CN114359417B - 一种针对jpeg图像压缩质量因子的检测方法 - Google Patents
一种针对jpeg图像压缩质量因子的检测方法 Download PDFInfo
- Publication number
- CN114359417B CN114359417B CN202011057549.6A CN202011057549A CN114359417B CN 114359417 B CN114359417 B CN 114359417B CN 202011057549 A CN202011057549 A CN 202011057549A CN 114359417 B CN114359417 B CN 114359417B
- Authority
- CN
- China
- Prior art keywords
- image
- compression quality
- quality factor
- compressed
- detected
- 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
- 230000006835 compression Effects 0.000 title claims abstract description 42
- 238000007906 compression Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000020061 kirsch Nutrition 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
近年来，压缩图像的质量增强算法成为压缩图像领域研究热点。压缩图像的压缩质量因子估计对于压缩图像的质量增强有着重要的作用。本发明公布了一种针对JPEG图像压缩质量因子的检测方法。主要包括以下步骤：首先输入待检测压缩图像，提取待检测压缩图像的图像块，提取方式采用我们提出的融合空间域和梯度域的方法；提取出块之后，使用基于二阶通道注意力机制的VGG网络，对图像块进行分类判决，得出图像块所属压缩质量因子(QF)不同类别的概率，选取概率最大的类为待检测图像的压缩质量因子(QF)。实验结果表明，相较于其他检测算法，本发明对图像压缩质量因子的检测准确率更高。
Description
技术领域
本发明涉及分类网络检测算法和图像压缩编码技术，具体涉及一种针对JPEG图像压缩质量因子的检测方法，属于图像通信领域。
背景技术
研究表明，人类在日常生活中获取的绝大部分信息来自于视觉信息。随着4G技术的全面普及和5G技术的高速发展，图像和视频信息成为人类生活中越来越不可或缺的元素之一，出于对高质量信息的需求，促使人类迈入到超高清时代。超高清时代图像和视频信息数据量大，通常都需要进行压缩编解码处理。现有的国际社会主流编解码标准较多，其中适用于静止图像压缩编解码标准的主要有JPEG和JPEG2000等，其中JPEG标准的使用更为广泛。
压缩图像的质量提升算法是图像压缩方面的研究热点之一，如何在图像经过压缩后利用一些处理方法来提升压缩后图像的主客观质量是后处理质量提升算法的研究重点，而在其中对于压缩图像的压缩质量因子检测的研究也是较为重要的内容。图像在经过JPEG编码后，其压缩质量的高低由其压缩质量因子(QF)决定。压缩质量因子的准确估计对重建压缩图像质量有较大的影响，因此可以根据压缩图像的纹理特性，对压缩图像分块以及相应的分块图像纹理分析进行研究，准确检测出相应图像的压缩质量因子。通常经过已知质量因子场景训练过的卷积神经网络(CNN)的效果优于未知质量因子场景训练过的CNN，也就是说，非盲场景的CNN是针对特定的压缩质量因子而训练的，更加具有针对性。压缩图像的压缩质量因子的检测结合卷积神经网络能有效提升压缩图像后处理算法的性能。
发明内容
本发明提出的一种针对JPEG图像压缩质量因子的检测方法，该方法通过对压缩图像分块，并使用融合空间域和频率域方差块选取方式对图像块纹理信息进行分析，继而准确判断出其压缩质量因子。相较于其他研究人员所提出的压缩质量因子检测算法，本方法表现出更为优越的检测性能。在相同条件下，本发明算法具有更高的压缩质量因子检测精度。
本发明所提出的一种针对JPEG图像压缩质量因子的检测方法，具体主要包括以下操作步骤：
(1)输入待检测压缩图像，对待检测图像进行不重叠取块；
(2)取样后的图像块进行空间域方差的计，随后将取样后图像块转换到梯度域，计算其梯度域方差；
(3)采用我们提出的融合空间域和梯度域方差块选取方法，提取出待检测图像的压缩质量因子检测图像块；
(4)根据设定的检测阈值，对所提取出的图像块进行检测前的的阈值选择，选取出待检测压缩图像最具代表性的图像块。
(5)选取后的图像块，输入到基于二阶通道注意力机制的VGG分类网络，对图像块进行所属压缩质量因子的类别判断。
(6)得出图像块所属压缩质量因子(QF)不同类别的概率，其中概率最大的类为待检测图像的压缩质量因子。
在本发明的上述技术方案中，在步骤(2)中图像块转换到梯度域选用Kirsch算子，这是由R.Kirsch提出来一种边缘检测算法，是一种非线性边缘检测器，可在几个预定方向上找到最大边缘强度。Kirsch算子通过8个不同方向(0°、45°、90°、135°、180°、225°、270°、315°)的3×3模板对图像上的各个像素点实现卷积求导，以获取像素点在8个特定方向的最大响应，然后用绝对值或者均方值求和来近似估计梯度值，其中获取的最大值当做图像的边缘输出。由于采取了8个不同的方向模板，它在保持细节和抗噪声方面都有较好的效果。
在本发明的上述技术方案中，在步骤(3)和步骤(4)中，融合空间域和梯度域方差块选取方法，块选取方法由空间域方差和梯度域方差叠加表示，空间域方差和梯度域方差在阈值的选取中有着不同的权值，权值自适应训练获得：
var_nomal(i)＝var_ori(i)/var_max (1)
grad_nomal(i)＝grad_ori(i)/grad_max (2)
α·var_nomal(i)+β·grad_nomal(i)>threshold value(3)
在本发明的上述方案中，在步骤(5)中选用的是基于二阶通道注意力机制的VGG分类网络，并再设定的QF上进行质量估计，依次为5、10、20、30。在训练中，输入样本块的尺寸为128×128，网络中卷积层的卷积核大小为3×3，卷积步长为1个像素，并填充1个像素，使得样本块卷积前后的空间分辨率保持不变。每经过两层卷积后进行池化操作，总共包含4个最大池化层，每个池化层在2×2的窗口上执行，步长为2。卷积层之后是两个完全连接层，每层包含1024个信道，最后一层是Soft-max层。通道注意力(Channel-attention,CA)机制是能够分配特征信息的机制，是一种将现有可用资源朝着最大信息量方向进行分配机制。这是对输入的特征进行加权，通过学习自适应权重，使得包含重要信息的特征分配较大的权重因子。二阶通道注意力机制，则是能获得更好的特征表达和特征相关性学习。完全连接层将权重矩阵与输入向量相乘再加上偏置，目的是将特征向量映射为实数值，Soft-max层将全连接层的输出映射为实数概率，同时保证所有类别的实数概率之和为1。
根据本发明的上述方法可以编制执行上述一种用于执行权利要求1至3所述的一种针对JPEG图像压缩质量因子的检测方法。
附图说明
图1为本发明所提的一种针对JPEG图像压缩质量因子的检测方法框图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，有必要指出的是，以下的实施例只用于对本发明做进一步的说明，不能理解为对本发明保护范围的限制，所属领域技术熟悉人员根据上述发明内容，对本发明做出一些非本质的改进和调整进行具体实施，应仍属于本发明的保护范围。
本发明所提出的针对JPEG图像压缩质量因子的检测方法，与对比检测方法相比较的过程如下：
1、预先训练好检测分类网络，待检测的压缩质量因子QF设定为5，10，20，30，对常用测试库图像进行压缩编解码，记录压缩图像库对应的的压缩质量因子(QF)；
2、待检测的压缩图像对象为常用测试库，它们的名称和测试数量为：DIV2K测试集中的100张图像，BSD500中的200张图像；
3、设置好本发明方法及其它方法相关参数的设定和调试；
4、利用对比检测方法对测试库图像进行压缩质量因子(QF)检测；(对比检测算法参看文献Galteri L,Seidenari L,Bertini M,et al.Deep Universal GenerativeAdversarial Compression Artifact Removal[J].IEEE Transactions on Multimedia,2019,21(8):2131-2145.)
5、利用本发明方法对对测试库图像进行压缩质量因子(QF)检测；
6、结果如表1和表2所示，从表1中可以看出在设定的压缩质量因子QF中，对于不同的QF值，本发明方法都能够实现较高的检测准确率。同时，从表2中可以看出本发明方法得到的质量因子检测准确性优于对比检测方法。
表1.本发明方法检测值与实际值结果比较
表2.本发明方法与对比检测方法的方法准确率结果比较
| 带检测图像QF | 5 | 10 | 20 | 30 |
| 本发明方法准确率 | 99.5％ | 99.6％ | 99.4％ | 99.0％ |
| 对比检测方法准确率 | 97.5％ | 92.6％ | 99.4％ | 97.7％ |
Claims (2)
1.一种针对JPEG图像压缩质量因子的检测方法，其特征在于：
(1)输入待检测压缩图像，采用融合空间域和梯度域的方法，即充分考虑图像的纹理特性，对取样后的图像块进行空间域方差的计算，随后将取样后图像块转换到梯度域，计算其梯度域方差，空间域和梯度域联合叠加表示；
(2)根据设定的检测阈值，对所提取出的图像块进行检测前的阈值选择，采用融合空间域和梯度域的方法，选取出待检测压缩图像最具代表性的图像块；
(3)选取后的图像块，输入到基于二阶通道注意力机制的VGG分类网络，对图像块进行所属压缩质量因子的类别判断；
(4)得出图像块所属压缩质量因子不同类别的概率，其中概率最大的类为待检测图像的压缩质量因子。
2.一种针对JPEG图像压缩质量因子的检测装置，用于执行权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057549.6A CN114359417B (zh) | 2020-09-29 | 2020-09-29 | 一种针对jpeg图像压缩质量因子的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057549.6A CN114359417B (zh) | 2020-09-29 | 2020-09-29 | 一种针对jpeg图像压缩质量因子的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114359417A CN114359417A (zh) | 2022-04-15 |
| CN114359417B true CN114359417B (zh) | 2024-02-02 |
Family
ID=81089956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011057549.6A Active CN114359417B (zh) | 2020-09-29 | 2020-09-29 | 一种针对jpeg图像压缩质量因子的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359417B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101989355A (zh) * | 2009-07-31 | 2011-03-23 | 北京邮电大学 | 一种针对jpeg图像二次压缩的检测方法 |
| CN102903100A (zh) * | 2012-09-06 | 2013-01-30 | 宁波大学 | 一种数字照片图像压缩历史的检测方法 |
| CN105430416A (zh) * | 2015-12-04 | 2016-03-23 | 四川大学 | 一种基于自适应稀疏域编码的指纹图像压缩方法 |
| CN108629737A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 一种提高jpeg格式图像空间分辨率的方法 |
-
2020
- 2020-09-29 CN CN202011057549.6A patent/CN114359417B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101989355A (zh) * | 2009-07-31 | 2011-03-23 | 北京邮电大学 | 一种针对jpeg图像二次压缩的检测方法 |
| CN102903100A (zh) * | 2012-09-06 | 2013-01-30 | 宁波大学 | 一种数字照片图像压缩历史的检测方法 |
| CN105430416A (zh) * | 2015-12-04 | 2016-03-23 | 四川大学 | 一种基于自适应稀疏域编码的指纹图像压缩方法 |
| CN108629737A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 一种提高jpeg格式图像空间分辨率的方法 |
Non-Patent Citations (8)
| Title |
|---|
| Xueyang Fu等.Remote Sensing Image Enhancement Using Regularized Histogram Equalization and DCT.《IEEE Geoscience and Remote Sensing Letters》.2015,第12卷(第11期),2301-2305. * |
| 万丰等.基于离散余弦变换的数字图像压缩技术研究.《自动化应用》.2020,(第3期),65-67. * |
| 张军华 ; 吕东辉 ; .基于位置直方图的单次JPEG压缩质量因子检测.上海大学学报(自然科学版).2013,(02),120-125. * |
| 杨薇. 卷积神经网络的FPGA并行结构研究.《数字技术与应用》.2015,(第12期),1. * |
| 王志锋等.数字图像重压缩检测研究综述.《计算机科学》.2018,第45卷(第9期),20-29. * |
| 王新欢等.基于双域学习的JPEG压缩图像去压缩效应算法.《信息技术与网络安全》.2019,第38卷(第12期),42-47+57. * |
| 秦兴等.基于压缩卷积神经网络的图像超分辨率算法.《电子科技》.2019,第33卷(第5期),1-8. * |
| 赵强等. 基于面部结构残差网络的压缩人脸图像复原算法.《南京邮电大学学报(自然科学版)》.2019,第39卷(第4期),39-46. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114359417A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
| CN111626245B (zh) | 一种基于视频关键帧的人体行为识别方法 | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| Shen et al. | Hybrid no-reference natural image quality assessment of noisy, blurry, JPEG2000, and JPEG images | |
| CN110111256B (zh) | 基于残差蒸馏网络的图像超分辨重建方法 | |
| CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
| CN109003265B (zh) | 一种基于贝叶斯压缩感知的无参考图像质量客观评价方法 | |
| CN111402237B (zh) | 基于时空级联自编码器的视频图像异常检测方法及系统 | |
| CN103037212B (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
| CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
| CN114881861B (zh) | 基于双采样纹理感知蒸馏学习的不均衡图像超分方法 | |
| CN111369548A (zh) | 一种基于生成对抗网络的无参考视频质量评价方法及装置 | |
| CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
| CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
| CN111524060B (zh) | 一种实时人像背景虚化的系统、方法、存储介质和设备 | |
| CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
| CN118397367A (zh) | 一种基于卷积视觉Mamba的篡改检测方法 | |
| CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
| CN113313682B (zh) | 基于时空多尺度分析的无参考视频质量评价方法 | |
| CN114359417B (zh) | 一种针对jpeg图像压缩质量因子的检测方法 |
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 |