CN115866252A - 一种图像压缩方法、装置、设备及存储介质 - Google Patents
一种图像压缩方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115866252A CN115866252A CN202310087275.2A CN202310087275A CN115866252A CN 115866252 A CN115866252 A CN 115866252A CN 202310087275 A CN202310087275 A CN 202310087275A CN 115866252 A CN115866252 A CN 115866252A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- feature representation
- compact
- current
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请公开了一种图像压缩方法、装置、设备及存储介质,涉及图像压缩领域,包括:对紧凑特征进行多速率通道采样以及相应的滤波和多速率空间采样并对得到的初始特征集进行量化;基于当前概率对量化后特征集中的当前特征进行熵编码得到二进制码流,再进行熵解码得到潜在特征;将下一个特征作为新的当前特征并基于先验预测器确定的与潜在特征对应的方差和均值对当前特征进行估计得到新的当前概率,然后跳转至基于当前概率对量化后特征集中的当前特征进行熵编码的步骤,直至所有特征均进行过熵编码;基于所有二进制码流确定图像压缩结果。本申请利用多速率通道采样和空间采样对熵编码的计算量和参数量进行精简,利用先验预测器实现更精准的概率估计。
Description
技术领域
本发明涉及图像压缩领域,特别涉及一种图像压缩方法、装置、设备及存储介质。
背景技术
图像压缩是信号处理和计算机视觉领域的一项基础性技术,其旨在减小数字图像传输和储存所需要的二进制比特数的基础上,尽可能的保持传输图像的重建质量。近年来,许多基于深度学习的神经网络图像压缩方法达到了比JPEG(Joint Photographic ExpertsGroup)、BPG(Better Portable Graphics,即更好的可移植图形)等传统图像压缩方法更好的性能,其中熵编码模块对整个图像压缩框架的率失真性能至关重要。
现有的熵编码方法,一种是通过引入复杂的空间自回归模型来提升R-D性能,但是也增加了模型的复杂度和参数量,并且由于自回归的处理过程为典型的顺序处理,其中每个潜在表示的特征元素是通过掩膜卷积进行因果连续计算,从而导致解码时间的大幅度增加。另一种是沿着潜在表示的通道单维度或者空间单维度进行采样,虽然减少了解码时间,但仅采用了单个采样速率。因此,如何对熵编码模块进行优化是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种图像压缩方法、装置、设备及存储介质,能够利用多速率通道采样和多速率空间采样对熵编码的计算量和参数量进行进一步的精简,并且利用先验预测器对量化后特征表示集中不同特征表示对应的概率分布进行估计,保证了熵编码的准确性。其具体方案如下:
第一方面,本申请提供了一种图像压缩方法,包括:
对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;
对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;
基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;
将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;
基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
可选的,所述对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,包括:
获取待压缩图像并将所述待压缩图像作为当前待压缩数据;
通过下采样层对所述当前待压缩数据进行一次下采样操作,以得到第一特征图;
利用非线性特征增强模块对所述第一特征图进行一次非线性特征增强操作,以对所述第一特征图进行空间维度和通道维度的特征提取,得到第二特征图;
将所述第二特征图确定为新的当前待压缩数据,并重新跳转至所述通过下采样层对所述当前待压缩数据进行一次下采样操作的步骤,直至达到预设迭代次数,并输出当前的所述第二特征图的紧凑特征表示。
可选的,所述对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集,包括:
基于所述紧凑特征表示的通道维度和预设通道采样率递增数列对所述紧凑特征表示进行多速率通道采样,以得到不同通道维度的目标紧凑特征表示,然后根据不同通道维度的所述目标紧凑特征表示构成目标紧凑特征表示集。
可选的,所述对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,包括:
利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集;
利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
可选的,所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码之前,还包括:
利用熵模型对所述当前目标特征表示进行估计,以得到当前概率分布。
可选的,所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示,包括:
将所述量化后特征表示集中的当前目标特征表示输入无损编码模块,并基于当前概率分布对所述当前目标特征表示进行无损编码操作,以得到具有相应码率的目标二进制码流;
通过信号传输模块将所述目标二进制码流输入无损解码模块,并根据所述当前概率分布对所述目标二进制码流进行无损解码操作,以还原为相应码率的目标潜在特征表示。
第二方面,本申请提供了一种图像压缩装置,包括:
紧凑特征确定模块,用于对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;
特征表示量化模块,用于对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;
码流获取模块,用于基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流;
潜在特征确定模块,用于对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;
步骤跳转模块,用于将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;
压缩结果确定模块,用于基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
可选的,所述特征表示量化模块,包括:
滤波处理单元,用于利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集;
多速率空间采样单元,用于利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
第三方面,本申请提供了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现前述的图像压缩方法。
第四方面,本申请提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的图像压缩方法。
本申请中,对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。由此可见,本申请通过采用多速率通道采样和多速率空间采样,可以对熵编码的计算量和参数量进行进一步的精简,实现了熵编码的轻量化,同时可以对全维度信息进行综合考虑;并且通过利用先验预测器对量化后特征表示集中不同特征表示对应的概率分布进行估计,不仅可以避免使用空间自回归模型所带来的庞大复杂度问题,减少空间冗余,而且可以实现更精准的概率估计,保证熵编码的准确性以及保证率失真性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种图像压缩方法流程图;
图2为本申请公开的一种图像压缩及解压缩结构示意图;
图3为本申请公开的一种具体的图像压缩方法流程图;
图4为本申请公开的一种图像压缩装置结构示意图;
图5为本申请公开的一种电子设备结构图。
具体实施方式
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,都属于本发明保护的范围。
图像压缩旨在减小数字图像传输和储存所需要的二进制比特数的基础上,尽可能的保持传输图像的重建质量,其中熵编码模块对整个图像压缩框架的率失真性能至关重要。为此,本申请提供了一种图像压缩方法,通过利用多速率通道采样和多速率空间采样对熵编码的计算量和参数量进行进一步的精简,并且利用先验预测器对量化后特征表示集中不同特征表示对应的概率分布进行估计,保证了熵编码的准确性。
参见图1所示,本发明实施例公开了一种图像压缩方法,包括:
步骤S11、对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集。
本实施例中,获取待压缩图像并将待压缩图像作为当前待压缩数据;通过下采样层对当前待压缩数据进行一次下采样操作,以得到第一特征图;利用非线性特征增强模块对第一特征图进行一次非线性特征增强操作,以对第一特征图进行空间维度和通道维度的特征提取,得到第二特征图;将第二特征图确定为新的当前待压缩数据,并重新跳转至通过下采样层对当前待压缩数据进行一次下采样操作的步骤,直至达到预设迭代次数,并输出当前的第二特征图的紧凑特征表示。可以理解的是,如图2所示,将当前待压缩数据输入可学习的下采样层,以对当前待压缩数据进行线性变换,得到第一特征图。将第一特征图输入非线性特征增强模块,以对第一特征图在空间维度和通道维度上进行特征提取,得到强化的第二特征图。然后将第二特征图作为新的当前待压缩数据,并再次对当前待压缩数据进行下采样操作和非线性特征增强操作,直至迭代三次,输出当前的第二特征图的紧凑特征表示。其中,下采样层表示一种对输入图像在空间维度进行下采样操作,以减小其空间维度尺寸的过程,具体实施方式包括但不限于池化、卷积和抽取的方法,并且下采样的倍数可以为2、4、6、8等整数。非线性特征增强模块表示一种由非线性运算和线性运算组合而成的特征提取过程,线性运算包括但不限于加法、减法、乘法、除法等简单运算,或仿射、卷积等组合运算;非线性运算包括但不限于正切函数,Sigmoid函数,Softplus函数,softmax函数和ReLU函数。这样一来,通过对第一特征图进行非线性特征增强操作,不仅可以强化第一特征图的表征能力,而且可以优化其概率分布的特性,以及提高压缩性能。
本实施例中,如图2所示,将紧凑特征表示y输入多速率渐进式熵编码模块,该模块中包括滤波器、下采样器、量化单元、熵模型,无损编码模块、信号传输模块、无损解码模块、先验预测器、上采样器和反滤波器。在多速率渐进式熵编码模块中沿着通道维度将紧凑特征表示y采样为n组,得到目标紧凑特征表示集,可以将目标紧凑特征表示集表示为{y1,y2,…,yn}。
步骤S12、对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集。
本实施例中,如图2所示,利用多速率渐进式熵编码模块中的滤波器先对目标紧凑特征表示集{y1,y2,…,yn}进行滤波,以得到细粒度特征表示集;再利用多速率渐进式熵编码模块中的M倍下采样器对细粒度特征表示集进行多速率空间采样,以得到相应的初始特征表示集。将初始特征表示集输入多速率渐进式熵编码模块的量化单元,以将数据的浮点数压缩为整数,得到量化后特征表示集,从而实现对数据的进一步压缩。其中,量化是指将信号的连续取值近似为有限多个离散值的过程,包括但不限于均匀量化、非均匀量化、标量量化和矢量量化。
步骤S13、基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示。
本实施例中,如图2所示,在得到量化后特征表示集之后,将量化后特征表示集中的第一个特征表示作为当前目标特征表示,并利用熵模型对当前目标特征表示进行估计,以得到当前概率分布。然后将量化后特征表示集中的当前目标特征表示输入无损编码模块,并基于当前概率分布对当前目标特征表示进行无损编码操作,以得到具有相应码率的目标二进制码流;通过信号传输模块将目标二进制码流输入无损解码模块,并根据当前概率分布对目标二进制码流进行无损解码操作,以还原为相应码率的目标潜在特征表示。可以理解的是,通过无损编码模块AE将当前目标特征表示转化为相应的目标二进制码流,并且其码率为R,其中,无损编码所用的各元素概率分布是由熵模型估计得到的。目标二进制码流经过信号传输至无损解码模块AD,利用无损解码模块AD并基于当前概率分布将目标二进制码流还原为码率为R的目标潜在特征表示。其中,无损编码模块和无损解码模块所使用的当前概率分布是一样的,并且,熵编码的具体实施方式包括但不限于哈夫曼编码、算数编码和区顶顶间编码。
步骤S14、将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作。
本实施例中,如图2所示,在对当前目标特征表示完成熵编码的操作以及进行熵解码得到相应的目标潜在特征表示之后,需要对当前目标特征表示进行更新,也即将量化后特征表示集中的下一个特征表示确定为新的当前目标特征表示。在对新的当前目标特征表示进行熵编码之前,需要先得到对应的新的当前概率分布,通过将目标潜在特征表示输入可学习的先验预测器,不仅可以进一步去除空间冗余,而且会生成对应的方差先验信息和均值先验信息。利用熵模型并基于方差先验信息和均值先验信息对新的当前目标特征表示进行估计,会得到新的当前概率分布。然后重新跳转至基于当前概率分布对量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至量化后特征表示集中的所有特征表示均进行过熵编码操作。其中,利用先验预测器生成方差先验信息和均值先验信息的具体实施方式包括但不限于卷积层、全连接层和超先验层;利用熵模型并基于两个先验信息对当前目标特征表示进行概率估计的具体实施方式包括但不限于通道自回归模型和条件概率模型。并且,由于在上述步骤中进行了多速率通道采样和多速率空间采样的操作,在该步骤中对可学习的先验预测器的计算量和参数量均可忽略不计。本申请考虑到空间自回归模型容易带来庞大的复杂度,因此采用复杂度较小的先验预测器替代空间自回归模型,先验预测器可以渐进式地减少熵解码后得到的潜在特征表示的空间冗余,并进行通道上下文的建模,从而实现更精准的概率估计。
步骤S15、基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
本实施例中,如图2所示,在对量化后特征表示集中的所有特征表示均进行过熵编码操作之后,会得到相应的若干目标二进制码流,基于所有的目标二进制码流即可确定出待压缩图像的图像压缩结果。
本实施例中,如图2所示,在对待压缩图像进行压缩得到对应的图像压缩结果之后,当需要对其进行解压缩时,利用无损解码模块AD并基于与若干目标二进制码流对应的若干当前概率分布分别对相应的目标二进制码流进行无损解码,以得到若干潜在特征表示,然后基于若干潜在特征表示构成无损解码后的重建特征集。将重建特征集输入多速率渐进式熵编码模块的M倍上采样器,利用与重建特征集中若干重建特征对应的若干上采样器分别对相应的重建特征进行并行上采样处理,以恢复原始空间分辨率,并得到上采样后特征表示集。其中,M倍上采样器与步骤S12中的M倍下采样器是对应的。再利用与上采样后特征表示集中若干特征表示对应的若干反滤波器分别对相应的特征表示进行并行滤波处理,减少信号失真的同时,得到滤波后特征表示集,其中,反滤波器与步骤S12中的滤波器可以是相同的,也可以是不同的,但却是对应的。将滤波后特征表示集中的各个特征表示沿着通道维度进行合并,得到重建后紧凑特征表示。这样一来,本申请利用上采样器和反滤波器进行图像的聚合和重建,并采用简单的滤波模块提高了重建潜在特征表示的质量。
本实施例中,如图2所示,对重建后紧凑特征表示进行预设次数的包含非线性特征增强操作和上采样操作的解压缩处理,得到最终的重建图像。可以理解的是,该步骤中的预设次数与步骤S11中的预设次数是相同的,均为三次。该步骤中的非线性特征增强操作与步骤S11中的非线性特征增强操作可以是一样的,也可以是不一样的,但却是对应的。通过将重建后紧凑特征表示输入非线性特征增强模块,对重建后紧凑特征的空间、通道等维度的特征进行提取,以强化特征图的表征能力,优化其数据概率分布的特性,以及提高恢复性能。另外,该步骤中的上采样操作与步骤S11中的下采样操作是对应的,表示一种对输入图像在空间维度进行上采样以增大其空间维度尺寸的过程,具体实施方式包括但不限于插值、卷积、子像素层等技术,上采样的倍数可以为2、4、6、8等整数。
由此可见,本申请通过采用多速率通道采样和多速率空间采样,可以对熵编码的计算量和参数量进行进一步的精简,实现了熵编码的轻量化,同时可以对全维度信息进行综合考虑;并且通过利用先验预测器对量化后特征表示集中不同特征表示对应的概率分布进行估计,不仅可以避免使用空间自回归模型所带来的庞大复杂度问题,减少空间冗余,而且可以实现更精准的概率估计,保证熵编码的准确性以及保证率失真性能。
基于前一实施例可知,本申请描述了对待压缩图像进行压缩和解压缩的整体过程,接下来,本申请将对如何进行多速率通道采样和多速率空间采样进行详细阐述。参见图3所示,本发明实施例公开了一种多速率通道采样和空间采样的处理过程,包括:
步骤S21、基于紧凑特征表示的通道维度和预设通道采样率递增数列对所述紧凑特征表示进行多速率通道采样,以得到不同通道维度的目标紧凑特征表示,然后根据不同通道维度的所述目标紧凑特征表示构成目标紧凑特征表示集。
本实施例中,首先沿着紧凑特征表示的通道维度将紧凑特征表示y采样为n组,可以得到不同通道维度的目标紧凑特征表示,并构成目标紧凑特征表示集,将其表示为{y1,y2,…,yn},其中,通道采样率为一组递增的数列。例如,紧凑特征表示y的通道数为320,y1的通道数则可以采样为8,y2的通道数可以采样为16,以此类推。
步骤S22、利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集。
本实施例中,利用与目标紧凑特征表示集{y1,y2,…,yn}中的n个目标紧凑特征表示对应的n个分支并行的滤波器分别对相应的目标紧凑特征表示进行滤波处理,得到n个细粒度特征表示,并构成细粒度特征表示集。其中,滤波处理的实现方式包括但不限于自适应分组滤波器、高斯滤波器。本申请通过采用滤波器一定程度上可以保持熵解码后得到的潜在特征表示的基本重建条件。
步骤S23、利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
本实施例中,利用与细粒度特征表示集中的n个细粒度特征表示对应的n个分支并行的M倍下采样器分别对相应的细粒度特征表示进行空间分辨率的下采样,得到空间采样后的初始特征表示集,可以将其表示为{s1,s2,…,sn},其中,空间下采样率也为一组递增的数列,例如,s1的空间分辨率为对应细粒度特征表示的1/8,s2的空间分辨率为对应细粒度特征表示的1/4,以此类推。并且,对空间分辨率进行下采样的实现方式包括但不限于卷积层、高斯滤波等。另外,由于通道数越少,空间分辨率也越小,则对应分支的后续处理操作就会越快。
本实施例中,在进行解压缩的过程中,将重建特征集输入多速率渐进式熵编码模块的M倍上采样器,利用与重建特征集中的n个重建特征对应的n个分支并行的M倍上采样器分别对相应的重建特征进行空间分辨率的上采样,得到上采样后特征表示集。其中,空间上采样率为一组递减的数列,该空间上采样率递减数列中的每个数值与预设空间采样率递增数列中的每个数值是一一对应的,以便恢复特征图的原始分辨率。
由此可见,本申请通过采用多速率通道采样和多速率空间采样,使得后续在进行熵编码的过程中,对于可学习的先验预测器的计算量和参数量均可忽略不计,以便对熵编码的计算量和参数量进行进一步的精简,实现熵编码的轻量化,同时避免了只进行通道单维度或者空间单维度的采样,实现了对全维度信息的综合考虑。
参见图4所示,本发明实施例还公开了一种图像压缩装置,包括:
紧凑特征确定模块11,用于对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;
特征表示量化模块12,用于对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;
码流获取模块13,用于基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流;
潜在特征确定模块14,用于对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;
步骤跳转模块15,用于将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;
压缩结果确定模块16,用于基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
由此可见,本申请通过采用多速率通道采样和多速率空间采样,可以对熵编码的计算量和参数量进行进一步的精简,实现了熵编码的轻量化,同时可以对全维度信息进行综合考虑;并且通过利用先验预测器对量化后特征表示集中不同特征表示对应的概率分布进行估计,不仅可以避免使用空间自回归模型所带来的庞大复杂度问题,减少空间冗余,而且可以实现更精准的概率估计,保证熵编码的准确性以及保证率失真性能。
在一些具体实施例中,所述紧凑特征确定模块11,具体可以包括:
待压缩数据确定单元,用于获取待压缩图像并将所述待压缩图像作为当前待压缩数据;
数据下采样单元,用于通过下采样层对所述当前待压缩数据进行一次下采样操作,以得到第一特征图;
特征提取单元,用于利用非线性特征增强模块对所述第一特征图进行一次非线性特征增强操作,以对所述第一特征图进行空间维度和通道维度的特征提取,得到第二特征图;
紧凑特征输出单元,用于将所述第二特征图确定为新的当前待压缩数据,并重新跳转至所述通过下采样层对所述当前待压缩数据进行一次下采样操作的步骤,直至达到预设迭代次数,并输出当前的所述第二特征图的紧凑特征表示。
在一些具体实施例中,所述紧凑特征确定模块11,具体可以包括:
多速率通道采样单元,用于基于所述紧凑特征表示的通道维度和预设通道采样率递增数列对所述紧凑特征表示进行多速率通道采样,以得到不同通道维度的目标紧凑特征表示,然后根据不同通道维度的所述目标紧凑特征表示构成目标紧凑特征表示集。
在一些具体实施例中,所述特征表示量化模块12,具体可以包括:
滤波处理单元,用于利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集;
多速率空间采样单元,用于利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
在一些具体实施例中,所述图像压缩装置,还可以包括:
概率分布确定单元,用于利用熵模型对所述当前目标特征表示进行估计,以得到当前概率分布。
在一些具体实施例中,所述码流获取模块13,具体可以包括:
码流获取单元,用于将所述量化后特征表示集中的当前目标特征表示输入无损编码模块,并基于当前概率分布对所述当前目标特征表示进行无损编码操作,以得到具有相应码率的目标二进制码流。
在一些具体实施例中,所述潜在特征确定模块14,具体可以包括:
潜在特征还原单元,用于通过信号传输模块将所述目标二进制码流输入无损解码模块,并根据所述当前概率分布对所述目标二进制码流进行无损解码操作,以还原为相应码率的目标潜在特征表示。
进一步的,本申请实施例还公开了一种电子设备,图5是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的图像压缩方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进 行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、 磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222 等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的图像压缩方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的图像压缩方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种图像压缩方法,其特征在于,包括:
对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;
对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;
基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;
将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;
基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
2.根据权利要求1所述的图像压缩方法,其特征在于,所述对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,包括:
获取待压缩图像并将所述待压缩图像作为当前待压缩数据;
通过下采样层对所述当前待压缩数据进行一次下采样操作,以得到第一特征图;
利用非线性特征增强模块对所述第一特征图进行一次非线性特征增强操作,以对所述第一特征图进行空间维度和通道维度的特征提取,得到第二特征图;
将所述第二特征图确定为新的当前待压缩数据,并重新跳转至所述通过下采样层对所述当前待压缩数据进行一次下采样操作的步骤,直至达到预设迭代次数,并输出当前的所述第二特征图的紧凑特征表示。
3.根据权利要求1所述的图像压缩方法,其特征在于,所述对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集,包括:
基于所述紧凑特征表示的通道维度和预设通道采样率递增数列对所述紧凑特征表示进行多速率通道采样,以得到不同通道维度的目标紧凑特征表示,然后根据不同通道维度的所述目标紧凑特征表示构成目标紧凑特征表示集。
4.根据权利要求1所述的图像压缩方法,其特征在于,所述对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,包括:
利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集;
利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
5.根据权利要求1所述的图像压缩方法,其特征在于,所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码之前,还包括:
利用熵模型对所述当前目标特征表示进行估计,以得到当前概率分布。
6.根据权利要求1至5任一项所述的图像压缩方法,其特征在于,所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流,并对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示,包括:
将所述量化后特征表示集中的当前目标特征表示输入无损编码模块,并基于当前概率分布对所述当前目标特征表示进行无损编码操作,以得到具有相应码率的目标二进制码流;
通过信号传输模块将所述目标二进制码流输入无损解码模块,并根据所述当前概率分布对所述目标二进制码流进行无损解码操作,以还原为相应码率的目标潜在特征表示。
7.一种图像压缩装置,其特征在于,包括:
紧凑特征确定模块,用于对待压缩图像进行预设次数的包含下采样操作和非线性特征增强操作的压缩处理以得到紧凑特征表示,并对所述紧凑特征表示进行多速率通道采样,以得到目标紧凑特征表示集;
特征表示量化模块,用于对所述目标紧凑特征表示集进行滤波和多速率空间采样,以得到初始特征表示集,并对所述初始特征表示集进行量化得到量化后特征表示集;
码流获取模块,用于基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码,以得到对应的目标二进制码流;
潜在特征确定模块,用于对所述目标二进制码流进行熵解码得到对应的目标潜在特征表示;
步骤跳转模块,用于将所述量化后特征表示集中的下一个特征表示作为新的当前目标特征表示,并基于先验预测器确定的与所述目标潜在特征表示对应的方差先验信息和均值先验信息对所述当前目标特征表示进行估计得到新的当前概率分布,然后重新跳转至所述基于当前概率分布对所述量化后特征表示集中的当前目标特征表示进行熵编码的步骤,直至所有特征表示均进行过熵编码操作;
压缩结果确定模块,用于基于所有所述目标二进制码流确定出所述待压缩图像的图像压缩结果。
8.根据权利要求7所述的图像压缩装置,其特征在于,所述特征表示量化模块,包括:
滤波处理单元,用于利用与所述目标紧凑特征表示集中的若干目标紧凑特征表示对应的若干滤波器分别对相应的所述目标紧凑特征表示进行并行滤波处理,以得到细粒度特征表示集;
多速率空间采样单元,用于利用与所述细粒度特征表示集中的若干细粒度特征表示对应的若干下采样器并基于预设空间采样率递增数列分别对相应的所述细粒度特征表示进行并行多速率空间采样处理,以得到初始特征表示集。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至6任一项所述的图像压缩方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087275.2A CN115866252B (zh) | 2023-02-09 | 2023-02-09 | 一种图像压缩方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310087275.2A CN115866252B (zh) | 2023-02-09 | 2023-02-09 | 一种图像压缩方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115866252A true CN115866252A (zh) | 2023-03-28 |
CN115866252B CN115866252B (zh) | 2023-05-02 |
Family
ID=85657786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310087275.2A Active CN115866252B (zh) | 2023-02-09 | 2023-02-09 | 一种图像压缩方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115866252B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260969A (zh) * | 2023-05-15 | 2023-06-13 | 鹏城实验室 | 一种自适应的通道渐进式编解码方法、装置、终端及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100254463A1 (en) * | 2008-09-04 | 2010-10-07 | Panasonic Corporation | Image coding method, image decoding method, image coding apparatus, image decoding apparatus, system, program, and integrated circuit |
GB201110763D0 (en) * | 2011-06-24 | 2011-08-10 | Skype Ltd | Video coding |
CN110337813A (zh) * | 2017-07-06 | 2019-10-15 | 三星电子株式会社 | 用于对图像进行编码/解码的方法及其装置 |
CN110956671A (zh) * | 2019-12-12 | 2020-04-03 | 电子科技大学 | 一种基于多尺度特征编码的图像压缩方法 |
CN113537456A (zh) * | 2021-06-15 | 2021-10-22 | 北京大学 | 一种深度特征压缩方法 |
EP3934254A1 (en) * | 2020-06-29 | 2022-01-05 | Nokia Technologies Oy | Encoding and decoding of extracted features for use with machines |
CN114363615A (zh) * | 2021-12-27 | 2022-04-15 | 上海商汤科技开发有限公司 | 数据处理方法及装置、电子设备和存储介质 |
CN114581544A (zh) * | 2022-05-09 | 2022-06-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 图像压缩方法、计算机设备及计算机存储介质 |
WO2023279961A1 (zh) * | 2021-07-09 | 2023-01-12 | 华为技术有限公司 | 视频图像的编解码方法及装置 |
-
2023
- 2023-02-09 CN CN202310087275.2A patent/CN115866252B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100254463A1 (en) * | 2008-09-04 | 2010-10-07 | Panasonic Corporation | Image coding method, image decoding method, image coding apparatus, image decoding apparatus, system, program, and integrated circuit |
GB201110763D0 (en) * | 2011-06-24 | 2011-08-10 | Skype Ltd | Video coding |
CN110337813A (zh) * | 2017-07-06 | 2019-10-15 | 三星电子株式会社 | 用于对图像进行编码/解码的方法及其装置 |
CN110956671A (zh) * | 2019-12-12 | 2020-04-03 | 电子科技大学 | 一种基于多尺度特征编码的图像压缩方法 |
EP3934254A1 (en) * | 2020-06-29 | 2022-01-05 | Nokia Technologies Oy | Encoding and decoding of extracted features for use with machines |
CN113537456A (zh) * | 2021-06-15 | 2021-10-22 | 北京大学 | 一种深度特征压缩方法 |
WO2023279961A1 (zh) * | 2021-07-09 | 2023-01-12 | 华为技术有限公司 | 视频图像的编解码方法及装置 |
CN114363615A (zh) * | 2021-12-27 | 2022-04-15 | 上海商汤科技开发有限公司 | 数据处理方法及装置、电子设备和存储介质 |
CN114581544A (zh) * | 2022-05-09 | 2022-06-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 图像压缩方法、计算机设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
王娜: "熵编码算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260969A (zh) * | 2023-05-15 | 2023-06-13 | 鹏城实验室 | 一种自适应的通道渐进式编解码方法、装置、终端及介质 |
CN116260969B (zh) * | 2023-05-15 | 2023-08-18 | 鹏城实验室 | 一种自适应的通道渐进式编解码方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115866252B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111641832B (zh) | 编码方法、解码方法、装置、电子设备及存储介质 | |
WO2020237646A1 (zh) | 图像处理方法、设备及计算机可读存储介质 | |
US11869221B2 (en) | Data compression using integer neural networks | |
CN110956671B (zh) | 一种基于多尺度特征编码的图像压缩方法 | |
CN111246206B (zh) | 一种基于自编码器的光流信息压缩方法及装置 | |
CN111641826B (zh) | 对数据进行编码、解码的方法、装置与系统 | |
CN114581544A (zh) | 图像压缩方法、计算机设备及计算机存储介质 | |
CN115866252B (zh) | 一种图像压缩方法、装置、设备及存储介质 | |
CN113079378B (zh) | 图像处理方法、装置和电子设备 | |
CN111355965B (zh) | 一种基于深度学习的图像压缩还原方法及装置 | |
CN115776571B (zh) | 一种图像压缩方法、装置、设备及存储介质 | |
WO2021247840A2 (en) | Systems and methods for improved machine-learned compression | |
CN111080729B (zh) | 基于Attention机制的训练图片压缩网络的构建方法及系统 | |
JP7233875B2 (ja) | 作成方法、コンピュータ及びプログラム | |
CN110730347A (zh) | 图像压缩方法、装置及电子设备 | |
CN115866253A (zh) | 一种基于自调制的通道间变换方法、装置、终端及介质 | |
Shawky et al. | Efficient compression and reconstruction of speech signals using compressed sensing | |
CN110944212A (zh) | 一种视频帧重构方法、装置及终端设备 | |
CN115941966A (zh) | 一种视频压缩方法及电子设备 | |
CN115294222A (zh) | 图像编码方法及图像处理方法、终端及介质 | |
JP2003133963A (ja) | グラフィックアニメーションデータの符号化及び復号装置並びにその方法 | |
CN110717948A (zh) | 一种图像后处理方法、系统及终端设备 | |
CN116260969B (zh) | 一种自适应的通道渐进式编解码方法、装置、终端及介质 | |
CN115914630B (zh) | 一种图像压缩方法、装置、设备及存储介质 | |
KR100606357B1 (ko) | 웨이브릿 기반의 멀티미디어 데이터 분해와 복원 방법 및시스템 |
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 |