[发明专利]一种基于频域量化损失估计的JPEG压缩图像复原方法

说明书

本发明公开了一种基于频域量化损失估计的JPEG压缩图像复原方法，首先提出了基于双域卷积神经网络的JPEG编码压缩图像复原方法的处理框架，该框架由图像特征编码单元、图像特征解码单元、双域压缩损失修正单元以及标记图，量化表等要素组成。通过研究DCT量化的统计先验特性，引入了位素图和标记图等要素，同时采用预测图像在频域中亮度和色度的损失的策略，有效地将亮度与色度分量的学习与双域卷积神经网络相结合，解决了双域卷积神经网络无法利用双域信息进行图像复原的问题。该方法在JPEG编码压缩图像复原领域较其他图像去块滤波方法在主观图像质量及PSNR、SSIM等关键技术指标上均有明显的提升。

技术领域

本发明属于图像处理领域，具体涉及一种基于频域量化损失估计的JPEG压缩图像复原方法。

背景技术

JPEG图像压缩编码技术采用基于8×8像素块的离散余弦(Discrete CosineTransform，DCT)变换，对变换后的DCT系数进行量化处理以消除图像空间的冗余信息，实现对原有图像的压缩存储。由于JPEG的优良的压缩性能以及较低的计算复杂度，这种方法被广泛应用于图像技术相关的各个领域，是世界上应用最为广泛的图像压缩编码技术之一。

但由于JPEG是一种有损压缩方法，通过使用更大的量化步长来实现更高的压缩率，这使得图像在获取较高的压缩率的同时，图像质量产生了较为严重的下降。由于量化操作是一种非线性操作，且图像中所有的像素块量化都是独立的，这使得相邻像素块的边界处会产生明显的灰度跳变，产生块效应，且还会像素块内部形成大量无序分布的模糊以及伪边缘(振铃效应)。这无论是对图像的观看体验还是基于图像的计算机视觉技术的应用都会产生极大的负面影响。

现有的压缩损失图像复原方法，尤其是基于卷积神经网络的方法，大多数的仅基于像素域进行复原。由于JPEG压缩的量化是针对频域系数进行量化，也有一些方法将待复原图像转换至频域，通过量化带来的约束，对卷积神经网络进行训练。但是这种基于频域量化约束来训练的方法受制于DCT变换，只能针对灰度图像进行处理，难以推广到彩色图像，这极大限制了卷积神经网络在JPEG压缩图像复原方面的应用。

发明内容

本发明的目的是提供一种基于频域量化损失估计的JPEG压缩图像复原方法。该JPEG压缩图像复原方法能够快速实现对JPEG压缩图像的复原，且复原图像质量较高。

本发明的技术方案为：

一种基于频域量化损失估计的JPEG压缩图像复原方法，包括以下步骤：

步骤1，根据待复原图像的图像质量因子匹配对应的压缩质量位素图；

步骤2，根据压缩质量位素图和目标复原图像尺寸，以失真图像左上角为原点，重复叠加对应像素位置的压缩质量位素图，使得重复叠加的压缩质量位素图完全覆盖目标复原图像尺寸，并裁掉右侧和下侧区域多余像素点，得到目标复原图像的压缩质量标记图；

步骤3，将压缩质量标记图与目标复原图像按通道进行连接，得到一幅四通道图像；

步骤4，将该四通道图像及该待复原图像的图像质量因子对应的亮度通道量化表和色度通道量化表输入至训练好的双域卷积神经网络模型中，该四通道图像依次经过图像特征编码单元、n个双域压缩损失修正单元以及图像特征解码单元处理，输出复原图像；

其中，每个双域压缩损失修正单元包括特征提取器、修正器、第一叠加层以及放大层四部分；

特征提取器主要用于像素域特征提取，包括膨胀卷积层、激活层、连接层以及卷积层；

修正器主要用于对频域进行修正和像素特征进行修正，其包括频域修正分支、像素特征修正分支以及对频域修正分支结果和像素特征修正分支结果进行叠加输出像素特征域损失的第二叠加层；像素特征修正分支包括一个卷积层C_P1；频域修正分支包括亮度修正分支、色度修正分支以及对亮度修正分支结果和色度修正分支结果进行融合的卷积层C_D5；