CN112509071B - 一种亮度信息辅助的色度信息压缩重建方法 - Google Patents

一种亮度信息辅助的色度信息压缩重建方法 Download PDF

Info

Publication number
CN112509071B
CN112509071B CN202110122346.9A CN202110122346A CN112509071B CN 112509071 B CN112509071 B CN 112509071B CN 202110122346 A CN202110122346 A CN 202110122346A CN 112509071 B CN112509071 B CN 112509071B
Authority
CN
China
Prior art keywords
image
chrominance
conv
channel
compressed
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
Application number
CN202110122346.9A
Other languages
English (en)
Other versions
CN112509071A (zh
Inventor
朱树元
刘何为
王忠荣
刘光辉
曾兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110122346.9A priority Critical patent/CN112509071B/zh
Publication of CN112509071A publication Critical patent/CN112509071A/zh
Application granted granted Critical
Publication of CN112509071B publication Critical patent/CN112509071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • 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
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/186—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a colour or a chrominance component
    • 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
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/67—Circuits for processing colour signals for matrixing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Discrete Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Color Television Systems (AREA)

Abstract

本发明属于图像压缩和图像质量增强领域，具体提供一种亮度信息辅助的色度信息压缩重建方法，用以有效提升图像重建质量和压缩效率。本发明通过构建图像亮度信息辅助的色度信息重建卷积神经网络，实现压缩后图像色度信息的高效重建；在色度分量压缩时，只保留了前1/4的低频系数，通过网络有效重建色度分量丢失的高频系数，在兼顾图像质量的同时，降低了图像传输所需要的比特数；将压缩后的色度分量低频系数所生成的图像和压缩后的亮度分量图像作为卷积神经网络的输入，利用亮度分量的先验信息，有效增强色度分量图像的质量；综上所述，本发明引入亮度信息之后，能够显著提升色度图像恢复的质量，进而有效提升图像重建质量和压缩效率。

Description

一种亮度信息辅助的色度信息压缩重建方法
技术领域
本发明属于图像压缩和图像质量增强领域，具体提供一种亮度信息辅助的色度信息压缩重建方法。
背景技术
多媒体信息需求的不断增长带来了多媒体技术的迅速发展，数字图像是多媒体信息的主要载体，其原始数据量巨大，需要占用较大的存储空间和传输带宽；为了节约有限的存储和传输资源，通常需要对数字图像进行有损压缩；压缩率越高，所节约的存储和传输资源就越多，不过带来的压缩失真就越大。
高效的图像压缩方法要求在保证高压缩率的同时，还要达到较高的图像质量；当前常用的静态图像有损压缩方法是JPEG，因为其实现简单，被广泛应用于静态图像压缩中；不过随着实际应用中图像分辨率的不断提升，JPEG压缩方法已无法满足实际应用需求，提升其压缩性能势在必行。
发明内容
针对上述提出的问题，本发明提出了一种亮度信息辅助的色度信息压缩重建方法，能够有效提升图像重建质量和压缩效率。
为实现上述目的，本发明采用的技术方案如下：
一种亮度信息辅助的色度信息压缩重建方法，其特征在于，包括以下步骤：
步骤1. 数据预处理；
步骤1.1 将待压缩的RGB图像转换为YCbCr图像；
步骤1.2 对YCbCr图像的亮度通道（Y通道）图像依次进行DCT变换、量化、反量化、DCT反变换，得到压缩后亮度通道图像；
步骤1.3 对YCbCr图像的色度通道（Cb通道和Cr通道）图像依次进行DCT变换和量化，再将色度通道图像的高频系数置零、保留前1/4的低频系数，之后再对色度通道图像依次进行反量化和DCT反变换，得到压缩后色度通道图像；
步骤2. 构建及训练色度图像重建网络；
步骤2.1 构建色度图像重建网络；
所述色度图像重建网络由色度通道分支、亮度通道分支与输出通道分支三部分组成，其中，色度通道分支的输入为色度图像Cinput、输出为Cout，亮度通道分支的输入为亮度图像Yinput、输出为Yout；
所述色度通道分支与亮度通道分支的网络结构相同，由网络单元U1、U2、U3和U4依次连接组成，具体为：
网络单元U1的结构为：CONV 3×3×32+CONV 3×3×64+CONV 3×3×64，其输出为U1out；
网络单元U2的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U2in为U1out，输出为U2out；
网络单元U3的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U3in为U2out +U1out、输出为U3out；
网络单元U4的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U4in为U1out+U3in+U3out、输出为U4out；
所述色度通道分支的输出Cout为Cinput+U3in+U3out+U4out，所述亮度通道分支的输出Yout为Yinput+U3in+U3out+U4out；
所述输出通道分支由网络单元R组成，其结构为：CONV 3×3×64+CONV 3×3×32+CONV 3×3×16+CONV 3×3×1，网络单元R的输入为Cout+Yout、输出为重建色度图像；
其中，CONV表示一层卷积层；
步骤2.2 构建训练集
采用现有数据集中的RGB高清图作为训练图像，并将训练图像由RGB图像转为YCbCr图像；再将YCbCr训练图像切分为
Figure 296562DEST_PATH_IMAGE002
大小的子图像，并对子图像执行步骤1.2与步骤1.3的数据预处理，得到压缩后亮度通道图像与压缩后色度通道图像；
以压缩后亮度通道图像与压缩后色度通道图像作为输入、以原始色度通道图像作为标签，形成训练样本，进而构建得训练集；
步骤2.3 设置训练参数与损失函数，采用Adam优化器对色度图像重建网络进行训练；所述损失函数为：
Figure 444646DEST_PATH_IMAGE004
其中，
Figure 265972DEST_PATH_IMAGE006
表示色度图像重建网络输出的重建色度图像，
Figure 677362DEST_PATH_IMAGE008
表示标签，
Figure 318559DEST_PATH_IMAGE010
表示图像
Figure 4755DEST_PATH_IMAGE012
的第
Figure 195434DEST_PATH_IMAGE014
行、第
Figure 512145DEST_PATH_IMAGE016
列的像素值，
Figure 702955DEST_PATH_IMAGE018
分别表示输入图像的高、宽；
步骤3. 将步骤1得到的压缩后亮度通道图像与压缩后色度通道图像输入经步骤2训练完成的色度图像重建网络，由色度图像重建网络输出重建色度图像。
与现有技术相比，本发明是有益效果在于：
本发明提出了一种亮度信息辅助的色度信息压缩重建方法，通过构建图像亮度信息辅助的色度信息重建卷积神经网络，实现压缩后图像色度信息的高效重建；在本发明中，色度分量压缩时，只保留了前1/4的低频系数，是由于色度分量相对平滑，且人眼对高频系数不敏感，用网络很好的重建出色度分量丢失的高频系数，在兼顾图像质量的同时，降低了图像传输所需要的比特数。将压缩后的色度分量低频系数所生成的图像和压缩后的亮度分量图像作为卷积神经网络的输入，利用亮度分量的先验信息，有效增强色度分量图像的质量；综上所述，本发明引入亮度信息之后，能够显著提升色度图像恢复的质量，进而有效提升图像重建质量和压缩效率。
附图说明
图1为本发明实施例中亮度信息辅助的色度信息压缩重建网络。
图2为本发明实施例中作为对比例的无亮度信息辅助的色度信息压缩重建网络。
图3为本发明实施例中亮度信息辅助的色度信息压缩重建方法的流程图。
图4为本发明实施例与对比例在Classical图像集下R-D曲线对比图。
图5为本发明实施例与对比例在MCM图像集下R-D曲线对比图。
图6为本发明实施例与对比例在LIVE1图像集下R-D曲线对比图。
具体实施方式
下面将结合附图对本发明得实施例中的技术方案进行清楚、完整的描述，显然，下面所描述的实施例仅是本发明一部分的实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种亮度信息辅助的色度信息压缩重建方法，其流程如图3所示，具体步骤如下：
步骤1. 数据预处理；
步骤1.1 将待压缩的RGB图像转换为YCbCr图像，转换公式为：
Figure 130526DEST_PATH_IMAGE020
其中，R、G和B分别代表RGB图像的R通道、G通道和B通道的像素值，同理，Y、Cb和Cr分别代表转换得到YCbCr图像的Y通道、Cb通道和Cr通道的像素值；
步骤1.2 对YCbCr图像的亮度通道（Y通道）图像进行JPEG常规处理，即依次进行DCT变换、量化、反量化、DCT反变换，得到压缩后亮度通道图像；
步骤1.3 对YCbCr图像的色度通道（Cb通道和Cr通道）图像依次进行DCT变换和量化，再将色度通道的高频系数置零、只保留前1/4的低频系数，之后再对色度通道依次进行反量化和DCT反变换，得到压缩后色度通道图像；
步骤2. 构建及训练色度图像重建网络；
步骤2.1 构建色度图像重建网络；
所述色度图像重建网络共由28层卷积层组成，所有卷积层对应的卷积核大小均为3×3、激活函数均为Relu函数；具体网络结构如图1所示，图中“CONV 3×3×32”表示一层卷积层、且对应的卷积核的大小为3×3、卷积的输出通道为32、padding参数为“same”；
更为具体的讲：所述色度图像重建网络由色度通道分支、亮度通道分支与输出通道分支三部分组成；其中，色度通道分支的输入为色度图像Cinput、输出为Cout；亮度通道分支的输入为亮度图像Yinput、输出为Yout，最终输出通道为两个分支的合并；
所述色度通道分支与亮度通道分支的网络结构相同，由网络单元U1、U2、U3和U4依次连接组成，每个单元由3层卷积层构成；具体为：
网络单元U1的结构为：CONV 3×3×32+CONV 3×3×64+CONV 3×3×64，其输出为U1out；
网络单元U2的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U2in为U1out，输出为U2out；
网络单元U3的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U3in为U2out +U1out、输出为U3out；
网络单元U4的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U4in为U1out+U3in+U3out、输出为U4out；
所述色度通道分支的输出Cout为Cinput+U3in+U3out+U4out，所述亮度通道分支的输出Yout为Yinput+U3in+U3out+U4out；
所述输出通道分支由网络单元R组成，其结构为：CONV 3×3×64+CONV 3×3×32+CONV 3×3×16+CONV 3×3×1，网络单元R的输入为Cout+Yout、输出为重建色度图像；
步骤2.2 构建训练集
采用DIV2K数据集中前400张1920×1080的RGB高清图作为训练图像，并将训练图像由RGB图像转为YCbCr图像；再将YCbCr训练图像切分为
Figure 457602DEST_PATH_IMAGE002
大小的子图像，并对子图像执行步骤1.2与步骤1.3的数据预处理，得到压缩后的亮度通道图像与色度通道图像；
以压缩后亮度通道图像与压缩后色度通道图像作为输入、以原始色度通道图像作为标签，形成训练样本，进而构建得训练集；
本实施例中，N=M=40；
步骤2.3 设置训练参数与损失函数，采用Adam优化器对色度图像重建网络进行训练；所述训练参数为：学习率为0.0001、批尺寸为64、训练周期为40，所述损失函数为：
Figure 945215DEST_PATH_IMAGE004
其中，
Figure 623321DEST_PATH_IMAGE006
表示色度图像重建网络输出的重建色度图像，
Figure 103850DEST_PATH_IMAGE008
表示标签，
Figure 19853DEST_PATH_IMAGE010
表示图像
Figure 412788DEST_PATH_IMAGE012
的第
Figure 578190DEST_PATH_IMAGE014
行、第
Figure 347563DEST_PATH_IMAGE016
列的像素值，
Figure 914811DEST_PATH_IMAGE018
分别表示输入图像的高、宽；
步骤3. 将步骤1得到的压缩后亮度通道图像与压缩后色度通道图像输入经步骤2训练完成的色度图像重建网络，由色度图像重建网络输出重建色度图像；
更进一步的，基于重建色度图像与压缩后亮度通道图像得到增强YCbCr图像，将增强YCbCr图像转换为RGB图像，转换公式为：
Figure 730845DEST_PATH_IMAGE022
其中，矩阵右上方的“-1”表示矩阵求逆。
基于上述技术方案，本实施例在3个图像集进行测试，分别为Classical图像集（分辨率为512×512、8张），MCM图像集（分辨率为500×500、18张）和LIVE1图像集（分别率634×438~768×512不等、10张），其中，选择5个JPEG中的量化因子（30、40、50、60和70）进行对比；利用三种方法进行了对比：1）默认的JPEG压缩方法，2）无亮度信息辅助的色度信息压缩重建方法（网络结构如图2所示），3）亮度信息辅助的色度信息压缩重建方法（网络结构如图1所示）；3个图像集对应的测试结果依次如图4、图5、图6所示，其中，横轴为bpp（表示图像每个像素传输所需要的比特数），纵轴为PSNR（峰值信噪比、大小与图像质量成正相关），“JPEG-Cb”表示默认的JPEG压缩方法得到图像的Cb通道的率失真曲线“Ours2-Cb”表示无亮度信息辅助的色度信息压缩重建方法得到图像的Cb通道的率失真曲线，“Ours1-Cb”表示亮度信息辅助的色度信息压缩重建方法得到图像的Cb通道率失真曲线，Cr通道同理。
由图4、图5、图6可知，三个图像集中，无论在Cb通道、还是Cr通道，本实施例中亮度信息辅助的色度信息压缩重建方法均优于无亮度信息辅助的色度信息压缩重建方法，并且两者均优于JPEG压缩方法；由此可见，本实施例中亮度信息辅助的色度信息压缩重建方法具有最优的性能，测试结果表明引入的亮度信息和色度信息均能加强色度图像的重建，证明了本发明方法的有效性及优越性。
综上所述，本发明所提出的亮度信息辅助的色度信息压缩重建方法具有出色的表现，在3个图像集中，相较于JPEG，在同等的码率下，可将色度通道图像PSNR提高1dB以上。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种亮度信息辅助的色度信息压缩重建方法，其特征在于，包括以下步骤：
步骤1. 数据预处理，包括以下步骤：
步骤1.1 将待压缩的RGB图像转换为YCbCr图像；
步骤1.2 对YCbCr图像的亮度通道图像依次进行DCT变换、量化、反量化、DCT反变换，得到压缩后亮度通道图像；
步骤1.3 对YCbCr图像的色度通道图像依次进行DCT变换和量化，再将色度通道图像的高频系数置零、保留前1/4的低频系数，之后再对色度通道图像依次进行反量化和DCT反变换，得到压缩后色度通道图像；
步骤2. 构建及训练色度图像重建网络，包括以下步骤：
步骤2.1 构建色度图像重建网络；
所述色度图像重建网络由色度通道分支、亮度通道分支与输出通道分支三部分组成，其中，色度通道分支的输入为色度图像Cinput、输出为Cout，亮度通道分支的输入为亮度图像Yinput、输出为Yout；
所述色度通道分支与亮度通道分支的网络结构相同，由网络单元U1、U2、U3和U4依次连接组成，具体为：
网络单元U1的结构为：CONV 3×3×32+CONV 3×3×64+CONV 3×3×64，其输出为U1out；
网络单元U2的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U2in为U1out，输出为U2out；
网络单元U3的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U3in为U2out +U1out、输出为U3out；
网络单元U4的结构为：CONV 3×3×64+CONV 3×3×64+CONV 3×3×64，其输入U4in为U1out+U3in+U3out、输出为U4out；
所述色度通道分支的输出Cout为Cinput+U3in+U3out+U4out，所述亮度通道分支的输出Yout为Yinput+U3in+U3out+U4out；
所述输出通道分支由网络单元R组成，其结构为：CONV 3×3×64+CONV 3×3×32+CONV3×3×16+CONV 3×3×1，网络单元R的输入为Cout+Yout、输出为重建色度图像；
其中，CONV表示一层卷积层；
步骤2.2 构建训练集；
采用现有数据集中的RGB高清图作为训练图像，并将训练图像由RGB图像转为YCbCr图像；再将YCbCr训练图像切分为
Figure 641096DEST_PATH_IMAGE001
大小的子图像，并对子图像执行步骤1.2与步骤1.3的数据预处理，得到压缩后亮度通道图像与压缩后色度通道图像；
以压缩后亮度通道图像与压缩后色度通道图像作为输入、以原始色度通道图像作为标签，形成训练样本，进而构建得训练集；
步骤2.3 设置训练参数与损失函数，采用Adam优化器对色度图像重建网络进行训练；所述损失函数为：
Figure 148301DEST_PATH_IMAGE002
其中，
Figure 626687DEST_PATH_IMAGE003
表示色度图像重建网络输出的重建色度图像，
Figure 270158DEST_PATH_IMAGE004
表示标签，
Figure 870904DEST_PATH_IMAGE005
表示图像
Figure 803088DEST_PATH_IMAGE006
的第
Figure 147481DEST_PATH_IMAGE007
行、第
Figure 848721DEST_PATH_IMAGE008
列的像素值，
Figure 620368DEST_PATH_IMAGE009
分别表示输入图像的高、宽；
步骤3. 将步骤1得到的压缩后亮度通道图像与压缩后色度通道图像输入经步骤2训练完成的色度图像重建网络，由色度图像重建网络输出重建色度图像。
CN202110122346.9A 2021-01-29 2021-01-29 一种亮度信息辅助的色度信息压缩重建方法 Active CN112509071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110122346.9A CN112509071B (zh) 2021-01-29 2021-01-29 一种亮度信息辅助的色度信息压缩重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110122346.9A CN112509071B (zh) 2021-01-29 2021-01-29 一种亮度信息辅助的色度信息压缩重建方法

Publications (2)

Publication Number Publication Date
CN112509071A CN112509071A (zh) 2021-03-16
CN112509071B true CN112509071B (zh) 2021-04-30

Family

ID=74952345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110122346.9A Active CN112509071B (zh) 2021-01-29 2021-01-29 一种亮度信息辅助的色度信息压缩重建方法

Country Status (1)

Country Link
CN (1) CN112509071B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113079378B (zh) * 2021-04-15 2022-08-16 杭州海康威视数字技术股份有限公司 图像处理方法、装置和电子设备
CN113573078B (zh) * 2021-08-09 2022-11-08 广东博华超高清创新中心有限公司 一种基于卷积神经网络增强avs帧内解码的方法
CN113781347A (zh) * 2021-09-13 2021-12-10 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563965A (zh) * 2017-09-04 2018-01-09 四川大学 基于卷积神经网络的jpeg压缩图像超分辨率重建方法
CN108632610A (zh) * 2018-04-18 2018-10-09 电子科技大学 一种基于插值重建的彩色图像压缩方法
CN110288518A (zh) * 2019-06-28 2019-09-27 北京三快在线科技有限公司 图像处理方法、装置、终端及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844640A (zh) * 2016-03-24 2016-08-10 西安电子科技大学 基于梯度的彩色图像质量评价方法
CN107645662B (zh) * 2017-10-19 2020-06-12 电子科技大学 一种彩色图像压缩方法
CN111295884B (zh) * 2017-11-08 2022-08-16 松下电器（美国）知识产权公司 图像处理装置及图像处理方法
US10528820B2 (en) * 2017-12-07 2020-01-07 Canon Kabushiki Kaisha Colour look-up table for background segmentation of sport video
CN111105357B (zh) * 2018-10-25 2023-05-02 杭州海康威视数字技术股份有限公司 一种失真图像的去失真方法、装置及电子设备
CN109741256B (zh) * 2018-12-13 2023-01-06 西安电子科技大学 基于稀疏表示和深度学习的图像超分辨率重建方法
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
CN110738666A (zh) * 2019-09-25 2020-01-31 北京影谱科技股份有限公司 一种基于离散余弦变换的图像语义分割方法及装置
CN111951164B (zh) * 2020-08-11 2023-06-16 哈尔滨理工大学 一种图像超分辨率重建网络结构及图像重建效果分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563965A (zh) * 2017-09-04 2018-01-09 四川大学 基于卷积神经网络的jpeg压缩图像超分辨率重建方法
CN108632610A (zh) * 2018-04-18 2018-10-09 电子科技大学 一种基于插值重建的彩色图像压缩方法
CN110288518A (zh) * 2019-06-28 2019-09-27 北京三快在线科技有限公司 图像处理方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN112509071A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112509071B (zh) 一种亮度信息辅助的色度信息压缩重建方法
CN110751597A (zh) 基于编码损伤修复的视频超分辨方法
CN106385584B (zh) 基于空域相关性的分布式视频压缩感知自适应采样编码方法
CN107645662A (zh) 一种彩色图像压缩方法
CN113613004A (zh) 图像编码方法、装置、电子设备及存储介质
CN108632610A (zh) 一种基于插值重建的彩色图像压缩方法
CN102724381B (zh) 基于jpeg压缩原理的票据类图像压缩方法
CN111654705A (zh) 基于新型色彩空间转换的马赛克图像压缩方法
CN114245126B (zh) 一种纹理协同的深度特征图压缩方法
CN115131254A (zh) 一种基于双域学习的恒定码率压缩视频质量增强方法
Takeuchi et al. A gamut-extension method considering color information restoration using convolutional neural networks
CN110603811A (zh) 视频编码系统和方法中的残差变换和逆向变换
Li et al. VimicroABCnet: An Image Coder Combining A Better Color Space Conversion Algorithm and A Post Enhancing Network.
CN117459737B (zh) 一种图像预处理网络的训练方法和图像预处理方法
Nakachi et al. Lossless and near-lossless compression of still color images
Ghassab et al. Video Compression Using Convolutional Neural Networks of Video with Chroma Subsampling
KR100601944B1 (ko) 색 변환 방법 및 장치
CN117291962B (zh) 一种基于通道分解的轻量神经网络的去块效应方法
CN115601242B (zh) 一种适用于硬件部署的轻量级图像超分辨率重建方法
CN111031312B (zh) 基于网络实现注意力机制的图像压缩方法
CN114067258B (zh) 一种面部通话视频的分层编码方法
TWI502550B (zh) Differential layered image compression method
Baba et al. Pipeline Architecture of Forward and Inverse Photo Core Transform for JPEG XR Image Compression
CN118018747A (zh) 一种基于深度学习的帧内编码方法
CN116055729A (zh) 结合多层次帧间相关性的压缩伪影抑制方法

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