CN114598886A - 一种图像编码的方法、解码的方法及相关装置 - Google Patents
一种图像编码的方法、解码的方法及相关装置 Download PDFInfo
- Publication number
- CN114598886A CN114598886A CN202210496086.6A CN202210496086A CN114598886A CN 114598886 A CN114598886 A CN 114598886A CN 202210496086 A CN202210496086 A CN 202210496086A CN 114598886 A CN114598886 A CN 114598886A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- image signal
- signal
- carrier signal
- 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
-
- 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
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明实施例公开了一种图像编码的方法、解码的方法及相关装置,用于提升端到端压缩方法的性能。本发明实施例方法包括:将待压缩的第一图像输入至载波生成器,得到对应于第一图像的一级低频载波信号,其中,载波生成器包括神经网络,以使得一级低频载波信号的频率范围适应于神经网络的频率学习范围;利用一级低频载波信号对第一图像进行调制,以将第一图像的频率调制至适合所述神经网络学习的频率范围,得到调制后的图像信号;将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;对第二图像信号执行无损编码,以得到编码后的码流。
Description
技术领域
本发明涉及图像处理技术领域,尤其设计一种图像编码的方法、解码的方法及相关装置。
背景技术
图像和视频的压缩对于高效的数据存储和传输是十分重要的。传统的图像压缩方法,如JPEG、JPEG2000和BPG等技术被广泛应用。传统的压缩方法均采用:分块-变换-量化-编码的压缩框架,其性能依赖各个分立模块,在优化时均是单个模块独立优化,故整体性能难以达到最优。
随着深度学习的发展,越来越多工作聚焦于基于卷积神经网络的端到端的图像压缩技术。端到端的图像压缩可以对编码系统整体优化,克服了传统编码方法独立优化的问题,目前端到端的方法在性能上已经超越了传统的方法。
然而,目前的卷积神经网络在对图像进行压缩时,至少具有以下的缺陷:
卷积神经网络在对图像进行压缩时,会优先学习图像的低频信息,该现象被称为谱偏差,从而导致卷积神经网络很难提取到图像的高频特征,进而导致图像中的高频特征无法被压缩,从而限制了端到端压缩方法的性能。
发明内容
本发明实施例提供了一种图像编码的方法、解码的方法及相关装置,用于将待压缩的第一图像信号调制至低频范围后再进行压缩,从而使得待压缩的第一图像信号中的低频信号和高频信号都能够被压缩,从而提升了端到端压缩方法的性能。
本申请实施例第一方面提供了一种图像编码的方法,包括:
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
对所述第二图像信号执行无损编码,以得到编码后的码流。
优选的,所述载波生成器还包括约束函数和周期函数;
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,包括:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
优选的,所述根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号,包括:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
优选的,在得到一级压缩后的第二图像信号之后,对所述第二图像信号执行无损编码之前,所述方法还包括:
判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
所述对所述第二图像信号执行无损编码,以得到编码后的码流,包括:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
优选的,在对调制后的图像信号的图像特征进行特征压缩之后,所述方法还包括:
将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
本申请实施例第二方面提供了一种图像解码的方法,包括:
获取编码后的码流;
将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
优选的,所述载波生成器还包括约束函数和周期函数;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,包括:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述对应于第四图像信号的一级载波信号。
优选的,所述根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号,包括:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
优选的,在得到解调后的第五图像信号之后,所述方法还包括:
判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
本申请实施例第三方面提供了一种图像编码装置,包括:
低频载波信号生成单元,用于将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
调制单元,用于利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
下采样单元,用于将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
无损编码单元,用于对所述第二图像信号执行无损编码,以得到编码后的码流。
优选的,所述载波生成器还包括约束函数和周期函数;
所述低频载波信号生成单元具体用于:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
优选的,所述低频载波信号生成单元具体用于:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
优选的,所述图像编码装置还包括:
判断单元,用于在得到一级压缩后的第二图像信号之后,判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
所述无损编码单元,具体用于:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
优选的,所述图像编码装置还包括:
取整单元,用于在对调制后的图像信号的图像特征进行特征压缩之后,将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
本申请实施例第四方面提供了一种图像解码装置,包括:
获取单元,用于获取编码后的码流;
无损解码单元,用于将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
上采样单元,用于将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
载波信号生成单元,用于将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
解调单元,用于利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
优选的,所述载波生成器还包括约束函数和周期函数;
所述载波信号生成单元具体用于:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号。
优选的,所述载波信号生成单元具体用于:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
优选的,所述图像解码装置还包括:
判断单元,用于判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
本申请实施例第五方面提供了一种计算机装置,包括处理器,该处理器在执行存储于存储器上的计算机程序时,用于实现本申请实施例第一方面提供的图像编码的方法,或本申请实施例第二方面提供的图像解码的方法。
本申请实施例第六方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,用于实现本申请实施例第一方面提供的图像编码的方法,或本申请实施例第二方面提供的图像解码的方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本申请实施例中,将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至所述一级低频载波信号的频率范围,从而得到调制后的图像信号;对调制后的图像信号执行下采样,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;对所述第二图像信号执行无损编码,以得到编码后的码流。
因为本申请实施例中的一级低频载波信号为神经网络学习到的待压缩的第一图像的图像信号,而神经网络一般优先学习图像的低频信号,故第一低频载波信号的频率范围为适应于神经网络的频率学习范围的低频信号,进一步利用一级低频载波信号对第一图像进行调制,使得将第一图像信号的频率范围调制至适合神经网络学习的频率范围,再利用下卷积神经网络对调制后的图像信号进行压缩,从而使得第一图像信号中的低频信息和高频信息都可以被压缩,从而提升了端到端压缩方法的性能。
附图说明
图1为本申请实施例中图像编码方法的一个实施例示意图;
图2为本申请实施例中图1实施例中步骤101的细化步骤;
图3为本申请实施例中图2实施例中步骤202的细化步骤;
图4为本申请实施例中图3实施例的过程示意图;
图5为本申请实施例中图像编码方法的另一个实施例示意图;
图6为本申请实施例中图像解码方法的一个实施例示意图;
图7为本申请实施例中图6实施例中步骤604的细化步骤;
图8为图7实施例中步骤702的细化步骤;
图9为本申请实施例中图像解码方法的另一个实施例示意图;
图10为对待压缩的第一图像执行编码和解码的过程示意图;
图11为本申请实施例中图像编码装置的一个实施例示意图;
图12为本申请实施例中图像解码装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种图像编码的方法、解码的方法及相关装置,用于将待压缩的第一图像信号调制至适合神经网络学习的频率范围后,再利用下卷积神经网络进行压缩,从而使得待压缩的第一图像信号中的低频信号和高频信号都能够被压缩,从而提升了端到端压缩方法的性能。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够在图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有明确的列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
基于现有技术中端到端的压缩方法中,卷积神经网络在对图像进行压缩的过程中,优先学习图像的低频信息,而导致图像中的高频信息无法被高效压缩的问题,本申请实施例提出了一种图像编码的方法、解码的方法及相关装置,用于将待压缩的第一图像信号调制至低频范围后再进行压缩,从而使得待压缩的第一图像信号中的低频信号和高频信号都能够被高效压缩,从而提升了端到端压缩方法的性能。
为方便理解,下面本申请实施例中的图像压缩方法进行描述,请参阅图1,本申请实施例中图像压缩方法的一个实施例,包括:
101、将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
为了改善现有技术中卷积神经网络无法学习到图像的高频信息,从而导致图像中的高频信息无法被压缩的问题,本申请将待压缩的第一图像输入至载波生成器中,以得到对应于第一图像的一级低频载波信号,其中,载波生成器包括神经网络,以使得一级低频载波信号的频率范围适应于神经网络的频率学习范围,为描述方便,假设待压缩的第一图像信号为x,一级低频载波信号为C(x)。
因为神经网络在学习图像的信息时,会优先学习图像的低频信息,故本申请实施例将第一图像输入至神经网络中,即可得到对应于第一图像的一级低频载波信号,其中,一级低频载波信号的频率范围适应于神经网络的频率学习范围,也即一级低频载波信号的频率范围为神经网络优先学习到的图像信息的低频信息范围。
需要说明的是,本申请中的神经网络可以是卷积神经网络、递归循环神经网络、感知机、生成对抗网络中的任意一种,此处对神经网络的类型不做具体限制。
至于本申请中将第一图像输入至载波生成器,以得到一级低频载波信号的过程,将在下面的实施例中详细描述,此处不再赘述。
102、利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
得到一级低频载波信号后,为了改善现有技术中卷积神经网络无法学习到图像的
高频信息的问题,本申请利用一级低频载波信号对第一图像进行调制,以将第一图像的频
率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号,假设调制信号
为f(x),则。
具体的,调制是将信号源的信息(待压缩的第一图像)加载到载波(一级低频载波信号)上,使得载波信号随信号源而改变的技术,从而将调制信号(也即信号源信息,待压缩的第一图像信息)的频谱搬移至希望的频率范围(如本申请中是搬移至适合神经网络学习的频率范围),从而得到调制后的图像信息(也即已调图像信号)。
需要说明的是,因为本申请实施例中的一级低频载波信号为待压缩的第一图像信号经过神经网络学习后所生成的低频载波信号,且一级低频载波信号在生成的过程中,不仅可以学习到第一图像的幅值,还可以学习到第一图形频率和相位(具体对生成一级低频载波信号的生成过程将在下面的实施例中描述),故在利用一级低频载波信号对第一图像进行调制时,不仅可以实现对第一图像的调频、还可以实现对第一图像的调幅和调相。具体的,在实现对第一图像调频、调幅和调相的过程中,可以通过多种调制方式对第一图像进行调制,如正交调制、连续调制或脉冲调制等,此处不作具体限制。
进一步,利用一级低频载波信号对第一图像进行调制的过程,在现有技术中都有详细描述,此处不再赘述。
103、将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
利用一级低频载波信号将第一图像的频率范围调制至适合神经网络学习的频率
范围后,为了对调制后的图像信号进行压缩,可以将调制后的图像信号输入至下采样卷积
神经网络,其中,下采样的方式可以是池化、滤波等方式,且下采样的倍数可以为2、4、6等整
数倍,此处对下采样的倍数不做具体限制,为描述方便,假设下采样卷积神经网络对应的函
数为,则利用对调整后的图像信号f(x)进行特征压缩的过程如下所述:。
对调制后的图像信号的图像特征进行特征压缩后,即可得到一级压缩后的第二图像信号。
104、对所述第二图像信号执行无损编码,以得到编码后的码流。
得到第二图像信号后,对第二图像信号执行无损编码,以得到编码后的码流,其中,无损编码为熵编码技术,具体的熵编码技术可以是哈夫曼编码、算数编码或区顶顶间编码等,此处对熵编码的方式不做具体限制。
本申请实施例中,将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至所述一级低频载波信号的频率范围,从而得到调制后的图像信号;对调制后的图像信号执行下采样,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;对所述第二图像信号执行无损编码,以得到编码后的码流。
因为本申请实施例中的一级低频载波信号为神经网络学习到的待压缩的第一图像的图像信号,而神经网络一般优先学习图像的低频信号,故第一低频载波信号的频率范围为适应于神经网络的频率学习范围的低频信号,进一步利用一级低频载波信号对第一图像进行调制,使得将第一图像信号的频率范围调制至适合神经网络学习的频率范围,再利用下卷积神经网络对调制后的图像信号进行压缩,从而使得第一图像信号中的低频信息和高频信息都可以被压缩,从而提升了端到端压缩方法的性能。
基于图1所述的实施例,下面接着对图1中的步骤进行详细描述,请参阅图2,图2为图1实施例中步骤101的细化步骤:
201、将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
因为本申请实施例中的载波生成器为神经网络,故将待压缩的第一图像输入至神经网络后,可以得到与第一图像对应的一级低频载波信号的幅值、频率和相位,假设一级低频载波信号的幅值、频率和相位分别为A(x)、ω(x) 和ϕ(x)。
具体的,神经网络的本质为一个拟合函数,故将第一图像输入至神经网络的过程,也即利用拟合函数对第一图像的图像信号进行拟合的过程,且拟合完成后,即可得到与第一图像对应的拟合信号的幅值、频率和相位,其中,与第一图像对应的拟合信号,即为本申请实施例中的一级低频载波信号。
202、根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
进一步,本申请实施例中的载波生成器还包括约束函数和周期函数,其中,约束函数为乙状函数,其形状曲线至少具有二个焦点,也称之为二焦点曲线函数,具体的乙状函数可以为逻辑函数、反正切函数、古德曼函数或误差函数等,此处对乙状函数的具体形态不做限制。
此外,本申请实施例中的周期函数,优选的为三角周期函数,如正弦函数、余弦函数或正切函数等,此处对周期函数的形态也不做具体限制。
得到一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,即可根据一级低频载波信号的幅值、频率、相位,以及约束函数和周期函数,得到一级低频载波信号。
下面对得到一级低频载波信号的过程做详细描述,请参阅图3,图3为图2实施例中步骤202的细化步骤:
301、将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至所述周期函数的单周期区间内;
为了对一级低频载波信号进行后期处理,需要将一级低频载波信号的相位ϕ(x)输入至所述约束函数,以将所述一级低频载波信号的相位ϕ(x)约束至所述周期函数的单周期区间内。
302、利用积分单元对所述一级低频载波信号的频率进行积分;
为了将一级低频载波信号的频率与一级低频载波信号的相位做累加,而因为频率量纲与相位量纲的不同,故本申请实施例利用积分单元对一级低频载波信号进行积分,此处的积分单元可以为二维的网格信号,假设积分单元为u。
303、将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
完成对一级低频载波信号的频率的积分后,将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,即可得到一级低频载波信号的角度,然后执行步骤304。
304、将所述一级低频载波信号的角度输入至所述周期函数;
将一级低频载波信号的角度输入至所述周期函数,以进一步根据输入所述角度的周期函数执行步骤305。
305、将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
为了更容易理解图3所述的过程,图4以图表的形式给出了图3实施例的过程,其中,图4中各个步骤的描述与图3实施例中描述的类似,此处不再赘述。
本申请实施例中,对将待压缩的第一图像信息输入至载波生成器,以得到一级低频载波信号的过程做了详细描述,从而提升了生成一级低频载波信号过程的可靠性。
基于图1至图3所述的实施例,在得到一级压缩后的第二图像信号之后,还可以执行以下步骤,请参阅图5,图5为本申请实施例中图像压缩方法的另一个实施例:
501、判断第二图像信号是否为达到目标压缩比率,若否,则重复执行步骤502至504,直至最终得到的压缩图像信号达到所述目标压缩比率;
本申请实施例中,在得到压缩后的第二图像信号以后,判断第二图像信号是否达到目标压缩比率,若否,则重复执行步骤502至步骤504,直至最终得到的压缩图像信号达到所述目标压缩比率,若是,则结束流程。
具体的,假设目标压缩比率为将256k*256k的图像,压缩至16k*16k的图像,而第二图像信号为128k*128k的图像,则需要对第二图像重复执行步骤502-504,直至最终得到的压缩图像信号达到目标压缩比率,也即最终得到的压缩图像为16k*16k的图像。
502、将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
具体的,假设得到第二图像信号后,第二图像没有达到目标压缩比率,则将第二图像信号(N=2)输入至神经网络,以得到对应于第二图像信号的二级低频载波信号。
503、利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
利用二级低频载波信号(N=2)对第二图像信号进行调制,以将第二图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到二次调制后的图像信号。
具体的,本申请实施例中的调制过程,与图1实施例中步骤102的描述类似,此处不再赘述。
504、将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
将二次调制后的(N=2)图像信号输入至所述下采样卷积神经网络,以对二次调制后的图像信号的图像特征再次进行压缩,以得到二级压缩后的第三图像信号。
若得到的第三图像信号达到目标压缩比率,则停止执行步骤502至504,若第三图像信号仍然达不到目标压缩比率,则重复执行步骤502至504,直至最终得到的压缩图像信号达到目标压缩比率为止。
本申请实施例中,对待压缩的第一图像执行多级压缩的步骤做了详细描述,提升了本申请实施例中对第一图像的压缩率。
基于图1至图5所述的实施例,在对调制后的图像信号的图像特征进行特征压缩以后,对图像信号执行无损编码之前,还可以对调制后的图像信号的压缩特征输入至取整函数,以将调制后的图像信号的压缩特征由浮点数进一步压缩为整数,以提升后期无损编码过程运算的便捷性。
需要说明的是,若对第一图像执行了一次调制和一次压缩,则是将一次调制和一次压缩后的图像信号的压缩特征输入至取整函数,若是对第一图像执行了多次调制和多次压缩,则是将多次调制和多次压缩后的图像信号的压缩特征输入至取整函数,以将调制后的图像信号的压缩特征由浮点数进一步压缩为整数。
上面对本申请实施例中的图像编码方法做了详细描述,下面接着对本申请实施例中的图像解码方法进行描述,请参阅图6,图6为本申请实施例中图像解码方法的一个实施例示意图:
601、获取编码后的码流;
对应于图1至图5所述的编码方法,编码端完成对图像的编码,生成编码后的码流后,解码端则可以对应获取到编码后的码流。
602、将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
对应于编码方法的无损编码过程,解码端则对编码后的码流执行无损解码,以得到无损解压后的第三图像信号。
具体的,若编码端的无损编码为熵编码,则解码端的无损解码为熵解码。为描述方便,假设无损解码后的第三图像信号为y。
603、将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
对应于编码方法的下采样过程,在解码的过程中,则需要对第三图像信号执行上采样,故本申请实施例将第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号。
具体的,上采样卷积神经网络中的上采样过程可以是采用最近邻插值、双线性插
值或子像素层技术等,此处对上采样的方法不做具体限制。假设上采样过程表示为,则
将第三图像信号执行上采样,得到第四图像信号的过程可以表示为: z =;其中,z为
第四图像信号。
604、将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
对应于编码端的调制过程,解码端则需要对第四图像信号进行解调,具体的解调过程为:将第四图像信号输入至载波生成器中,以得到对应于第四图像信号的一级载波信号,其中,载波生成器包括神经网络,以使得一级载波信号的频率适应于所述神经网络的频率学习范围。
其中,一级载波信号的生成过程将在下面的实施例中详细描述,此处不再赘述。
具体的,为描述方便,假设将第四图像信号z输入至载波生成器,得到对应第四图像信号的一级载波信号为C(z)。
605、利用所述一级载波信号对所述第四图像进行解调,以得到解调后的第五图像信号。
本申请实施例中对将解码端获取到的码流执行解压解调后,得到第五图像信号的过程做了详细描述,提升了解码端解压解调过程的可靠性。
基于图6所述的实施例,下面对步骤604做详细描述,请参阅图7,图7为图6实施例中步骤604的细化步骤:
701、将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
因为本申请实施例中的载波生成器为神经网络,故将第四图像信号输入至神经网络后,可以得到与第四图像信号对应的一级载波信号的幅值、频率和相位,假设一级载波信号的幅值、频率和相位分别为A(z)、ω(z) 和ϕ(z)。
具体的,神经网络的本质为一个拟合函数,故将第四图像信号输入至神经网络的过程,也即利用拟合函数对第四图像的图像信号进行拟合的过程,且拟合完成后,即可得到与第四图像对应的拟合信号的幅值A(z)、频率ω(z)和相位ϕ(z),其中,与第四图像对应的拟合信号,即为本申请实施例中的一级载波信号。
702、根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述第四图像的一级载波信号。
进一步,本申请实施例中的载波生成器还包括约束函数和周期函数,其中,约束函数为乙状函数,其形状曲线至少具有二个焦点,也称之为二焦点曲线函数,具体的乙状函数可以为逻辑函数、反正切函数、古德曼函数或误差函数等,此处对乙状函数的具体形态不做限制。
此外,本申请实施例中的周期函数,优选的为三角周期函数,如正弦函数、余弦函数或正切函数等,此处对周期函数的形态也不做具体限制。
得到一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,即可根据一级载波信号的幅值、频率、相位,以及约束函数和周期函数,得到一级低频载波信号。
下面对得到一级载波信号的过程做详细描述,请参阅图8,图8为图7实施例中步骤702的细化步骤:
801、将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至所述周期函数的单周期区间内;
802、利用积分单元对所述一级载波信号的频率进行积分;
为方便描述,此处同样假设积分单元为u。
803、将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
804、将所述一级载波信号的角度输入至所述周期函数;
805、将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
具体的,本申请中得到一级载波信号的过程与图3实施例中生成一级低频载波信
号的过程类似,只是本申请图8实施例是用于生成一级载波信号,而图3实施例是用于生成
一级低频载波信号,假设周期函数也为余弦函数,而一级载波信号的幅值、频率和相位分别
为A(z)、ω(z) 和ϕ(z),则一级载波信号最终可以表示为。
本神实施例对生成一级载波信号的过程做了详细描述,提升了生成一级载波信号过程的可靠性。
基于图6至图8所述的实施例,在得到解调后的第五图像信号之后,还可以执行以下步骤,请参阅图9,图9为本申请实施例中图像解码方法的另一个实施例:
901、判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行步骤902至904,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
容易理解的是,在编码的过程中,若对第一图像执行了多级压缩,则在解码端,需要对第五图像执行多级解压。
故解码端在得到第五图像信号后,进一步判断第五图像信号是否为目标解压图像信号,若否,则重复执行步骤902至904,直至得到目标解压图像信号,若是,则结束流程。
具体的,如假设目标解压图像信息信号为256k*256k,而第五图像信号为128k*128k,则第五图像信号不为目标解压图像信号,则重复执行步骤902至904,直至得到256k*256k的目标解压图像信息。
902、将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
对应于编码端的多级调制和多级压缩过程,在解码端则进行多级解压和多级解调过程,为便于说明,假设N=5,且第五图像信号不是目标解压图像信号,则将第五图像信号输入至上采样卷积神经网络,以得到解压后的第六图像信号。
其中,将第五图像信号输入至上采样卷积神经网络,以得到解压后的第六图像信号的过程与图6实施例中步骤603的描述类似,此处不再赘述。
903、将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
为便于理解,沿用步骤902中的第六图像,得到第六图像信号后,继而对第六图像信号进行解调,具体的解调过程是:将第六图像信号输入至神经网络,得到对应于第六图像信号的二级载波信号。
为方便理解,下面对Nx-am级载波信号进行说明,因为Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列,故假设N=5时,则对应的Nx-am中的Nx为5,而am为3,则Nx-am为5-3=2;若N=7,则对应的Nx-am中的Nx为7,而am为4,则Nx-am为7-4=3;若N=9,则对应的Nx-am中的Nx为9,而am为5,则Nx-am为9-5=4,以此类推,此处不再赘述。
904、利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
为便于理解,沿用步骤903中的二级载波信号,利用二级载波信号对第六图像信号进行解调,即可得到二次解调后的第七图像信号。
为便于理解,下面接着对N=7时,执行步骤902至904的过程进行描述:将第七图像信号输入至上采样卷积神经网络,以得到解压后的第八图像信号,将第八图像信号输入至神经网络,以得到对应于所述第八图像信号的三级载波信号,利用三级载波信号对第八图像信号进行解调,即可得到三次解调后的第九图像信号,直至最终解调后的图像信号为目标解压图像信号为止。
本申请实施例中,对第五图像信号执行多级解压解调的过程做了详细描述,提升了对第五图像信号执行多级解压解调过程的可靠性。
为便于理解,图10以图表的形式给出了对待压缩的第一图像执行图像编码及图像解码过程的示意图,为描述方便,图10中为MCU代表一次调制压缩,而DDU代表一次解调解压。其中,图10中各个过程的描述与图1至图9实施例中描述的类似,此处不再赘述。
上面对本申请实施例的图像编码的方法及解码的方法做了描述,下面接着对本申请实施例中的图像编码装置进行描述,请参阅图11,本申请实施例中图像编码装置的一个实施例,包括:
低频载波信号生成单元1101,用于将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
调制单元1102,用于利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
下采样单元1103,将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
无损编码单元1104,用于对所述第二图像信号执行无损编码,以得到编码后的码流。
优选的,载波生成器还包括约束函数和周期函数;
所述低频载波信号生成单元1101具体用于:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
优选的,所述低频载波信号生成单元1101具体用于:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
优选的,所述图像编码装置还包括:
判断单元1105,用于在得到一级压缩后的第二图像信号之后,判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
所述无损编码单元1104,具体用于:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
优选的,所述图像编码装置还包括:
取整单元1106,用于在对调制后的图像信号的图像特征进行特征压缩之后,对图像信号执行无损编码之前,将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
需要说明的是,本申请实施例中各单元的作用与图1至图5实施例中描述的类似,此处不再赘述。
因为本申请实施例中的一级低频载波信号为低频载波信号生成单元1101通过神经网络学习到的待压缩的第一图像的图像信号,而神经网络一般优先学习图像的低频信号,故第一低频载波信号的频率范围为适应于神经网络的频率学习范围的低频信号,进一步通过调制单元1102利用一级低频载波信号对第一图像进行调制,使得将第一图像信号的频率范围调制至适合所述神经网络学习的频率范围,再利用下采样单元1103将调制后的图像信号输入至下采样卷积神经网络进行压缩,从而使得第一图像信号中的低频信息和高频信息都可以被压缩,从而提升了端到端压缩方法的性能。
下面接着对本申请实施例中的图像解码装置进行描述,请参阅图12,本申请实施例中图像解码装置的一个实施例,包括:
获取单元1201,用于获取编码后的码流;
无损解码单元1202,用于将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
上采样单元1203,用于将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
载波信号生成单元1204,用于将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
解调单元1205,用于利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
优选的,所述载波生成器还包括约束函数和周期函数;
所述载波信号生成单元1204具体用于:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号。
优选的,所述载波信号生成单元1204具体用于:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
优选的,所述图像解码装置还包括:
判断单元1206,用于判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
需要说明的是,本申请实施例中各单元的作用与图6至图9实施例中描述的类似,此处不再赘述。
本申请实施例中对获取单元1201获取到的码流执行解压解调后,得到第五图像信号以及得到目标解压图像信号的过程做了详细描述,提升了解码端解压解调过程的可靠性。
上面从模块化功能实体的角度对本发明实施例中的图像编码装置及图像解码装置进行了描述,下面从硬件处理的角度对本发明实施例中的计算机装置进行描述:
该计算机装置用于实现图像编码装置的功能,本发明实施例中计算机装置一个实施例包括:
处理器以及存储器;
存储器用于存储计算机程序,处理器用于执行存储器中存储的计算机程序时,可以实现如下步骤:
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
对所述第二图像信号执行无损编码,以得到编码后的码流。
在本发明的一些实施例中,所述载波生成器还包括约束函数和周期函数,
处理器,还可以用于实现如下步骤:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
所述对所述第二图像信号执行无损编码,以得到编码后的码流,包括:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
在本发明的一些实施例中,在对调制后的图像信号的图像特征进行特征压缩之后,对图像信号执行无损编码之前,处理器,还可以用于实现如下步骤:
将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
该计算机装置还可以用于实现图像解码装置的功能,本发明实施例中计算机装置一个实施例包括:
处理器以及存储器;
存储器用于存储计算机程序,处理器用于执行存储器中存储的计算机程序时,可以实现如下步骤:
获取编码后的码流;
将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
在本发明的一些实施例中,所述载波生成器还包括约束函数和周期函数,
处理器,还可以用于实现如下步骤:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号。
在本发明的一些实施例中,处理器,还可以用于实现如下步骤:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
在本发明的一些实施例中,在得到解调后的第五图像信号之后,处理器,还可以用于实现如下步骤:
判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
可以理解的是,无论是图像编码装置一侧,还是图像解码装置一侧,上述说明的计算机装置中的处理器执行所述计算机程序时,也可以实现上述对应的各装置实施例中各单元的功能,此处不再赘述。示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述图像编码装置/图像解码装置中的执行过程。例如,所述计算机程序可以被分割成上述图像编码装置中的各单元,各单元可以实现如上述相应图像编码装置说明的具体功能。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可包括但不仅限于处理器、存储器。本领域技术人员可以理解,处理器、存储器仅仅是计算机装置的示例,并不构成对计算机装置的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质用于实现图像编码装置一侧的功能,其上存储有计算机程序,计算机程序被处理器执行时,处理器,可以用于执行如下步骤:
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
利用所述一级低频载波信号对所述第一图像进行调制,以将所述第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
对所述第二图像信号执行无损编码,以得到编码后的码流。
在本发明的一些实施例中,所述载波生成器还包括约束函数和周期函数,
计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将所述第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对所述N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
在本发明的一些实施例中,在对调制后的图像信号的图像特征进行特征压缩之后,对图像信号执行无损编码之前,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
本发明还提供了另一种计算机可读存储介质,该计算机可读存储介质用于实现图像解码装置一侧的功能,其上存储有计算机程序,计算机程序被处理器执行时,处理器,可以用于执行如下步骤:
获取编码后的码流;
将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
在本发明的一些实施例中,所述载波生成器还包括约束函数和周期函数,
计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至所述周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
在本发明的一些实施例中,在得到解调后的第五图像信号之后,计算机可读存储介质存储的计算机程序被处理器执行时,处理器,可以具体用于执行如下步骤:
判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
可以理解的是,所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在相应的一个计算机可读取存储介质中。基于这样的理解,本发明实现上述相应的实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种图像编码的方法,其特征在于,包括:
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
利用所述一级低频载波信号对所述第一图像进行调制,以将第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
对所述第二图像信号执行无损编码,以得到编码后的码流。
2.根据权利要求1所述的方法,其特征在于,所述载波生成器还包括约束函数和周期函数;
将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,包括:
将所述第一图像输入至所述神经网络,以得到与所述第一图像对应的一级低频载波信号的幅值、频率和相位;
根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号。
3.根据权利要求2所述的方法,其特征在于,所述根据所述一级低频载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到所述一级低频载波信号,包括:
将所述一级低频载波信号的相位输入至所述约束函数,以将所述一级低频载波信号的相位约束至周期函数的单周期区间内;
利用积分单元对所述一级低频载波信号的频率进行积分;
将积分后的一级低频载波信号的频率和所述一级低频载波信号的相位累加,以得到一级低频载波信号的角度;
将所述一级低频载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级低频载波信号的幅值相乘,以得到所述一级低频载波信号。
4.根据权利要求1所述的方法,其特征在于,在得到一级压缩后的第二图像信号之后,对所述第二图像信号执行无损编码之前,所述方法还包括:
判断所述第二图像信号是否达到目标压缩比率,若否,则重复执行第一步骤,直至最终得到的压缩图像信号达到所述目标压缩比率;
所述第一步骤包括:
将第N图像信号输入至所述神经网络中,以得到对应于所述第N图像信号的N级低频载波信号;
利用所述N级低频载波信号对所述第N图像信号进行调制,以将第N图像信号的频率调制至适合所述神经网络学习的频率范围,从而得到N次调制后的图像信号;
将所述N次调制后的图像信号输入至所述下采样卷积神经网络,以对N次调制后的图像信号的图像特征进行压缩,以得到N级压缩后的第N+1图像信号,其中,所述N为大于1的整数;
所述对所述第二图像信号执行无损编码,以得到编码后的码流,包括:
对达到所述目标压缩比率的压缩图像信号执行无损编码,以得到编码后的码流。
5.根据权利要求1至4中任一项所述的方法,其特征在于,在对调制后的图像信号的图像特征进行特征压缩之后,所述方法还包括:
将压缩特征输入至取整函数,以将所述压缩特征由浮点数压缩为整数。
6.一种图像解码的方法,其特征在于,包括:
获取编码后的码流;
将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
7.根据权利要求6所述的方法,其特征在于,所述载波生成器还包括约束函数和周期函数;
将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,包括:
将所述第四图像信号输入至所述神经网络,以得到所述一级载波信号的幅值、频率和相位;
根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号。
8.根据权利要求7所述的方法,其特征在于,所述根据所述一级载波信号的幅值、频率和相位,以及所述约束函数和周期函数,得到对应于所述第四图像信号的一级载波信号,包括:
将所述一级载波信号的相位输入至所述约束函数,以将所述一级载波信号的相位约束至周期函数的单周期区间内;
利用积分单元对所述一级载波信号的频率进行积分;
将积分后的一级载波信号的频率和所述一级载波信号的相位累加,以得到一级载波信号的角度;
将所述一级载波信号的角度输入至所述周期函数;
将输入所述角度的周期函数与所述一级载波信号的幅值相乘,以得到所述一级载波信号。
9.根据权利要求6所述的方法,其特征在于,在得到解调后的第五图像信号之后,所述方法还包括:
判断所述第五图像信号是否为目标解压图像信号,若否,则重复执行第二步骤,直至得到所述目标解压图像信号,其中,所述目标解压图像信号为压缩前的原始图像信号;
所述第二步骤包括:
将第N图像信号输入至所述上采样卷积神经网络,以得到解压后的第N+1图像信号,其中,N为大于等于5的奇数;
将所述第N+1图像信号输入至所述神经网络,以得到对应于所述第N+1图像信号的Nx-am级载波信号,其中,Nx为首项为5的奇数数列,am为首项为3,公差为1的等差数列;
利用所述Nx-am级载波信号对所述第N+1图像信号进行解调,以得到Nx-am次解调后的第N+2图像信号。
10.一种图像编码的装置,其特征在于,包括:
低频载波信号生成单元,用于将待压缩的第一图像输入至载波生成器中,以得到对应于所述第一图像的一级低频载波信号,其中,所述载波生成器包括神经网络,以使得所述一级低频载波信号的频率范围适应于所述神经网络的频率学习范围;
调制单元,用于利用所述一级低频载波信号对所述第一图像进行调制,以将第一图像的频率调制至适合所述神经网络学习的频率范围,从而得到调制后的图像信号;
下采样单元,用于将调制后的图像信号输入至下采样卷积神经网络,以对调制后的图像信号的图像特征进行特征压缩,得到一级压缩后的第二图像信号;
无损编码单元,用于对所述第二图像信号执行无损编码,以得到编码后的码流。
11.一种图像解码的装置,其特征在于,包括:
获取单元,用于获取编码后的码流;
无损解码单元,用于将所述编码后的码流执行无损解码,以得到无损解压后的第三图像信号;
上采样单元,用于将所述第三图像信号输入至上采样卷积神经网络,以得到解压后的第四图像信号;
载波信号生成单元,用于将所述第四图像信号输入至载波生成器中,以得到对应于所述第四图像信号的一级载波信号,其中,所述载波生成器包括神经网络,以使得所述一级载波信号的频率适应于所述神经网络的频率学习范围;
解调单元,用于利用所述一级载波信号对所述第四图像信号进行解调,以得到解调后的第五图像信号。
12.一种计算机装置,包括处理器,其特征在于,所述处理器在执行存储于存储器上的计算机程序时,用于实现如权利要求1至5中任一项所述的图像编码的方法,或如权利要求6至9中任一项所述的图像解码的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,用于实现如权利要求1至5中任一项所述的图像编码的方法,或如权利要求6至9中任一项所述的图像解码的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496086.6A CN114598886B (zh) | 2022-05-09 | 2022-05-09 | 一种图像编码的方法、解码的方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496086.6A CN114598886B (zh) | 2022-05-09 | 2022-05-09 | 一种图像编码的方法、解码的方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114598886A true CN114598886A (zh) | 2022-06-07 |
CN114598886B CN114598886B (zh) | 2022-09-13 |
Family
ID=81820826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210496086.6A Active CN114598886B (zh) | 2022-05-09 | 2022-05-09 | 一种图像编码的方法、解码的方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114598886B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116347080A (zh) * | 2023-03-27 | 2023-06-27 | 任红梅 | 基于下采样处理的智能算法应用系统及方法 |
CN117614784A (zh) * | 2023-11-15 | 2024-02-27 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026836A (zh) * | 2007-04-06 | 2007-08-29 | 东南大学 | 抗声码器压缩的端到端语音加密装置与方法 |
CN102158701A (zh) * | 2011-04-19 | 2011-08-17 | 湖南大学 | 一种基于压缩感知理论的分类量化图像编码方法 |
US20120014575A1 (en) * | 2010-07-13 | 2012-01-19 | Empire Technology Development Llc | Hybrid 2-D ECG Data Compression Based on Wavelet Transforms |
CN103714822A (zh) * | 2013-12-27 | 2014-04-09 | 广州华多网络科技有限公司 | 基于silk编解码器的子带编解码方法及装置 |
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
US20200267416A1 (en) * | 2017-11-08 | 2020-08-20 | Panasonic Intellectual Property Corporation Of America | Image processor and image processing method |
CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
CN113409407A (zh) * | 2021-05-17 | 2021-09-17 | 海南师范大学 | 一种基于平均压缩获取低频信息的对抗样本防御方法 |
US20210352299A1 (en) * | 2020-04-09 | 2021-11-11 | Jianghong Yu | Image and video data processing method and system |
-
2022
- 2022-05-09 CN CN202210496086.6A patent/CN114598886B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026836A (zh) * | 2007-04-06 | 2007-08-29 | 东南大学 | 抗声码器压缩的端到端语音加密装置与方法 |
US20120014575A1 (en) * | 2010-07-13 | 2012-01-19 | Empire Technology Development Llc | Hybrid 2-D ECG Data Compression Based on Wavelet Transforms |
CN102158701A (zh) * | 2011-04-19 | 2011-08-17 | 湖南大学 | 一种基于压缩感知理论的分类量化图像编码方法 |
CN103714822A (zh) * | 2013-12-27 | 2014-04-09 | 广州华多网络科技有限公司 | 基于silk编解码器的子带编解码方法及装置 |
US20200267416A1 (en) * | 2017-11-08 | 2020-08-20 | Panasonic Intellectual Property Corporation Of America | Image processor and image processing method |
CN109274624A (zh) * | 2018-11-07 | 2019-01-25 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的载波频偏估计方法 |
US20210352299A1 (en) * | 2020-04-09 | 2021-11-11 | Jianghong Yu | Image and video data processing method and system |
CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
CN113409407A (zh) * | 2021-05-17 | 2021-09-17 | 海南师范大学 | 一种基于平均压缩获取低频信息的对抗样本防御方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116347080A (zh) * | 2023-03-27 | 2023-06-27 | 任红梅 | 基于下采样处理的智能算法应用系统及方法 |
CN116347080B (zh) * | 2023-03-27 | 2023-10-31 | 苏州利博特信息科技有限公司 | 基于下采样处理的智能算法应用系统及方法 |
CN117614784A (zh) * | 2023-11-15 | 2024-02-27 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
CN117614784B (zh) * | 2023-11-15 | 2024-06-07 | 浙江恒业电子股份有限公司 | 基于载波的无线通信模块 |
Also Published As
Publication number | Publication date |
---|---|
CN114598886B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114598886B (zh) | 一种图像编码的方法、解码的方法及相关装置 | |
CN101273639B (zh) | 多维数字信号的滤波方法和设备及相关编解码方法和设备 | |
KR0154739B1 (ko) | 프랙탈 영상 압축 장치 및 방법 | |
CN105103549A (zh) | 根据重要系数的参数的重要系数编码和解码 | |
CN103918186B (zh) | 上下文自适应数据编码 | |
CN104838653A (zh) | 使用差分传送进行的无损图像压缩 | |
CN111641826B (zh) | 对数据进行编码、解码的方法、装置与系统 | |
Peter et al. | Evaluating the true potential of diffusion-based inpainting in a compression context | |
CN110913218A (zh) | 一种视频帧预测方法、装置及终端设备 | |
CN111355965B (zh) | 一种基于深度学习的图像压缩还原方法及装置 | |
CN110913219A (zh) | 一种视频帧预测方法、装置及终端设备 | |
Shin et al. | Expanded adaptive scaling normalization for end to end image compression | |
CN105791832B (zh) | 数据编码方法和数据解码方法及其系统 | |
Arya et al. | Robust image compression algorithm using discrete fractional cosine transform | |
CN115239563A (zh) | 一种基于神经网络的点云属性有损压缩装置及方法 | |
CN113038134B (zh) | 一种图片处理方法、智能终端及存储介质 | |
CN113840150A (zh) | 一种点云反射率属性熵编码方法 | |
CN115914630B (zh) | 一种图像压缩方法、装置、设备及存储介质 | |
CN110830806A (zh) | 一种视频帧预测方法、装置及终端设备 | |
CN117475066B (zh) | 材质贴图处理方法、装置、电子设备及存储介质 | |
CN110677681A (zh) | 一种视频编解码方法、装置及终端设备 | |
Kumar et al. | Low intensity visual data improvement using DWT and LWT based regularizer | |
CN111246207A (zh) | 一种视频帧预测方法、装置及终端设备 | |
Zhang et al. | Image Coding | |
CN111083499A (zh) | 一种视频帧重构方法、装置及终端设备 |
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 |