CN108259914B - 基于物体库的云图像编码方法 - Google Patents
基于物体库的云图像编码方法 Download PDFInfo
- Publication number
- CN108259914B CN108259914B CN201810228781.8A CN201810228781A CN108259914B CN 108259914 B CN108259914 B CN 108259914B CN 201810228781 A CN201810228781 A CN 201810228781A CN 108259914 B CN108259914 B CN 108259914B
- Authority
- CN
- China
- Prior art keywords
- cloud
- subject image
- image
- encoded
- cloud atlas
- 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.)
- Active
Links
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
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
-
- 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
- H04N19/146—Data rate or code amount at the encoder output
- H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
-
- 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
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
- H04N19/51—Motion estimation or motion compensation
-
- 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
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出了一种基于物体库的云图像编码方法,旨在解决现有技术中存在的云图像编码比特数较大的技术问题。实现步骤为:对待编码云图像进行物体检测;获取物体数据库;通过对待编码云图像进行物体检测获得的云物体图像和物体数据库中的物体图像进行检索匹配获得候选编码参考物体图像集H1...Hi...Hn;对候选编码参考物体图像集H1...Hi...Hn进行筛选得到编码参考物体图像集;最后将编码参考物体图像集中的物体图像作为编码参考图像对待编码云图像进行HEVC编码。本发明可应用于互联网云端图像压缩、个人相册压缩等领域,针对待编码云图像进行压缩编码。
Description
技术领域
本发明属于图像处理技术领域,涉及一种云图像编码方法,具体涉及一种基于物体库的云图像编码方法,可用于互联网云端图像压缩和个人相册图像压缩的类似场景。
背景技术
随着基于机器学习的物体检测框架的快速发展,出现了为物体检测框架提供训练数据的物体库。目前随着互联网的发展和智能手机的普及,出现在网络上的云图像数量呈现几何增长,云图像存储占用的空间也呈几何增长。传统的图像存储的编码格式有JPEG,BMP等,虽然编码速度较快,但是具有占用的存储空间较大的缺点。为了降低云图像占用的存储空间,降低存储成本,减小云图像编码比特数,云图像编码方法被提出。现有的云图像编码方法主要采用改变图像信息的描述方式,忽略一些视觉不太明显的微小差异,压缩掉图像中的数据冗余来达到减小图像编码比特数的目的。
研究减小云图像编码比特数是现有云图像编码方法中的一个重要课题,例如,申请公布号为CN 104902285 A,名称为“一种图像编码方法”的专利申请,公开了一种基于率失真优化的云图像编码方法。该方法通过率失真优化的量化表计算方法和基于人眼视觉特性的区域自适应系数收缩方法对云图像进行编码,通过率失真优化的量化表计算方法和基于人眼视觉特性的区域自适应系数收缩方法对云图像进行编码,在云图像主观质量相同的条件下,减小编码比特数。但在该方法中只利用了云图像内的编码信息进行云图像编码,没有考虑云图像包含的物体信息来进行压缩编码,编码后的图像仍存在较多的物体冗余信息,所以编码后的比特数较大,不适用当前大量云图像的存储。
发明内容
本发明的目的是针对上述现有技术的不足,提出了一种基于物体库的云图像编码方法,旨在解决现有云图像编码方法中存在的编码比特数较大的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)对待编码云图像进行物体检测:
(1a)通过导入已训练权值参数文件配置包括输入目录和命令行的物体检测框架;
(1b)采用物体检测框架对待编码云图像进行物体检测,得到n个云物体图像P1...Pi...Pn,其中,i为云物体图像的编号,n为云物体图像的总数,且n≥2;
(2)获取物体数据库:
对下载的物体库中的各物体图像进行特征提取,得到多个物体图像特征,并通过多个物体图像特征以及每个物体图像特征对应的物体图像,构建物体数据库;
(3)获取候选编码参考物体图像集H1...Hi...Hn:
(3a)对步骤(1)检测出的云物体图像P1...Pi...Pn进行特征提取,得到由n个云物体图像特征组成的云物体图像特征集;
(3b)构建n个候选编码参考物体图像集H1...Hi...Hn并进行初始化;
(3c)对云物体图像特征集中的n个云物体图像特征依次与物体数据库中的每一个物体图像特征进行相似度检索匹配,并对得到的多个物体图像特征匹配对进行相似度过滤,选取相似度X大于0.6的物体图像特征匹配对对应的物体数据库中的物体图像作为候选编码参考物体图像,按序号存入n个候选编码参考物体图像集H1...Hi...Hn中;
(4)获取编码参考物体图像集:
(4a)计算步骤(1)检测出的云物体图像P1...Pi...Pn的像素点个数,得到n个像素点个数S1...Si...Sn;
(4b)通过n个像素点个数S1...Si...Sn,计算n个云物体图像P1...Pi...Pn相对待编码云图像的比例,得到n个比例值B1...Bi...Bn,其中,Bi=Si/S,S为待编码云图像的像素点个数;
(4c)通过n个比例值B1...Bi...Bn和n个候选编码参考物体图像集H1...Hi...Hn中的物体图像的相似度,计算每张候选参考物体图像的编码参考价值,候选编码参考物体图像集H1...Hi...Hn中物体图像的个数分别为q1...qi...qn,Hj,j=1…n中第q个物体图像的编码参考价值Vj,q=Xj,q×Bj,其中Xj,q为Hj中第q个物体图像的相似度;
(4d)按照由大到小顺序对所有候选参考物体图像的编码参考价值进行排序,如果候选参考物体图像的数目大于12,则选取前12位的编码参考价值对应的候选参考物体图像,组成编码参考物体图像集;否则,将所有候选参考物体图像组成编码参考物体图像集;
(5)对待编码云图像进行HEVC编码:
采用YUV转换器对编码参考物体图像集中的候选参考物体图像进行YUV转换,得到YUV文件,并将YUV文件作为待编码云图像的参考帧,对待编码云图像进行HEVC帧间编码,得到编码文件。
本发明与现有技术相比,具有以下优点:
本发明在获取编码文件时,是通过云图像中的编码信息和物体库中的物体图像获取候选参考编码图像,并将候选参考编码图像作为编码参考图像对其进行HEVC编码实现的,充分考虑了物体图像中的物体信息,减少了编码文件中包含的物体冗余信息,避免了现有技术仅采用云图像中的编码信息导致的编码文件中包含的物体冗余信息过多的缺陷,从而减少了云图像的编码比特数,仿真结果表明,本发明有效的提高了编码效率。
附图说明
图1为本发明的实现流程框图;
图2为本发明和现有技术对云图像进行编码仿真时适用的待编码云图像;
图3为本发明和现有技术对待编码云图像进行编码仿真得到的编码效率曲线对比图。
具体实施方式
下面将结合附图和具体实施例,对本发明作进一步的详细描述:
参照图1,一种基于物体库的云图像编码方法,包括如下步骤:
步骤1)对待编码云图像进行物体检测:
步骤1a)通过导入已训练权值参数文件配置包括输入目录和命令行的物体检测框架,其中的已训练权值参数文件为网上提供的已训练好的权值参数压缩文件,在网上下载得到该文件后进行解压处理,把解压后的文件存入物体检测框架中。输入目录是物体检测框架自带的文件目录,是物体检测框架的组成部分,目的是为物体检测框架提供输入目标的存放位置,本仿真实验的待编码云图像即存放输入目录下;
步骤1b)将待编码云图像导入物体检测框架中的输入目录下,实现对物体检测框架目标的输入,将包含有待编码云图像的输入目录输入到物体检测框架命令行中,对待编码云图像进行检测,得到3个云物体图像P1、P2和P3,这3个云物体图像中包含的物体分别为鼠标、水杯和键盘,均为日常生活常见物体,符合常见云图像中包含的物体;
步骤2)获取物体数据库:
步骤2a)通过导入的tensorflow深度学习框架,配置包含有特征提取算法的keras深度学习库,其中tensorflow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,其命名来源于本身的运行原理,Tensor意味着N维数组,Flow意味着基于数据流图的计算,tensorflow为张量从流图的一端流动到另一端计算过程,tensorflow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统,tensorflow可被用于语音识别或图像识别等多项机器学习和深度学习领域,对2011年开发的深度学习基础架构DistBelief进行了各方面的改进,它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行,tensorflow将完全开源,任何人都可以用;
步骤2b)目前基于机器学习的物体检测框架均使用ImageNet物体库作为训练数据库,该物体库是业界公认的权威的用于物体检测的物体库,在物体检测领域被广泛使用,ImageNet就像一个网络一样,拥有多个节点,一个节点含有至少500个对应物体的可供训练的图像,它实际上就是一个巨大的可供图像训练的图像库,ImageNet的结构基本上是金字塔型,从目录到子目录再到图像集;
步骤2c)采用keras深度学习库中的特征提取算法,对下载的物体库中的各物体图像进行特征提取,得到多个物体图像特征,其中keras是一个高层神经网络深度学习库,keras由纯Python编写而成并基tensorflow、theano以及CNTK后端,keras深度学习库为支持快速实验而生,具有简易和快速的原型设计,支持CNN和RNN,或二者的结合,并且支持CPU和GPU的无缝切换;
步骤2d)对下载的物体库中的各物体图像进行特征提取,得到多个物体图像特征,并通过多个物体图像特征以及每个物体图像特征对应的物体图像,构建物体数据库;
步骤3)获取候选编码参考物体图像集H1、H2和H3:
步骤3a)对步骤(1)检测出的云物体图像P1、P2和P3进行特征提取,得到由3个云物体图像特征组成的云物体图像特征集;
步骤3b)构建3个候选编码参考物体图像集H1、H2和H3并进行初始化,初始化的图像集中含有的候选编码参考物体图像个数为0;
步骤3c)对云物体图像特征集中的3个云物体图像特征依次与物体数据库中的每一个物体图像特征进行相似度检索匹配,并对得到的多个物体图像特征匹配对进行相似度过滤,选取相似度X大于0.6的物体图像特征匹配对对应的物体数据库中的物体图像作为候选编码参考物体图像,按序号存入3个候选编码参考物体图像集H1、H2和H3中,其中在进行检索匹配时使用的是物体图像特征中包含的特征信息,利用已有的最大匹配算法对特征信息进行匹配,其中在选取相似度为0.6的时候充分考虑了参考编码价值因素,如果相似度小于0.6,则选取出的候选编码参考物体图像的参考编码价值较小,不具备编码参考价值,如果存在某个云物体图像特征与物体库数据库中的每一个物体图像特征进行相似度检索匹配后,得到的多个物体图像特征匹配对的相似度均小于0.6,则该云物体图像特征对应的候选编码参考物体图像集中的候选编码物体图像的个数为0;
步骤4)获取编码参考物体图像集:
步骤4a)计算步骤(1)检测出的云物体图像P1、P2和P3的像素点个数,得到3个像素点个数S1、S2和S3,计算公式为S=W×H,其中W为图像的横向的像素点个数,H为图像的竖向的像素点个数;
步骤4b)通过3个像素点个数S1、S2和S3,计算3个云物体图像P1、P2和P3相对待编码云图像的比例,得到3个比例值B1、B2和B3,其中,B1=S1/S,B2=S2/S B3=S3/S,S为待编码云图像的像素点个数,在该具体实施例中,S=1024×1024;
步骤4c)通过3个比例值B1、B2和B3和3个候选编码参考物体图像集H1、H2和H3中的物体图像的相似度,计算每张候选参考物体图像的编码参考价值,候选编码参考物体图像集H1、H2和H3中物体图像的个数分别为q1、q2和q3,Hj,j=1…3中第q个物体图像的编码参考价值Vj,q=Xj,q×Bj,其中Xj,q为Hj中第q个物体图像的相似度;
步骤4d)按照由大到小顺序对所有候选参考物体图像的编码参考价值进行排序,如果候选参考物体图像的数目大于12,则选取前12位的编码参考价值对应的候选参考物体图像,组成编码参考物体图像集;否则,将所有候选参考物体图像组成编码参考物体图像集;
步骤5)对待编码云图像进行HEVC编码:
步骤5a)进行HEVC编码时,输入只能采用YUV文件,采用YUV转换器对编码参考物体图像集中的候选参考物体图像进行YUV转换,得到YUV文件,其中YUV文件主要用于电视系统以及模拟视频领域,它将亮度信息与色彩信息分离,没有色彩信息一样可以显示完整的图像,只不过是黑白的,这样的设计很好地解决了彩色电视机与黑白电视的兼容问题,并且,YUV不像RGB那样要求三个独立的视频信号同时传输,所以用YUV方式传送占用极少的频宽;
步骤5b)将步骤5a)中得到的YUV文件作为待编码云图像的参考帧,对待编码云图像进行HEVC帧间编码,得到编码文件,其中帧间编码就是利用视频中的各个帧之间的相关性进行编码,当编码当前帧时,需要从已编码或未编码的帧中选择参考帧,然后通过运动估计和运动补偿的方式去除视频信息的时间冗余,还可以利用参考帧中的相似块来预测当前帧中的块来减少空间冗余,进一步提高压缩效率,帧间预测过程会采用传统的运动估计和Merge运动估计来寻找运动信息,运动信息包括运动矢量、参考帧索引和帧间预测模式。
以下结合仿真实验,对本发明的技术效果作进一步说明:
1.仿真条件:
本发明仿真实验是在处理器为Intel(R)Core(TM)i5-2450 2.50GHz、内存8G、Windows7操作系统的环境下进行的,编程软件为Microsoft Visual Studio 2010。图2为仿真使用的待编码云图像,图像分辨率为1024×1024,图像中具有三个物体,分别为鼠标、键盘和水杯。
2.仿真内容和结果分析:
采用本发明和现有的基于率失真优化的云图像编码方法,分别对图2进行编码仿真得到两种方法的云图像编码效率曲线对比图,如图3所示。图3中的横坐标是单位像素编码的比特数,单位是比特/像素(bpp),纵坐标是峰值信噪比(PSNR),单位是dB。由图3中的编码效率曲线可以看出,在具有相同峰值信噪比的情况下,使用本发明比现有技术的编码比特数小,说明本发明较现有技术有效的提高了编码效率。
综上,与现有技术相比,本发明使用云图像中的编码信息和物体库中的物体图像获取参考编码图像,降低了编码后的图像存在的物体冗余信息,应用本发明对待编码云图像进行编码后,编码文件的比特数更小。本发明可应用于互联网云端图像压缩、个人相册压缩等领域,针对待编码云图像进行压缩编码。
Claims (3)
1.一种基于物体库的云图像编码方法,其特征在于,包括如下步骤:
(1)对待编码云图像进行物体检测:
(1a)通过导入已训练权值参数文件配置包括输入目录和命令行的物体检测框架;
(1b)采用物体检测框架对待编码云图像进行物体检测,得到n个云物体图像P1...Pi...Pn,其中,i为云物体图像的编号,n为云物体图像的总数,且n≥2;
(2)获取物体数据库:
对下载的物体库中的各物体图像进行特征提取,得到多个物体图像特征,并通过多个物体图像特征以及每个物体图像特征对应的物体图像,构建物体数据库;
(3)获取候选编码参考物体图像集H1...Hi...Hn:
(3a)对步骤(1)检测出的云物体图像P1...Pi...Pn进行特征提取,得到由n个云物体图像特征组成的云物体图像特征集;
(3b)构建n个候选编码参考物体图像集H1...Hi...Hn并进行初始化;
(3c)对云物体图像特征集中的n个云物体图像特征依次与物体数据库中的每一个物体图像特征进行相似度检索匹配,并对得到的多个物体图像特征匹配对进行相似度过滤,选取相似度X大于0.6的物体图像特征匹配对对应的物体数据库中的物体图像作为候选编码参考物体图像,按序号存入n个候选编码参考物体图像集H1...Hi...Hn中;
(4)获取编码参考物体图像集:
(4a)计算步骤(1)检测出的云物体图像P1...Pi...Pn的像素点个数,得到n个像素点个数S1...Si...Sn;
(4b)通过n个像素点个数S1...Si...Sn,计算n个云物体图像P1...Pi...Pn相对待编码云图像的比例,得到n个比例值B1...Bi...Bn,其中,Bi=Si/S,S为待编码云图像的像素点个数;
(4c)通过n个比例值B1...Bi...Bn和n个候选编码参考物体图像集H1...Hi...Hn中的物体图像的相似度,计算每张候选参考物体图像的编码参考价值,候选编码参考物体图像集H1...Hi...Hn中物体图像的个数分别为q1...qi...qn,Hj,j=1…n中第q个物体图像的编码参考价值Vj,q=Xj,q×Bj,其中Xj,q为Hj中第q个物体图像的相似度,qj≥q≥1;
(4d)按照由大到小顺序对所有候选参考物体图像的编码参考价值进行排序,如果候选参考物体图像的数目大于12,则选取前12位的编码参考价值对应的候选参考物体图像,组成编码参考物体图像集;否则,将所有候选参考物体图像组成编码参考物体图像集;
(5)对待编码云图像进行HEVC编码:
采用YUV转换器对编码参考物体图像集中的候选参考物体图像进行YUV转换,得到YUV文件,并将YUV文件作为待编码云图像的参考帧,对待编码云图像进行HEVC帧间编码,得到编码文件。
2.根据权利要求1所述的基于物体库的云图像编码方法,其特征在于,步骤(1b)中所述的对待编码云图像进行物体检测,实现步骤为:
(1b1)将待编码云图像导入物体检测框架中的输入目录下,实现对物体检测框架目标的输入;
(1b2)将包含有待编码云图像的输入目录输入到物体检测框架命令行中,对待编码云图像进行检测,得到n个云物体图像P1...Pi...Pn,其中,i为云物体图像的编号,n为云物体图像的总数,且n≥2。
3.根据权利要求1所述的基于物体库的云图像编码方法,其特征在于,步骤(2)中所述的对下载的物体库中的各物体图像进行特征提取,实现步骤为:
(2a)通过导入的tensorflow深度学习框架,配置包含有特征提取算法的keras深度学习库;
(2b)采用keras深度学习库中的特征提取算法,对下载的物体库中的各物体图像进行特征提取,得到多个物体图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810228781.8A CN108259914B (zh) | 2018-03-20 | 2018-03-20 | 基于物体库的云图像编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810228781.8A CN108259914B (zh) | 2018-03-20 | 2018-03-20 | 基于物体库的云图像编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108259914A CN108259914A (zh) | 2018-07-06 |
CN108259914B true CN108259914B (zh) | 2019-10-11 |
Family
ID=62747075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810228781.8A Active CN108259914B (zh) | 2018-03-20 | 2018-03-20 | 基于物体库的云图像编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108259914B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924572A (zh) * | 2018-07-26 | 2018-11-30 | 高新兴科技集团股份有限公司 | 一种计算机图形和实景图像自适应的视频编解码方法和系统 |
CN115052160B (zh) * | 2022-04-22 | 2023-07-07 | 江西中烟工业有限责任公司 | 基于云数据自动下载的图像编码方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006185206A (ja) * | 2004-12-28 | 2006-07-13 | Toshiba Corp | オブジェクト検出方法、装置、及びプログラム |
CN104036296A (zh) * | 2014-06-20 | 2014-09-10 | 深圳先进技术研究院 | 一种图像的表示和处理方法及装置 |
CN107256262A (zh) * | 2017-06-13 | 2017-10-17 | 西安电子科技大学 | 一种基于物体检测的图像检索方法 |
CN107396112A (zh) * | 2017-08-01 | 2017-11-24 | 深信服科技股份有限公司 | 一种编码方法及装置、计算机装置、可读存储介质 |
CN107426567A (zh) * | 2017-05-19 | 2017-12-01 | 西安电子科技大学 | 基于编码顺序已知图像集的多参考图像确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165203B2 (en) * | 2013-03-15 | 2015-10-20 | Arris Technology, Inc. | Legibility enhancement for a logo, text or other region of interest in video |
-
2018
- 2018-03-20 CN CN201810228781.8A patent/CN108259914B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006185206A (ja) * | 2004-12-28 | 2006-07-13 | Toshiba Corp | オブジェクト検出方法、装置、及びプログラム |
CN104036296A (zh) * | 2014-06-20 | 2014-09-10 | 深圳先进技术研究院 | 一种图像的表示和处理方法及装置 |
CN107426567A (zh) * | 2017-05-19 | 2017-12-01 | 西安电子科技大学 | 基于编码顺序已知图像集的多参考图像确定方法 |
CN107256262A (zh) * | 2017-06-13 | 2017-10-17 | 西安电子科技大学 | 一种基于物体检测的图像检索方法 |
CN107396112A (zh) * | 2017-08-01 | 2017-11-24 | 深信服科技股份有限公司 | 一种编码方法及装置、计算机装置、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108259914A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100527842C (zh) | 基于背景的运动估计编码方法 | |
Wang et al. | Towards analysis-friendly face representation with scalable feature and texture compression | |
CN110087087A (zh) | Vvc帧间编码单元预测模式提前决策及块划分提前终止方法 | |
CN108259916B (zh) | 一种分布式视频压缩感知中帧内最佳匹配插值重构方法 | |
CN110517329A (zh) | 一种基于语义分析的深度学习图像压缩方法 | |
CN111669587A (zh) | 一种视频图像的拟态压缩方法、装置、存储介质及终端 | |
Hu et al. | Dejavu: Enhancing videoconferencing with prior knowledge | |
CN110072119A (zh) | 一种基于深度学习网络的内容感知视频自适应传输方法 | |
CN110751649A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
CN108259914B (zh) | 基于物体库的云图像编码方法 | |
CN115131675A (zh) | 一种基于参考影像纹理迁移的遥感影像压缩方法及系统 | |
Löhdefink et al. | GAN-vs. JPEG2000 image compression for distributed automotive perception: Higher peak SNR does not mean better semantic segmentation | |
Chen et al. | Learning to compress videos without computing motion | |
CN116600119B (zh) | 视频编码、解码方法、装置、计算机设备和存储介质 | |
He et al. | End-to-end facial image compression with integrated semantic distortion metric | |
KR102613527B1 (ko) | 낮은 비트레이트 비디오 압축을 위한 마이크로도싱 | |
CN116416216A (zh) | 基于自监督特征提取的质量评价方法、存储介质及终端 | |
Yin et al. | A co-prediction-based compression scheme for correlated images | |
CN114445889A (zh) | 基于双重注意力机制的轻量级人脸老化方法 | |
CN113822801A (zh) | 基于多分支卷积神经网络的压缩视频超分辨率重建方法 | |
CN112200816A (zh) | 视频图像的区域分割及头发替换方法、装置及设备 | |
CN114630111B (zh) | 一种基于编码信息的无参考压缩视频质量评估方法 | |
WO2023040745A1 (zh) | 特征图编解码方法和装置 | |
Yin et al. | A Reference Resource Based End-to-End Image Compression Scheme | |
CN106023272B (zh) | 基于新的学习函数的三维自组织映射图像编码方法 |
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 |