CN116958282A - 图像压缩方法、装置、设备及存储介质 - Google Patents
图像压缩方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116958282A CN116958282A CN202210374868.2A CN202210374868A CN116958282A CN 116958282 A CN116958282 A CN 116958282A CN 202210374868 A CN202210374868 A CN 202210374868A CN 116958282 A CN116958282 A CN 116958282A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- determining
- compression
- parameter
- 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.)
- Pending
Links
- 238000007906 compression Methods 0.000 title claims abstract description 72
- 230000006835 compression Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开实施例公开了一种图像压缩方法、装置、设备及存储介质。将待压缩图像输入设定神经网络,获得中间图像;采用设定压缩算法对所述中间图像进行压缩,获得目标图像。本公开实施例提供的图像压缩方法,首先将待压缩图像输入训练后的设定神经网络再采用设定压缩算法对中间图像进行压缩,不仅可以保证压缩效率和压缩后的图像质量,且可以提高图像的压缩比。
Description
技术邻域
本公开实施例涉及图像处理技术邻域,尤其涉及一种图像压缩方法、装置、设备及存储介质。
背景技术
图像压缩是数据压缩技术在数字图像上的应用,目的是减少图像数据中的冗余信息,从而用更加高效的格式存储和传输数据。近年来,随着深度学习技术的飞速发展,基于深度神经网络的图像压缩技术逐渐成为热点研究问题,在学术界也出现了许多研究成果,如基于卷积神经网络的图像压缩方法、基于循环神经网络的图像压缩方法、基于生成对抗网络的图像压缩方法。这类方法完全依赖深度学习强大的学习能力,在相同质量的条件下会比传统图像压缩方法具备更好的压缩比。但是通常这类算法的解码比较耗时、模型较大,导致应用范围受到了极大的限制。
发明内容
本公开实施例提供一种图像压缩方法、装置、设备及存储介质,不仅可以保证压缩效率和压缩后的图像质量,且可以提高图像的压缩比。
第一方面,本公开实施例提供了一种图像压缩方法,包括:
将待压缩图像输入设定神经网络,获得中间图像;
采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
第二方面,本公开实施例还提供了一种图像压缩装置,包括:
中间图像获取模块,用于将待压缩图像输入设定神经网络,获得中间图像;
目标图像获取模块,用于采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如本公开实施例所述的图像压缩方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现如本公开实施例所述的图像压缩方法。
本公开实施例提供了一种图像压缩方法、装置、设备及存储介质。将待压缩图像输入设定神经网络,获得中间图像;采用设定压缩算法对中间图像进行压缩,获得目标图像。本公开实施例提供的图像压缩方法,首先将待压缩图像输入训练后的设定神经网络再采用设定压缩算法对中间图像进行压缩,不仅可以保证压缩效率和压缩后的图像质量,且可以提高图像的压缩比。
附图说明
图1是本公开实施例中的一种图像压缩方法的流程图;
图2是本公开实施例中的设定神经网络的结构示意图;
图3是本公开实施例中的训练设定神经网络的示例图;
图4是本公开实施例中的一种图像压缩装置的结构示意图;
图5是本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本邻域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例提供的一种图像压缩方法的流程图,本实施例可适用于对图像进行压缩的情况,该方法可以由图像压缩装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有图像压缩功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
S110,将待压缩图像输入设定神经网络,获得中间图像。
其中,设定神经网络可以是一个特征表示网络,用于提取待压缩图像的“紧凑”信息。
具体的,设定神经网络的训练方式为:将原始图像输入设定神经网络中,获得转换图像;采用设定压缩算法对转换图像进行压缩,获得重构图像;基于原始图像、转换图像及重构图像确定损失函数;基于损失函数对设定神经网络进行训练,获得训练后的设定神经网络。
其中,原始图像可以是用于训练设定神经网络的图像,该设定神经网络可以是一个特征表示网络,用于提取原始图像的“紧凑”信息。
本实施例中,设定神经网络按照数据从输入到输出的顺序依次包括特征提取模块、至少一个下采样模块及至少一个上采样模块。其中,特征提取模块包括卷积层(Conv)及激活层(Relu);下采样模块包括最大池化层(Max pooling)、卷积层及激活层;上采样模块包括上采样层(Upsampling)、卷积层及激活层。可选的,本实施例中的设定神经网络采用U型跳跃连接(skip connection)。示例性的,图2是本实施例中的设定神经网络的结构示意图。如图2所示,该神经网络由两个特征提取模块、三个下采样模块及三个上采样模块构成,该神经网络可以将原始图像的更高层次的语义结构信息提取出来。
其中,设定压缩算法可以是传统的任意压缩方法,此处不做限定。例如:JPEG(Joint Photographic Experts Group)、JPEG-2000、MPEG(Moving Picture ExpertsGroup)、VP8、HEVC(High Efficiency Video Coding)等。
本实施例中,损失函数需要考虑重构图像的质量、重构图像的比特率及转换图像的平滑性等因素。
具体的,基于原始图像、转换图像及重构图像确定损失函数的方式可以是:确定原始图像及重构图像间的像素差参数;获取重构图像的文件大小参数;确定转换图像的平滑性参数;对像素差参数、文件大小参数及平滑性参数加权求和,获得损失函数。
其中,像素差参数可以是均方误差(Mean Square Error,MSE)或者峰值信噪比(Peak Signal to Noise Ratio,PSNR)。文件大小参数可以由文件所占的比特数来表征。平滑性参数可以由像素点与其邻域像素点间的像素点来表征。
本实施例中,确定原始图像及重构图像间的像素差参数的方式可以是:确定原始图像和重构图像的像素间的均方误差,作为像素差参数;或者,确定原始图像和重构图像间的峰值信噪比,作为像素差参数。
其中,原始图像和重构图像间的像素点一一对应,基于各对应的像素点的像素值计算均方误差或者峰值信噪比。
本实施例中,确定转换图像的平滑性参数的方式可以是:对于转换图像中的每个像素点,确定像素点与其邻域像素点的相似度;将各像素点的相似度求和,获得转换图像的平滑性参数。
其中,像素点和其邻域像素点的相似度可以由指示函数确定。具体的,平滑性参数可以由下述公式计算:其中,P(i,j)为转换图像中第i行第j列的像素点的像素值,P(t,d)为像素点P(i,j)的邻域像素点的像素值,I(*)为指示函数。
对像素差参数、文件大小参数及平滑性参数加权求和可以由下述公式表示:f=αf1+βf1+γf3,其中,α,β,γ为超参数,表示各部分的权重,f1为原始图像及重构图像间的像素差参数,f2为重构图像的文件大小参数,f3为转换图像的平滑性参数。
具体的,在获得损失函数后,采用反向梯度下降法学习设定神经网络的参数,以实现对设定神经网络的训练。本实施例的训练方式为自监督的学习方法,不需要标记数据,避免了深度学习中需要大量训练数据的缺陷,具备较强的可落地性。
示例性的,图3是本实施例中训练设定神经网络的示例图,如图3所示,将原始图像p1输入设定神经网络,输出转换图像p2,在采用设定压缩算法对转换图像p2进行压缩,获得重构图像p3,最后基于原始图像p1、转换图像p2和重构图像确定损失函数f,最后基于损失函数f训练设定神经网络。
本实施例中,在设定神经网络训练完成后,将待压缩方法输入训练后的设定神经网络,输出中间图像。本实施例中,利用深度学习强大的学习能力,得到原始图像的紧凑表示,提升传统压缩方法的效果。
S120,采用设定压缩算法对中间图像进行压缩,获得目标图像。
其中,设定压缩算法可以是传统的任意压缩方法,此处不做限定。例如:JPEG(Joint Photographic Experts Group)、JPEG-2000、MPEG(Moving Picture ExpertsGroup)、VP8、HEVC(High Efficiency Video Coding)等。本方案保留了传统压缩方法高兼容性、解码高效性的特点,同时利用了深度学习强大的学习能力,能获得较高的压缩比。
本公开实施例的技术方案,将待压缩图像输入设定神经网络,获得中间图像;采用设定压缩算法对中间图像进行压缩,获得目标图像。本公开实施例提供的图像压缩方法,首先将待压缩图像输入训练后的设定神经网络再采用设定压缩算法对中间图像进行压缩,不仅可以保证压缩效率和压缩后的图像质量,且可以提高图像的压缩比。
图4是本公开实施例提供的一种图像压缩装置的结构示意图,如图4所示,该装置包括:
中间图像获取模块210,用于将待压缩图像输入设定神经网络,获得中间图像;
目标图像获取模块220,用于采用设定压缩算法对中间图像进行压缩,获得目标图像。
可选的,还包括:训练模块,用于:
将原始图像输入设定神经网络中,获得转换图像;
采用设定压缩算法对转换图像进行压缩,获得重构图像;
基于原始图像、转换图像及重构图像确定损失函数;
基于损失函数对设定神经网络进行训练,获得训练后的设定神经网络。
可选的,设定神经网络按照数据从输入到输出的顺序依次包括特征提取模块、至少一个下采样模块及至少一个上采样模块。
可选的,特征提取模块包括卷积层及激活层;下采样模块包括最大池化层、卷积层及激活层;上采样模块包括上采样层、卷积层及激活层。
可选的,设定神经网络采用U型跳跃连接。
可选的,训练模块,还用于:
确定原始图像及重构图像间的像素差参数;
获取重构图像的文件大小参数;
确定转换图像的平滑性参数;
对像素差参数、文件大小参数及平滑性参数加权求和,获得损失函数。
可选的,训练模块,还用于:
确定原始图像和重构图像的像素间的均方误差,作为像素差参数;或者,
确定原始图像和重构图像间的峰值信噪比,作为像素差参数。
可选的,训练模块,还用于:
对于转换图像中的每个像素点,确定像素点与其邻域像素点的相似度;
将各像素点的相似度求和,获得转换图像的平滑性参数。
上述装置可执行本公开前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开前述所有实施例所提供的方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,或者各种形式的服务器,如独立服务器或者服务器集群。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行词语的推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置305被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将待压缩图像输入设定神经网络,获得中间图像;采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开实施例的一个或多个实施例,本公开实施例公开了一种图像压缩方法,包括:
将待压缩图像输入设定神经网络,获得中间图像;
采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
进一步地,所述设定神经网络的训练方式为:
将原始图像输入设定神经网络中,获得转换图像;
采用所述设定压缩算法对所述转换图像进行压缩,获得重构图像;
基于所述原始图像、所述转换图像及所述重构图像确定损失函数;
基于所述损失函数对所述设定神经网络进行训练,获得训练后的设定神经网络。
进一步地,所述设定神经网络按照数据从输入到输出的顺序依次包括特征提取模块、至少一个下采样模块及至少一个上采样模块。
进一步地,所述特征提取模块包括卷积层及激活层;所述下采样模块包括最大池化层、卷积层及激活层;所述上采样模块包括上采样层、卷积层及激活层。
进一步地,所述设定神经网络采用U型跳跃连接。
进一步地,基于所述原始图像、所述转换图像及所述重构图像确定损失函数,包括:
确定所述原始图像及所述重构图像间的像素差参数;
获取所述重构图像的文件大小参数;
确定所述转换图像的平滑性参数;
对所述像素差参数、所述文件大小参数及所述平滑性参数加权求和,获得损失函数。
进一步地,确定所述原始图像及所述重构图像间的像素差参数,包括:
确定所述原始图像和所述重构图像的像素间的均方误差,作为像素差参数;或者,
确定所述原始图像和所述重构图像间的峰值信噪比,作为像素差参数。
进一步地,确定所述转换图像的平滑性参数,包括:
对于所述转换图像中的每个像素点,确定所述像素点与其邻域像素点的相似度;
将各像素点的相似度求和,获得所述转换图像的平滑性参数。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本邻域技术人员会理解,本公开不限于这里所述的特定实施例,对本邻域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (11)
1.一种图像压缩方法,其特征在于,包括:
将待压缩图像输入设定神经网络,获得中间图像;
采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
2.根据权利要求1所述的方法,其特征在于,所述设定神经网络的训练方式为:
将原始图像输入设定神经网络中,获得转换图像;
采用所述设定压缩算法对所述转换图像进行压缩,获得重构图像;
基于所述原始图像、所述转换图像及所述重构图像确定损失函数;
基于所述损失函数对所述设定神经网络进行训练,获得训练后的设定神经网络。
3.根据权利要求1所述的方法,其特征在于,所述设定神经网络按照数据从输入到输出的顺序依次包括特征提取模块、至少一个下采样模块及至少一个上采样模块。
4.根据权利要求3所述的方法,其特征在于,所述特征提取模块包括卷积层及激活层;所述下采样模块包括最大池化层、卷积层及激活层;所述上采样模块包括上采样层、卷积层及激活层。
5.根据权利要求3所述的方法,其特征在于,所述设定神经网络采用U型跳跃连接。
6.根据权利要求2所述的方法,其特征在于,基于所述原始图像、所述转换图像及所述重构图像确定损失函数,包括:
确定所述原始图像及所述重构图像间的像素差参数;
获取所述重构图像的文件大小参数;
确定所述转换图像的平滑性参数;
对所述像素差参数、所述文件大小参数及所述平滑性参数加权求和,获得损失函数。
7.根据权利要求6所述的方法,其特征在于,确定所述原始图像及所述重构图像间的像素差参数,包括:
确定所述原始图像和所述重构图像的像素间的均方误差,作为像素差参数;或者,
确定所述原始图像和所述重构图像间的峰值信噪比,作为像素差参数。
8.根据权利要求6所述的方法,其特征在于,确定所述转换图像的平滑性参数,包括:
对于所述转换图像中的每个像素点,确定所述像素点与其邻域像素点的相似度;
将各像素点的相似度求和,获得所述转换图像的平滑性参数。
9.一种图像压缩装置,其特征在于,包括:
中间图像获取模块,用于将待压缩图像输入设定神经网络,获得中间图像;
目标图像获取模块,用于采用设定压缩算法对所述中间图像进行压缩,获得目标图像。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1-8中任一所述的图像压缩方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-8中任一所述的图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374868.2A CN116958282A (zh) | 2022-04-11 | 2022-04-11 | 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 |
---|---|---|---|
CN202210374868.2A CN116958282A (zh) | 2022-04-11 | 2022-04-11 | 图像压缩方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958282A true CN116958282A (zh) | 2023-10-27 |
Family
ID=88460604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210374868.2A Pending CN116958282A (zh) | 2022-04-11 | 2022-04-11 | 图像压缩方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958282A (zh) |
-
2022
- 2022-04-11 CN CN202210374868.2A patent/CN116958282A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110222758B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
CN114519667A (zh) | 一种图像超分辨率重建方法及系统 | |
CN111385576B (zh) | 视频编码方法、装置、移动终端及存储介质 | |
CN113487524B (zh) | 图像格式转换方法、装置、设备、存储介质及程序产品 | |
CN112752118B (zh) | 视频生成方法、装置、设备及存储介质 | |
WO2023020492A1 (zh) | 视频帧调整方法、装置、电子设备和存储介质 | |
CN116958282A (zh) | 图像压缩方法、装置、设备及存储介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN113096019B (zh) | 图像重建方法、装置、图像处理设备及存储介质 | |
CN115103191A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114240750A (zh) | 视频分辨率提升方法及装置、存储介质及电子设备 | |
CN115272667A (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN116934878A (zh) | 压缩标注图像的获取方法、装置、设备及存储介质 | |
CN116828180B (zh) | 视频编码方法、装置、电子设备和计算机可读介质 | |
CN116781916B (zh) | 车辆图像存储方法、装置、电子设备和计算机可读介质 | |
CN115861901B (zh) | 视频分类方法、装置、设备及存储介质 | |
CN116708793B (zh) | 视频的传输方法、装置、设备及存储介质 | |
CN115952830B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
US20240095964A1 (en) | Encoding and decoding method, apparatus, and device, storage medium, computer program, and computer program product | |
CN117119190A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
CN115249207A (zh) | 视频超分方法、装置、视频超分模型、介质及终端设备 | |
CN114549284A (zh) | 图像信息处理方法、装置和电子设备 |
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 |