[发明专利]基于深度卷积神经网络的静止图像压缩方法

说明书

本发明公开了一种基于深度卷积神经网络的静止图像压缩方法。主要包括以下步骤：在编码端对原始图像进行下采样并利用JPEG2000标准编解码；利用深度卷积神经网络对解码图像进行抑制压缩效应；采用超分辨率方法对抑制压缩效应图像进行重建；将原始图像与解码的高分辨率图像相减得到残差图像并针对性编码；将编码的低分辨率图像、残差图像与辅助信息形成比特流并传输；解码端解码得到解码的低分辨率图像、残差图像与辅助信息；对解码的低分辨率图像进行处理得到解码的高分辨率图像，并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。本发明所述的静止图像压缩方法具有比JPEG2000标准更好的率失真性能。

技术领域

本发明涉及图像压缩和图像超分辨率重建技术，具体涉及一种基于深度卷积神经网络的静止图像压缩方法，属于图像通信领域。

背景技术

图像压缩的目的是更有效地存储和压缩。作为图像领域的基础技术之一，图像压缩一直受到广大研究者的关注。随着高分辨率图像及视频的普及，图像压缩技术更显得重要。JPEG2000标准是一种基于离散小波变换的图像压缩技术，有着比JPEG标准更加优秀的压缩性能。但是在中低码率的情况下，JPEG2000标准的解码图像存在较严重的锯齿效应与振铃效应，严重影响了人们的主观视觉效果。

图像超分辨率重建技术，是将输入的低分辨率图像重建成高分辨率图像的一门技术。通过图像超分辨率重建技术重建后的图像不但在空间分辨率上优于输入图像，且在主观视觉效果上也有明显的提升。图像超分辨率重建方法可以分为三类：基于插值的方法、基于重建的方法与基于学习的方法。近年来，由于机器学习与深度学习的发展，基于学习的超分辨率重建方法取到了较大的进步。基于深度卷积神经网络的超分辨率方法相比传统的基于学习的超分辨率方法，具有结构简单、速度快的优点，而且基于深度卷积神经网络的方法重建出来的高分辨率图像在质量上要优于传统的基于学习的方法。

为了提升JPEG2000标准在中低码率段的压缩性能，可以在编码端对待编码图像进行下采样，而在解码端将解码的低分辨率恢复到原始分辨率。并且加入残差反馈环节可以进一步提升压缩性能。

发明内容

本发明的目的是将深度卷积神经网络应用到解码图像抑制压缩效应中，并将基于深度卷积神经网络的超分辨率重建方法应用于静止图像压缩，提升JPEG2000标准在中低码率段的率失真性能。本发明通过以下操作步骤构成的技术方案来实现上述目的。

本发明提出的基于深度卷积神经网络的静止图像压缩方法，主要包括以下操作步骤：

(1)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；

(2)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；

(3)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两倍重建，得到解码的高分辨率图像；

(4)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；

(5)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；

(6)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；

(7)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；

(8)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。

附图说明