CN111681293A - 一种基于卷积神经网络的sar图像压缩方法 - Google Patents
一种基于卷积神经网络的sar图像压缩方法 Download PDFInfo
- Publication number
- CN111681293A CN111681293A CN202010515967.9A CN202010515967A CN111681293A CN 111681293 A CN111681293 A CN 111681293A CN 202010515967 A CN202010515967 A CN 202010515967A CN 111681293 A CN111681293 A CN 111681293A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- network
- sar
- convolution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于卷积神经网络的SAR图像压缩方法,具体为,1、构建SAR图像数据集,并进行预处理;2、构建含输入层、编码器、解码器和输出层四个部分的基于自编解码器与残差模块的卷积神经网络;3、结合Adam优化器对神经网络进行训练。本发明利用了卷积神经网络表征学习的优势,结合残差学习,进一步提升网络的特征提取和泛化能力,从而在一定的压缩比下,取得更好的压缩效果。
Description
技术领域
本发明属于图形图像处理技术领域,具体涉及一种基于卷积神经网络的SAR图像压缩方法。
背景技术
合成孔径雷达(SAR)是一种全天时、全天候、高分辨率成像的雷达系统,广泛应用于飞机、卫星、航天器等领域。在弹载雷达系统运行过程中,会有海量的SAR图像数据进行存储与传输。而SAR的幅度图像只含有振幅信息,而缺少相位信息,同时带有乘性散斑噪声,相比于普通的光学图像相关性低,分辨率和信噪比也较低。这使得传统的光学图像压缩技术很难在SAR图像压缩中取得良好的效果。
在SAR图像压缩过程中,通常有预测编码、矢量量化和变换编码三种压缩编码方法。但这种几种方法都无法在较高的压缩比下解决好失真的问题,难以兼顾压缩质量和压缩比。
发明内容
针对上述技术问题,本发明旨在保证SAR图像的压缩质量的同时,尽量提高SAR图像的压缩比,为此,本发明提供一种基于卷积神经网络的SAR图像压缩方法。
本发明的一种基于卷积神经网络的SAR图像压缩方法,在卷积网络的自编码器之上,采用图像增强处理的数据集与自适应的优化策略,包括以下步骤:
步骤1:SAR图像数据集的构建与预处理。
在对SAR原始数据进行成像之后,全部裁剪成统一大小的图像;再挑选含特征信息的图像,构建初始的训练集和测试集。由于SAR图像中大量的重要信息被存储在高频和中频部分,通过二维小波变换,对初始的训练集运用图像增强技术;有利于提取图像的中高频信息,较好地保留了图像的重要细节信息。因此,SAR图像数据集构建与预处理的基本原则是保留尽量多的特征,便于后续自编解码器网络的失真的优化。
步骤2:自编解码器卷积网络的构建。
自编解码器卷积网络分为四个部分,分别为输入层、编码器、解码器、输出层。其中,编码器通过多层卷积以及残差结构完成对SAR图像的压缩编码,调整卷积的层数,步长以及通道数可以控制相应的压缩比。而解码器通过多层的转置卷积和残差结构完成对编码图像的解码,自编解码器卷积网络结构的设计应遵从一定的对称原则。
步骤3:失真优化。
通过自编解码器前向传播压缩恢复后的图像与原始图像的均方误差来计算网络的损失,再进行反向传播,不断地训练和优化,在一定的压缩比下取的更好的压缩效果。
进一步的,步骤1中,通过haar小波,把图像信号分解成不同子带:对低频子带进行非线性图像增强,用以增强目标的对比度,抑制背景;而对高频部分进行小波去噪处理,减少噪声对图像的影响;再将小波重构回图像信号,完成最终训练集的构建。
进一步的,自编解码器卷积网络通过层层的卷积进行图像的压缩,再通过层层的反卷积进行图像的重构,并采用残差模块加强深度网络的梯度性,对编码压缩部分网络和解码重构部分网络进行联合优化;利用上述网络,以预处理后的SAR图像作为训练样本,训练得到针对SAR图像的压缩网络。自编解码器卷积网络具体结构为:
输入层:
(1)读取数据,依次从训练集中和测试集中读取SAR灰度图像信息。
(2)归一化,将原图像8位存储的int型转为32位存储的float型,再对每一位数据除以255。
(3)格式转换,将图像格式从三维矩阵转换成四维矩阵。
编码器:
(1)卷积层:设置通道数为64,卷积核大小为5,步长为2,进行填充。
(2)激活层:采用Relu的激活函数,对每一位数据进行非线性映射,维持梯度。
(3)残差模块Resnet:设x为输入特征图,经过卷积后被映射为F(x),再经过一层卷积变为F′(x),然后将F′(x)与原始输入x累加,得到整个残差结构的输出。
解码器:
(1)反卷积层:反卷积层与卷积层相对应,设置通道数为64,卷积核大小为5,步长为2,进行填充。
(2)激活层:采用Relu的激活函数,与编码器中激活层相同。
(3)残差模块Resnet:与编码器中采用的残差模块相同。
输出层:
(1)格式转换,将图像格式从四维矩阵转换成三维矩阵。
(2)反归一化,对每一位数据乘以255,将32位的float型输出四舍五入转为图像8位存储的int型。
(3)存储图像,根据图像的大小,依次从矩阵中保存相应的解压后的图像。
进一步的,步骤3的损失函数采用MSE,优化器选用的是Adam,训练时的批尺寸大小设置为5。
本发明的有益技术效果为:
本发明利用了卷积神经网络表征学习的优势,结合残差学习,进一步提升网络的特征提取和泛化能力,从而在一定的压缩比下,取得更好的压缩效果。
附图说明
图1为本发明卷积神经网络压缩模型结构图。
图2为Relu激活函数及公式。
图3为残差模块结构。
图4为本发明压缩效果PSNR对比图。
图5为本发明压缩效果MS-SSIM对比图。
图6为本发明实验原始图像。
图7为本发明的CNN网络和BP网络在bpp=4时,解压缩后的对比结果图(图中a为CNN解压,b为BP解压)。
图8为本发明的CNN网络和BP网络在bpp=2时,解压缩后的对比结果图(图中a为CNN解压,b为BP解压)。
图9为本发明的CNN网络和BP网络在bpp=1时,解压缩后的对比结果图(图中a为CNN解压,b为BP解压)。
图10为本发明的CNN网络和BP网络在bpp=0.5时,解压缩后的对比结果图(图中a为CNN解压,b为BP解压)。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明的一种基于卷积神经网络的SAR图像压缩方法,具体为:
1、SAR图像数据集的构建与预处理
构建适合于自编解码卷积网络训练与优化的SAR图像数据集,SAR图像数据集的构建与预处理的过程如下:
(1)SAR图像的裁剪,在对SAR原始数据进行成像之后,得到的是几张2048*1536的SAR灰度图像,根据需求全部裁剪成256*256大小的SAR图像。
(2)SAR图像训练集和测试集的构建,从裁剪后统一大小的图像中挑选出特征信息较为丰富的几类场景,分别是港湾、山脊、沟壑和洞穴。挑出的图像构建大小为50的训练集和10的测试集。
(3)SAR图像的预处理,通过haar小波,把图像信号分解成不同子带。对低频子带进行非线性图像增强,用以增强目标的对比度,抑制背景;而对高频部分进行小波去噪处理,减少噪声对图像的影响。再将小波重构回图像信号,完成最终训练集的构建。
2、自编解码器卷积网络的构建
如图1所示,自编解码器分为四个部分,分别为输入层、编码器、解码器、输出层。
输入层:
(1)读取数据,依次从训练集中和测试集中读取SAR灰度图像信息,格式为[50,256,256]和[10,256,256]的矩阵。
(2)归一化,将原图像8位存储的int型转为32位存储的float型,再对每一位数据除以255。
(3)格式转换,将图像格式从[50,256,256]和[10,256,256]的三维矩阵转换成[50,256,256,1]和[10,256,256,1]的四维矩阵。
编码器:
(1)卷积层:设置通道数为64,卷积核大小为5,步长为2,进行填充。每次经过卷积层之后,会从原图像中提取得到新的64张特征图,每张特征图高宽变为原图的二分之一,大小变为原来的四分之一。如第一次进行卷积时,数据格式会从原图的[50,256,256,1]变为[50,128,128,64]。多次卷积后可达到数据压缩的效果,可通过调整编码器最后一层的通道数控制压缩的比例。
(2)激活层:采用Relu的激活函数,对每一位数据进行非线性映射,维持梯度。Relu的激活函数以及公式如图2所示。
(3)残差模块(Resnet):如图3所示,x为输入特征图,经过卷积后被映射为F(x),再经过一层卷积变为F′(x),然后将F′(x)与原始输入x累加(F′(x)与x的尺寸、维度相同,他们累加时按照逐像素点累加计算,输出结构与x的尺寸、维度相同),得到整个残差结构的输出。
解码器:
(1)反卷积层:设置通道数为64,卷积核大小为5,步长为2,进行填充。反卷积层与卷积层相对应,每经过一次反卷积层,特征图尺寸放大4倍,特征图数量不变,最后一次反卷积通道数变为1,进入输出层输出。
(2)激活层:采用Relu的激活函数,与编码器中激活层相同。
(3)残差模块(Resnet):与编码器中采用的残差模块相同。
输出层:
(1)格式转换,将图像格式从[50,256,256,1]和[10,256,256,1]的四维矩阵转换成[50,256,256]和[10,256,256]的三维矩阵。
(2)反归一化,对每一位数据乘以255,将32位的float型输出四舍五入转为图像8位存储的int型。
(3)存储图像,根据图像256*256的大小,依次从[50,256,256]和[10,256,256]的矩阵中保存相应的解压后的图像。
3、失真优化
本网络采用自编码器的结构,为无监督训练,使网络的输入以及标签都为相同的数据,通过自编码器前向传播压缩恢复后的图像与原始图像的均方误差来计算网络的损失。
(1)模型的损失函数采用MSE(Mean Squared Error)。
(2)模型的优化器选用的是Adam。设置学习率(Learing Rate)前500个epoch为0.0003,之后为0.001。衰减因子(Decay Factor)为0.0,其它参数分别为beta_1=0.9,beta_2=0.999,epsilon=1e-08。
(3)模型训练时的批尺寸(Batchsize)大小设置为5。
仿真实验结果
使用本发明的CNN网络和BP网络(做对比使用)对SAR图像测试集整体的压缩效果进行对比,压缩结果各指标具体评估如表1和表2所示。压缩效果PSNR对比如图4所示,压缩效果MS-SSIM对比如图5所示。
表1压缩结果1
表2压缩结果2
挑选其中一个样本进行展示。样本原始图像为图6,使用本发明的CNN网络和BP网络解压缩后的对比结果如图7-10所示,分别对应的bpp为4、2、1、0.5。
由此可见,本发明具有更好的压缩效果。
Claims (4)
1.一种基于卷积神经网络的SAR图像压缩方法,其特征在于,在卷积网络的自编码器之上,采用图像增强处理的数据集与自适应的优化策略,具体步骤如下:
步骤1:SAR图像数据集的构建与预处理:
在对SAR原始数据进行成像之后,全部裁剪成统一大小的图像;再挑选含特征信息的图像,构建初始的训练集和测试集;通过二维小波变换,对初始的训练集运用图像增强技术;
步骤2:自编解码器卷积网络的构建:
自编解码器卷积网络分为四个部分,分别为输入层、编码器、解码器、输出层;其中,编码器通过多层卷积以及残差结构完成对SAR图像的压缩编码;而解码器通过多层的转置卷积和残差结构完成对编码图像的解码;
步骤3:失真优化:
通过自编解码器前向传播压缩恢复后的图像与原始图像的均方误差来计算网络的损失,再进行反向传播更新权重矩阵,不断地训练和优化。
2.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法,其特征在于,所述步骤1中,通过haar小波,把图像信号分解成不同子带:对低频子带进行非线性图像增强,用以增强目标的对比度,抑制背景;而对高频部分进行小波去噪处理,减少噪声对图像的影响;再将小波重构回图像信号,完成最终训练集的构建。
3.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法,其特征在于,所述自编解码器卷积网络通过层层的卷积进行图像的压缩,再通过层层的反卷积进行图像的重构,并采用残差模块加强深度网络的梯度性,对编码压缩部分网络和解码重构部分网络进行联合优化;利用上述网络,以预处理后的SAR图像作为训练样本,训练得到针对SAR图像的压缩网络;所述自编解码器卷积网络具体结构为:
输入层:
(1)读取数据,依次从训练集中和测试集中读取SAR灰度图像信息;
(2)归一化,将原图像8位存储的int型转为32位存储的float型,再对每一位数据除以255;
(3)格式转换,将图像格式从三维矩阵转换成四维矩阵;
编码器:
(1)卷积层:设置通道数为64,卷积核大小为5,步长为2,进行填充;
(2)激活层:采用Relu的激活函数,对每一位数据进行非线性映射,维持梯度;
(3)残差模块Resnet:设x为输入特征图,经过卷积后被映射为F(x),再经过一层卷积变为F′(x),然后将F′(x)与原始输入x累加,得到整个残差结构的输出;
解码器:
(1)反卷积层:反卷积层与卷积层相对应,设置通道数为64,卷积核大小为5,步长为2,进行填充;
(2)激活层:采用Relu的激活函数,与编码器中激活层相同;
(3)残差模块Resnet:与编码器中采用的残差模块相同;
输出层:
(1)格式转换,将图像格式从四维矩阵转换成三维矩阵;
(2)反归一化,对每一位数据乘以255,将32位的float型输出四舍五入转为图像8位存储的int型;
(3)存储图像,根据图像的大小,依次从矩阵中保存相应的解压后的图像。
4.根据权利要求1所述的一种基于卷积神经网络的SAR图像压缩方法,其特征在于,所述步骤3的损失函数采用MSE,优化器选用的是Adam,训练时的批尺寸大小设置为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010515967.9A CN111681293B (zh) | 2020-06-09 | 2020-06-09 | 一种基于卷积神经网络的sar图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010515967.9A CN111681293B (zh) | 2020-06-09 | 2020-06-09 | 一种基于卷积神经网络的sar图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681293A true CN111681293A (zh) | 2020-09-18 |
CN111681293B CN111681293B (zh) | 2022-08-23 |
Family
ID=72435718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010515967.9A Active CN111681293B (zh) | 2020-06-09 | 2020-06-09 | 一种基于卷积神经网络的sar图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681293B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386595A (zh) * | 2021-12-24 | 2022-04-22 | 西南交通大学 | 一种基于超先验架构的sar图像压缩方法 |
CN114782565A (zh) * | 2022-06-22 | 2022-07-22 | 武汉搜优数字科技有限公司 | 基于神经网络的数字档案馆图像压缩、存储、恢复方法 |
CN115052148A (zh) * | 2022-07-21 | 2022-09-13 | 南昌工程学院 | 一种基于模型分割压缩自编码器的图像压缩算法 |
JP2022142602A (ja) * | 2021-03-16 | 2022-09-30 | 独立行政法人国立高等専門学校機構 | 電磁波レーダ装置および電磁波レーダ装置の学習方法 |
CN117201693A (zh) * | 2023-11-01 | 2023-12-08 | 长春汽车工业高等专科学校 | 一种物联网图像压缩方法、装置、终端设备及介质 |
CN112509094B (zh) * | 2020-12-22 | 2024-03-29 | 西安交通大学 | 一种基于级联残差编解码网络的jpeg图像压缩伪影消除算法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7245250B1 (en) * | 2005-08-16 | 2007-07-17 | Itt Manufacturing Enterprises, Inc. | Synthetic aperture radar image compression |
JP2010236970A (ja) * | 2009-03-31 | 2010-10-21 | Mitsubishi Space Software Kk | SAR(SyntheticApertureRadar)重畳データ生成装置、SAR重畳データ再生装置、SAR重畳データ生成プログラム、SAR重畳データ再生プログラム、SAR重畳データ生成方法およびSAR重畳データ再生方法 |
CN103108182A (zh) * | 2013-01-18 | 2013-05-15 | 北京航空航天大学 | 多源异类无人机侦察图像通用压缩方法 |
CN107801026A (zh) * | 2017-11-09 | 2018-03-13 | 京东方科技集团股份有限公司 | 图像压缩方法及装置、图像压缩及解压缩系统 |
US20190012774A1 (en) * | 2016-01-21 | 2019-01-10 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN109978772A (zh) * | 2017-12-27 | 2019-07-05 | 四川大学 | 基于深度学习与双域互补的压缩图像复原方法 |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN110728726A (zh) * | 2019-10-24 | 2020-01-24 | 湖南大学 | 一种基于用户交互与深度神经网络的图像压缩方法 |
CN110796622A (zh) * | 2019-10-30 | 2020-02-14 | 天津大学 | 一种基于串联神经网络多层特征的图像比特增强方法 |
CN110909667A (zh) * | 2019-11-20 | 2020-03-24 | 北京化工大学 | 面向多角度sar目标识别网络的轻量化设计方法 |
WO2020065403A1 (en) * | 2018-09-28 | 2020-04-02 | Sinha Pavel | Machine learning using structurally regularized convolutional neural network architecture |
-
2020
- 2020-06-09 CN CN202010515967.9A patent/CN111681293B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7245250B1 (en) * | 2005-08-16 | 2007-07-17 | Itt Manufacturing Enterprises, Inc. | Synthetic aperture radar image compression |
JP2010236970A (ja) * | 2009-03-31 | 2010-10-21 | Mitsubishi Space Software Kk | SAR(SyntheticApertureRadar)重畳データ生成装置、SAR重畳データ再生装置、SAR重畳データ生成プログラム、SAR重畳データ再生プログラム、SAR重畳データ生成方法およびSAR重畳データ再生方法 |
CN103108182A (zh) * | 2013-01-18 | 2013-05-15 | 北京航空航天大学 | 多源异类无人机侦察图像通用压缩方法 |
US20190012774A1 (en) * | 2016-01-21 | 2019-01-10 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN107801026A (zh) * | 2017-11-09 | 2018-03-13 | 京东方科技集团股份有限公司 | 图像压缩方法及装置、图像压缩及解压缩系统 |
CN109978772A (zh) * | 2017-12-27 | 2019-07-05 | 四川大学 | 基于深度学习与双域互补的压缩图像复原方法 |
WO2020065403A1 (en) * | 2018-09-28 | 2020-04-02 | Sinha Pavel | Machine learning using structurally regularized convolutional neural network architecture |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN110728726A (zh) * | 2019-10-24 | 2020-01-24 | 湖南大学 | 一种基于用户交互与深度神经网络的图像压缩方法 |
CN110796622A (zh) * | 2019-10-30 | 2020-02-14 | 天津大学 | 一种基于串联神经网络多层特征的图像比特增强方法 |
CN110909667A (zh) * | 2019-11-20 | 2020-03-24 | 北京化工大学 | 面向多角度sar目标识别网络的轻量化设计方法 |
Non-Patent Citations (1)
Title |
---|
牟树根: "基于深度学习和小波变换的高分辨SAR图像分类", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509094B (zh) * | 2020-12-22 | 2024-03-29 | 西安交通大学 | 一种基于级联残差编解码网络的jpeg图像压缩伪影消除算法 |
JP2022142602A (ja) * | 2021-03-16 | 2022-09-30 | 独立行政法人国立高等専門学校機構 | 電磁波レーダ装置および電磁波レーダ装置の学習方法 |
CN114386595A (zh) * | 2021-12-24 | 2022-04-22 | 西南交通大学 | 一种基于超先验架构的sar图像压缩方法 |
CN114782565A (zh) * | 2022-06-22 | 2022-07-22 | 武汉搜优数字科技有限公司 | 基于神经网络的数字档案馆图像压缩、存储、恢复方法 |
CN115052148A (zh) * | 2022-07-21 | 2022-09-13 | 南昌工程学院 | 一种基于模型分割压缩自编码器的图像压缩算法 |
CN115052148B (zh) * | 2022-07-21 | 2023-04-25 | 南昌工程学院 | 一种基于模型分割压缩自编码器的图像压缩算法 |
CN117201693A (zh) * | 2023-11-01 | 2023-12-08 | 长春汽车工业高等专科学校 | 一种物联网图像压缩方法、装置、终端设备及介质 |
CN117201693B (zh) * | 2023-11-01 | 2024-01-16 | 长春汽车工业高等专科学校 | 一种物联网图像压缩方法、装置、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681293B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681293B (zh) | 一种基于卷积神经网络的sar图像压缩方法 | |
CN113709455B (zh) | 一种使用Transformer的多层次图像压缩方法 | |
CN111192200A (zh) | 基于融合注意力机制残差网络的图像超分辨率重建方法 | |
CN110248190B (zh) | 一种基于压缩感知的多层残差系数图像编码方法 | |
CN111754592A (zh) | 一种基于特征通道信息的端到端多光谱遥感图像压缩方法 | |
CN103546759A (zh) | 一种基于小波包和矢量量化相结合的图像压缩编码方法 | |
CN114449276B (zh) | 一种基于学习的超先验边信息补偿图像压缩方法 | |
CN113962882B (zh) | 一种基于可控金字塔小波网络的jpeg图像压缩伪影消除方法 | |
CN116563108A (zh) | 一种基于残差多谱通道注意力网络水下图像超分辨率方法 | |
Zhang et al. | Semantic communication approach for multi-task image transmission | |
CN112637599A (zh) | 一种基于分布式压缩视频感知系统的新型重构方法 | |
CN116612009A (zh) | 一种多尺度连接生成对抗网络医学图像超分辨率重建方法 | |
CN114386595B (zh) | 一种基于超先验架构的sar图像压缩方法 | |
CN113194312B (zh) | 结合视觉显著性的行星科学探测图像自适应量化编码系统 | |
CN111932473B (zh) | 一种多分辨率稀疏编码的相位信息降噪算法及存储介质 | |
CN111107360B (zh) | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 | |
CN114882133B (zh) | 一种图像编解码方法、系统、设备及介质 | |
Zemliachenko et al. | Peculiarities of hyperspectral image lossy compression for sub-band groups | |
CN109547961A (zh) | 一种无线传感网络中大数据量压缩感知编解码方法 | |
Xu et al. | Low-rank decomposition for rate-adaptive deep joint source-channel coding | |
CN116824318A (zh) | 一种基于量化神经网络的张量数据比特级压缩与重建方法 | |
Takezawa et al. | Wavelet Based Image Coding via Image Component Prediction Using Neural Networks | |
Arunapriya et al. | Improved Digital Image Compression using Modified Single Layer Linear Neural Networks | |
Jain et al. | Enhanced SVD Based Image Compression Technique | |
Zhang | ENHANCING UAV IMAGE COMPRESSION WITH DEEP LEARNING-BASED REGION OF INTEREST EXTRACTION |
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 |