像相减得到残差图像，然后采用针对性编码得到编码的残差图像：针对残差图像的特性，选择针对性的编码方式；具体的编码流程为：将残差图像进行变化、量化，最后对量化后的变换系数重新排序并进行熵编码，最后利用熵编码系数形成残差图像比特流进行传输和储存。

5.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤六所述的在解码端对接收到的比特流进行对应的解码操作，得到解码的低分辨率图像、解码的残差图像与解码的辅助信息：对于残差图像比特流的具体解码流程为：残差图像比特流经熵解码得到量化后的变换系数，再经反量化、反变化，得到解码的残差图像。

6.根据权利要求1所述的基于深度卷积神经网络的静止图像压缩方法，其特征在于步骤七所述的在解码端将解码的低分辨率图像进行步骤二与步骤三中的操作得到解码的高分辨率图像：在进行步骤二中的抑制压缩效应时，利用步骤五中解码的辅助信息选取最优网络，以得到最优的抑制压缩效应效果。