CN107018422A - 基于深度卷积神经网络的静止图像压缩方法 - Google Patents
基于深度卷积神经网络的静止图像压缩方法 Download PDFInfo
- Publication number
- CN107018422A CN107018422A CN201710287432.9A CN201710287432A CN107018422A CN 107018422 A CN107018422 A CN 107018422A CN 201710287432 A CN201710287432 A CN 201710287432A CN 107018422 A CN107018422 A CN 107018422A
- Authority
- CN
- China
- Prior art keywords
- image
- decoding
- low
- resolution
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006835 compression Effects 0.000 title claims abstract description 26
- 238000007906 compression Methods 0.000 title claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 48
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/59—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial sub-sampling or interpolation, e.g. alteration of picture size or resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
- H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
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。
Description
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
图1是本发明基于深度卷积神经网络的静止图像压缩方法的框图
图2是用于抑制JPEG2000解码图像压缩效应与超分辨率重建的深度卷积神经网络模型框图
图3是JPEG2000标准及本发明对‘Butterfly’测试图像的率失真性能比较
图4是JPEG2000标准及本发明对‘Leaves’测试图像的率失真性能比较
图5是JPEG2000标准及本发明在相同码率0.4Bitrate/bpp时,‘Butterfly’解码图像视觉效果比较:左-JPEG2000,右-本发明
图6是JPEG2000标准及本发明在相同码率0.5Bitrate/bpp时,‘Leaves’解码图像视觉效果比较:左-JPEG2000,右-本发明
具体实施方式
下面结合附图对本发明作进一步说明:
图1中,基于深度卷积神经网络的静止图像压缩方法,包括以下步骤:
(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。
具体地,所述步骤(1)中,我们采用的下采样方式为两倍双三次下采样。
所述步骤(2)中,针对解码的低分辨率图像进行抑制压缩效应的深度卷积神经网络模型如图2所示。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。每个卷积层分别由不同个数的滤波器组成。由于批规范操作(Batch Normalization,BN)与ReLU激活函数可以加快网络的收敛与提升网络的效果,本发明将它们应用到了本发明构建的网络模型中,具体的为加在了前24个卷积层的后面。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。我们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。为了取得更好的效果,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(5)中的辅助信息进行传输。
所述步骤(3)中,对抑制压缩效应低分辨率图像进行两倍重建时采用的基于深度卷积神经网络的超分辨率方法的网络模型与步骤(2)中所使用的网络模型一致,如图2所示。与步骤(2)不同的是,训练样本不同:我们将原始高分辨率自然图像进行两倍双三次下采样;然后利用JPEG2000标准编解码得到解码的低分辨率图像;接着利用步骤(2)中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,得到抑制压缩效应的低分辨率图像;再对抑制压缩效应的低分辨率图像进行两倍双三次插值得到插值的高分辨率图像;将原始高分辨率自然图像与插值的高分辨率图像进行相减得到残差图像;将残差图像与插值的高分辨率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。
所述步骤(4)中,针对残差图像的特性(其大部分的像素值几乎都为0或极小),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。
所述步骤(5)中,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。其中辅助信息是指步骤(2)中选取的最优网络的网络编码。
所述步骤(6)中,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。其中,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。
所述步骤(7)中,对解码的低分辨率图像利用步骤(2)中训练得到的深度卷积神经网络进行抑制压缩效应得到抑制压缩效应的低分辨率图像,然后利用步骤(3)中训练得到的深度卷积神经网络进行两倍重建得到解码的高分辨率图像。其中,在进行步骤(2)中的抑制压缩效应时,利用步骤(5)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。
所述步骤(8)中,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。
用上述步骤对灰度测试图像‘Butterfly’和‘Leaves’进行测试,并与JPEG2000标准比较率失真性能及解码图像的视觉效果。率失真性能比较如图3及图4所示,其中横轴是码率,单位是Bitrate/bpp;纵轴是峰值信噪比(PSNR),单位是dB。在相同的码率下,PSNR越高,率失真性能越好。
图5是在码率为0.4Bitrate/bpp时,利用JPEG2000标准及本发明对‘Butterfly’压缩结果的视觉效果对比图。图6是在码率为0.5Bitrate/bpp时,利用JPEG2000标准及本发明对‘Leaves’压缩结果的视觉效果对比图。在图5及图6中,左侧为JPEG2000标准的结果,右侧为本发明的结果。
Claims (6)
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:为了取得更好的效果,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(其大部分的像素值几乎都为0或极小),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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287432.9A CN107018422B (zh) | 2017-04-27 | 2017-04-27 | 基于深度卷积神经网络的静止图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710287432.9A CN107018422B (zh) | 2017-04-27 | 2017-04-27 | 基于深度卷积神经网络的静止图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107018422A true CN107018422A (zh) | 2017-08-04 |
CN107018422B CN107018422B (zh) | 2019-11-05 |
Family
ID=59447958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710287432.9A Active CN107018422B (zh) | 2017-04-27 | 2017-04-27 | 基于深度卷积神经网络的静止图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107018422B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
CN107481295A (zh) * | 2017-08-14 | 2017-12-15 | 哈尔滨工业大学 | 基于动态字节长度分配的卷积神经网络的图像压缩系统 |
CN107578453A (zh) * | 2017-10-18 | 2018-01-12 | 北京旷视科技有限公司 | 压缩图像处理方法、装置、电子设备及计算机可读介质 |
CN107730453A (zh) * | 2017-11-13 | 2018-02-23 | 携程计算机技术(上海)有限公司 | 图像质量提升方法 |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108495132A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
CN108737823A (zh) * | 2018-04-04 | 2018-11-02 | 中国传媒大学 | 基于超分辨技术的图像编码方法和装置、解码方法和装置 |
CN109086806A (zh) * | 2018-07-16 | 2018-12-25 | 福州大学 | 一种基于低分辨率压缩图像的iot便携式设备视觉识别加速方法 |
CN109361919A (zh) * | 2018-10-09 | 2019-02-19 | 四川大学 | 一种联合超分辨率和去压缩效应的图像编码性能提升方法 |
CN109451323A (zh) * | 2018-12-14 | 2019-03-08 | 上海国茂数字技术有限公司 | 一种无损图像编码方法及装置 |
CN109495741A (zh) * | 2018-11-29 | 2019-03-19 | 四川大学 | 基于自适应下采样和深度学习的图像压缩方法 |
WO2019056898A1 (zh) * | 2017-09-21 | 2019-03-28 | 华为技术有限公司 | 一种编码、解码方法及装置 |
CN109903350A (zh) * | 2017-12-07 | 2019-06-18 | 上海寒武纪信息科技有限公司 | 图像压缩方法及相关装置 |
CN109922339A (zh) * | 2017-12-12 | 2019-06-21 | 四川大学 | 结合多采样率下采样和超分辨率重建技术的图像编码框架 |
WO2019136754A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能处理装置的编译方法及系统、存储介质及终端 |
WO2019141255A1 (zh) * | 2018-01-18 | 2019-07-25 | 杭州海康威视数字技术股份有限公司 | 一种图片滤波的方法及装置 |
CN110062231A (zh) * | 2019-05-05 | 2019-07-26 | 济南浪潮高新科技投资发展有限公司 | 基于多层卷积神经网络的图像压缩方法 |
CN110111251A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种结合深度监督自编码和感知迭代反投影的图像超分辨率重建方法 |
CN110163231A (zh) * | 2018-02-14 | 2019-08-23 | 倍加科技股份有限公司 | 建立数据识别模型的方法、计算机系统及记录介质 |
CN110248191A (zh) * | 2019-07-15 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于深层卷积神经网络的视频压缩方法 |
CN110401836A (zh) * | 2018-04-25 | 2019-11-01 | 杭州海康威视数字技术股份有限公司 | 一种图像解码、编码方法、装置及其设备 |
CN110519595A (zh) * | 2019-08-08 | 2019-11-29 | 浙江大学 | 一种基于频域量化损失估计的jpeg压缩图像复原方法 |
CN110636289A (zh) * | 2019-09-27 | 2019-12-31 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
CN110659660A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
CN110717948A (zh) * | 2019-04-28 | 2020-01-21 | 合肥图鸭信息科技有限公司 | 一种图像后处理方法、系统及终端设备 |
WO2020057492A1 (zh) * | 2018-09-19 | 2020-03-26 | 北京金山办公软件股份有限公司 | 图像压缩、解压缩方法、装置、电子设备及存储介质 |
CN110956671A (zh) * | 2019-12-12 | 2020-04-03 | 电子科技大学 | 一种基于多尺度特征编码的图像压缩方法 |
KR102098375B1 (ko) * | 2018-11-15 | 2020-04-08 | 충남대학교산학협력단 | Jpeg 압축 이미지의 해상도 증가 시스템 및 그 방법 |
CN111432211A (zh) * | 2020-04-01 | 2020-07-17 | 济南浪潮高新科技投资发展有限公司 | 一种用于视频编码的残差信息压缩方法 |
CN111510739A (zh) * | 2019-01-31 | 2020-08-07 | 华为技术有限公司 | 一种视频传输方法及装置 |
CN111565317A (zh) * | 2019-02-13 | 2020-08-21 | 合肥图鸭信息科技有限公司 | 图像压缩方法、编解码网络训练方法、装置及电子设备 |
CN111754406A (zh) * | 2020-06-22 | 2020-10-09 | 北京大学深圳研究生院 | 图像分辨率处理方法、装置、设备及可读存储介质 |
WO2020232613A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳先进技术研究院 | 一种视频处理方法、系统、移动终端、服务器及存储介质 |
CN112233197A (zh) * | 2020-09-14 | 2021-01-15 | 北京空间飞行器总体设计部 | 一种航天器在轨图像的压缩编码方法 |
CN112468830A (zh) * | 2019-09-09 | 2021-03-09 | 阿里巴巴集团控股有限公司 | 视频图像处理方法、装置及电子设备 |
WO2021135715A1 (zh) * | 2019-12-31 | 2021-07-08 | 武汉Tcl集团工业研究院有限公司 | 一种图像压缩方法及装置 |
CN114913072A (zh) * | 2022-05-16 | 2022-08-16 | 中国第一汽车股份有限公司 | 图像的处理方法、装置、存储介质和处理器 |
EP4296953A4 (en) * | 2021-08-13 | 2024-06-12 | Samsung Electronics Co., Ltd. | AI-BASED IMAGE PROVIDING APPARATUS AND RELATED METHOD, AND AI-BASED DISPLAY APPARATUS AND RELATED METHOD |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
-
2017
- 2017-04-27 CN CN201710287432.9A patent/CN107018422B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN106204489A (zh) * | 2016-07-12 | 2016-12-07 | 四川大学 | 结合深度学习与梯度转换的单幅图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
CHAO DONG ET AL.: "Learning a Deep Convolutional Network for Image Super-Resolution", 《EUROPEAN CONFERENCE COMPUTER VISION 2014》 * |
胡传平 等: "基于深度学习的图像超分辨率算法研究", 《铁道警察学院学报》 * |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481295B (zh) * | 2017-08-14 | 2020-06-30 | 哈尔滨工业大学 | 基于动态字节长度分配的卷积神经网络的图像压缩系统 |
CN107481295A (zh) * | 2017-08-14 | 2017-12-15 | 哈尔滨工业大学 | 基于动态字节长度分配的卷积神经网络的图像压缩系统 |
CN107396124B (zh) * | 2017-08-29 | 2019-09-20 | 南京大学 | 基于深度神经网络的视频压缩方法 |
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
CN109547784A (zh) * | 2017-09-21 | 2019-03-29 | 华为技术有限公司 | 一种编码、解码方法及装置 |
WO2019056898A1 (zh) * | 2017-09-21 | 2019-03-28 | 华为技术有限公司 | 一种编码、解码方法及装置 |
CN107578453A (zh) * | 2017-10-18 | 2018-01-12 | 北京旷视科技有限公司 | 压缩图像处理方法、装置、电子设备及计算机可读介质 |
CN107730453A (zh) * | 2017-11-13 | 2018-02-23 | 携程计算机技术(上海)有限公司 | 图像质量提升方法 |
CN109903350A (zh) * | 2017-12-07 | 2019-06-18 | 上海寒武纪信息科技有限公司 | 图像压缩方法及相关装置 |
CN109922339A (zh) * | 2017-12-12 | 2019-06-21 | 四川大学 | 结合多采样率下采样和超分辨率重建技术的图像编码框架 |
CN108062780B (zh) * | 2017-12-29 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
WO2019136754A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能处理装置的编译方法及系统、存储介质及终端 |
WO2019141255A1 (zh) * | 2018-01-18 | 2019-07-25 | 杭州海康威视数字技术股份有限公司 | 一种图片滤波的方法及装置 |
CN108495132A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
CN108495132B (zh) * | 2018-02-05 | 2019-10-11 | 西安电子科技大学 | 基于轻量级深度卷积网络的遥感影像大倍率压缩方法 |
CN110163231B (zh) * | 2018-02-14 | 2024-05-14 | 倍加科技股份有限公司 | 建立影像数据识别模型的方法、计算机系统及记录介质 |
CN110163231A (zh) * | 2018-02-14 | 2019-08-23 | 倍加科技股份有限公司 | 建立数据识别模型的方法、计算机系统及记录介质 |
CN108737823A (zh) * | 2018-04-04 | 2018-11-02 | 中国传媒大学 | 基于超分辨技术的图像编码方法和装置、解码方法和装置 |
CN110401836A (zh) * | 2018-04-25 | 2019-11-01 | 杭州海康威视数字技术股份有限公司 | 一种图像解码、编码方法、装置及其设备 |
CN110659660A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
CN110659660B (zh) * | 2018-06-29 | 2023-09-15 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
CN109086806A (zh) * | 2018-07-16 | 2018-12-25 | 福州大学 | 一种基于低分辨率压缩图像的iot便携式设备视觉识别加速方法 |
WO2020057492A1 (zh) * | 2018-09-19 | 2020-03-26 | 北京金山办公软件股份有限公司 | 图像压缩、解压缩方法、装置、电子设备及存储介质 |
CN109361919A (zh) * | 2018-10-09 | 2019-02-19 | 四川大学 | 一种联合超分辨率和去压缩效应的图像编码性能提升方法 |
KR102098375B1 (ko) * | 2018-11-15 | 2020-04-08 | 충남대학교산학협력단 | Jpeg 압축 이미지의 해상도 증가 시스템 및 그 방법 |
CN109495741B (zh) * | 2018-11-29 | 2023-03-31 | 四川大学 | 基于自适应下采样和深度学习的图像压缩方法 |
CN109495741A (zh) * | 2018-11-29 | 2019-03-19 | 四川大学 | 基于自适应下采样和深度学习的图像压缩方法 |
CN109451323A (zh) * | 2018-12-14 | 2019-03-08 | 上海国茂数字技术有限公司 | 一种无损图像编码方法及装置 |
CN111510739B (zh) * | 2019-01-31 | 2022-04-29 | 华为技术有限公司 | 一种视频传输方法及装置 |
CN111510739A (zh) * | 2019-01-31 | 2020-08-07 | 华为技术有限公司 | 一种视频传输方法及装置 |
CN111565317A (zh) * | 2019-02-13 | 2020-08-21 | 合肥图鸭信息科技有限公司 | 图像压缩方法、编解码网络训练方法、装置及电子设备 |
CN110111251B (zh) * | 2019-04-22 | 2023-04-28 | 电子科技大学 | 一种结合深度监督自编码和感知迭代反投影的图像超分辨率重建方法 |
CN110111251A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种结合深度监督自编码和感知迭代反投影的图像超分辨率重建方法 |
CN110717948A (zh) * | 2019-04-28 | 2020-01-21 | 合肥图鸭信息科技有限公司 | 一种图像后处理方法、系统及终端设备 |
CN110062231A (zh) * | 2019-05-05 | 2019-07-26 | 济南浪潮高新科技投资发展有限公司 | 基于多层卷积神经网络的图像压缩方法 |
WO2020232613A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳先进技术研究院 | 一种视频处理方法、系统、移动终端、服务器及存储介质 |
CN110248191A (zh) * | 2019-07-15 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于深层卷积神经网络的视频压缩方法 |
CN110519595A (zh) * | 2019-08-08 | 2019-11-29 | 浙江大学 | 一种基于频域量化损失估计的jpeg压缩图像复原方法 |
CN112468830A (zh) * | 2019-09-09 | 2021-03-09 | 阿里巴巴集团控股有限公司 | 视频图像处理方法、装置及电子设备 |
CN110636289B (zh) * | 2019-09-27 | 2021-11-05 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
CN110636289A (zh) * | 2019-09-27 | 2019-12-31 | 北京金山云网络技术有限公司 | 图像数据传输方法、系统、装置、电子设备及存储介质 |
CN110956671A (zh) * | 2019-12-12 | 2020-04-03 | 电子科技大学 | 一种基于多尺度特征编码的图像压缩方法 |
CN113132723A (zh) * | 2019-12-31 | 2021-07-16 | 武汉Tcl集团工业研究院有限公司 | 一种图像压缩方法及装置 |
CN113132723B (zh) * | 2019-12-31 | 2023-11-14 | 武汉Tcl集团工业研究院有限公司 | 一种图像压缩方法及装置 |
WO2021135715A1 (zh) * | 2019-12-31 | 2021-07-08 | 武汉Tcl集团工业研究院有限公司 | 一种图像压缩方法及装置 |
CN111432211B (zh) * | 2020-04-01 | 2021-11-12 | 山东浪潮科学研究院有限公司 | 一种用于视频编码的残差信息压缩方法 |
CN111432211A (zh) * | 2020-04-01 | 2020-07-17 | 济南浪潮高新科技投资发展有限公司 | 一种用于视频编码的残差信息压缩方法 |
CN111754406A (zh) * | 2020-06-22 | 2020-10-09 | 北京大学深圳研究生院 | 图像分辨率处理方法、装置、设备及可读存储介质 |
CN111754406B (zh) * | 2020-06-22 | 2024-02-23 | 北京大学深圳研究生院 | 图像分辨率处理方法、装置、设备及可读存储介质 |
CN112233197A (zh) * | 2020-09-14 | 2021-01-15 | 北京空间飞行器总体设计部 | 一种航天器在轨图像的压缩编码方法 |
CN112233197B (zh) * | 2020-09-14 | 2024-03-26 | 北京空间飞行器总体设计部 | 一种航天器在轨图像的压缩编码方法 |
EP4296953A4 (en) * | 2021-08-13 | 2024-06-12 | Samsung Electronics Co., Ltd. | AI-BASED IMAGE PROVIDING APPARATUS AND RELATED METHOD, AND AI-BASED DISPLAY APPARATUS AND RELATED METHOD |
CN114913072A (zh) * | 2022-05-16 | 2022-08-16 | 中国第一汽车股份有限公司 | 图像的处理方法、装置、存储介质和处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN107018422B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107018422B (zh) | 基于深度卷积神经网络的静止图像压缩方法 | |
CN109495741B (zh) | 基于自适应下采样和深度学习的图像压缩方法 | |
CN107197260B (zh) | 基于卷积神经网络的视频编码后置滤波方法 | |
CN110751597B (zh) | 基于编码损伤修复的视频超分辨方法 | |
CN110351568A (zh) | 一种基于深度卷积网络的视频环路滤波器 | |
CN103607591B (zh) | 结合超分辨率重建的视频图像压缩方法 | |
CN107181949A (zh) | 一种结合超分辨率和残差编码技术的图像压缩框架 | |
CN101442673B (zh) | 贝尔模板图像编码与解码方法 | |
CN109903351B (zh) | 基于卷积神经网络和传统编码相结合的图像压缩方法 | |
CN105392009B (zh) | 基于块自适应采样和超分辨率重建的低码率图像编码方法 | |
CN109922339A (zh) | 结合多采样率下采样和超分辨率重建技术的图像编码框架 | |
CN103489203A (zh) | 基于字典学习的图像编码方法及系统 | |
CN111885280B (zh) | 一种混合卷积神经网络视频编码环路滤波方法 | |
CN108921910A (zh) | 基于可伸缩卷积神经网络的jpeg编码压缩图像复原的方法 | |
CN109361919A (zh) | 一种联合超分辨率和去压缩效应的图像编码性能提升方法 | |
CN110545426B (zh) | 基于编码损伤修复cnn的空域可分级视频编码方法 | |
CN104780383B (zh) | 一种3d‑hevc多分辨率视频编码方法 | |
CN116347107A (zh) | 面向vvc视频编码标准基于可变cnn的qp自适应环路滤波方法 | |
CN111667406A (zh) | 一种基于时域相关性的视频图像超分辨率重建方法 | |
CN112019854A (zh) | 基于深度学习神经网络的环路滤波方法 | |
CN102724495A (zh) | 基于率失真的Wyner-Ziv帧量化方法 | |
CN106559668B (zh) | 一种基于智能量化技术的低码率图像压缩方法 | |
CN106534870A (zh) | 一种基于rgb源视频的率失真优化编码方法 | |
CN114245126B (zh) | 一种纹理协同的深度特征图压缩方法 | |
CN115150628B (zh) | 具有超先验引导模式预测的由粗到细深度视频编码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |