[发明专利]基于深度学习的图像编码、解码系统及编码、解码方法

权利要求书

1.一种基于深度学习的图像编码系统，其特征在于，包括：

基于深度学习的正变换网络模块，该模块用于使图像经过正变换网络得到表征图像信息的特征系数；

基于深度学习的条件概率超先验分析模块，该模块用于对所述特征系数进行分析，得到表征特征系数条件概率的超先验特征值；

熵编码模块，该模块用于对经过量化后的所述特征系数进行熵编码，在所述超先验的条件概率的指导下，得到特征系数码流，还用于对经过量化后的所述超先验特征值，在训练集上统计的条件概率模型进行熵编码，得到超先验特征值码流。

2.根据权利要求1所述的基于深度学习的图像编码系统，其特征在于，所述熵编码模块还用于对图像元信息进行旁路熵编码，得到图像元信息码流；

其中，所述图像元信息包括：图像的长和宽、图像所采用的模型序号。

3.根据权利要求1所述的基于深度学习的图像编码系统，其特征在于，所述正变换网络模块为基于深度卷积神经网络构建而成；

所述正变换网络模块包括N层卷积层以及N-1层归一化层，所述正变换模块以所述卷积层开始，所述卷积层与所述归一化层交替分布。

4.根据权利要求1所述的基于深度学习的图像编码系统，其特征在于，所述超先验分析模块为基于深度卷积神经网络构建而成；

所述超先验分析模块的分析网络包括六层；第一层为取绝对值操作层，第二层为卷积层，第三层为激活层，第四层为卷积层，第五层为激活层，第六层为卷积层。

5.根据权利要求1所述的基于深度学习的图像编码系统，其特征在于，所述熵编码模块中的量化为添加随机均匀噪声近似量化。

6.一种基于深度学习的图像解码系统，其特征在于，其为与所述权利要求1至5任一项所述的图像编码系统相对应的图像解码系统，包括：

熵解码模块，该模块用于对所述超先验特征值码流进行熵解码，得到重构的超先验特征值矩阵；

基于深度学习的重构模块，该模块用于根据所述超先验特征值矩阵训练得到特征系数基于拉普拉斯分布超先验的条件概率模型；所述熵解码模块还用于根据所述条件概率模型对所述特征系数码流进行熵解码，得到重构的特征系数矩阵；

基于深度学习的反变换网络模块，该模块用于使重构后的特征系数矩阵经过反变换网络重构出图像像素值。

7.根据权利要求6所述的基于深度学习的图像解码系统，其特征在于，所述熵解码模块还用于对图像元信息码流进行熵解码，得到图像元信息；

其中，所述图像元信息包括：图像的长和宽、图像所采用的模型序号。

8.根据权利要求6所述的基于深度学习的图像解码系统，其特征在于，所述反变换网络模块为基于深度卷积神经网络构建而成；

所述反变换网络模块与所述正变换网络模块呈对称结构；

所述反变换网络模块包括N层反卷积层以及N-1层逆归一化层，所述反变换模块以所述反卷积层开始，所述反卷积层与所述逆归一化层交替分布。

9.根据权利要求6所述的基于深度学习的图像解码系统，其特征在于，所述超先验重构模块为基于深度卷积神经网络构建而成；

所述超先验重构模块与所述超先验分析模块呈对称结构；

所述超先验重构模块的重构网络也包括六层，第一层为反卷积层，第二层为激活层，第三层为反卷积层，第四层为激活层，第五层为反卷积层，第六层为对输入的每个特征值取指数函数输出层。