[发明专利]图像压缩系统、解压缩系统、训练方法和装置、显示装置

说明书

本发明公开一种图像压缩系统、解压缩系统、训练方法和装置、显示装置，该图像压缩系统中，采用卷积神经网络模块完成更新和预测的过程，这样通过对卷积神经网络模块中的各个滤波器单元中的权值进行训练即可使得相应的图像压缩系统具有较佳的压缩率，降低了图像压缩单元及图像解压缩单元中滤波参数设定的难度。

技术领域

本发明涉及显示技术领域，尤其是涉及一种图像压缩系统、解压缩系统、训练方法和装置、显示装置。

背景技术

小波转换是多分辨率图像转换的一种方式，常用于对图像压缩中。小波变换的应用包括JPEG2000标准中的变换转码。小波变换的目的是以整幅图像的一部分图像代表整幅原始图像，利用低分辨率图像(原始图像中的一部分图像)以及恢复到整幅原始图像的所需的一些差异特征能够得到原始图像。提升法是小波变换中的一种有效的实施方式，并且也是构造小波时的一种灵活的工具。图1中示出了1D数据一种典型结构。左边对应于编码器。编码器使用预测滤波器p和一个更新滤波器u对图像进行压缩得到低分辨率图像A和细节(D)。在压缩应用中，D的期望值大约为0，这样大部分信息都能包含在A中。在解压缩时，利用相同的更新滤波器u和预测滤波器p，不过相反排列。很容易证明，这种设置导致输出＝输入，而对滤波器p和u没有要求。一般的，这样的滤波器p和u中各个滤波单元的滤波参数都是人为设定的，这样设定的权重值很难使得相应的编码器获得最佳或者近似最佳的压缩率，且人为设定过程及其繁琐复杂，容易出错。

发明内容

本发明的一个目的在于降低图像压缩单元及图像解压缩单元中各个滤波参数设定的难度。

本发明提供了一种图像压缩系统，包括第一图像压缩单元或者第二图像压缩单元，并具有输出接口；

第一图像压缩单元和所述第二图像压缩单元均具有一个第一图像输入端、多个第二图像输入端、第一卷积神经网络模块、图像差异获取模块、第二卷积神经网络模块、图像叠加模块；

其中，第一图像压缩单元中，

所述第一卷积神经网络模块与所述第一图像输入端相连，用于在接收到所述第一图像输入端提供的第一图像后，根据所述第一图像分别预测各第二图像输入端接收到的各第二图像，得到多幅与各第二图像一一对应的预测图像；

所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及与各所述第二图像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每个第二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并将得到的差异特征集合通过所述输出接口输出；

所述第二卷积神经网络模块与所述图像差异获取模块相连，对所述差异特征集合进行更新得到对应的更新特征；

所述图像叠加模块与所述第二卷积神经网络模块、所述输出接口以及所述第一图像输入端相连，用于将所述更新特征和所述第一图像进行叠加，得到叠加图像，将所述叠加图像从输出接口输出；

其中，第二图像压缩单元中，

所述第二卷积神经网络模块与所述多个第二图像输入端相连，用于对各个第二图像输入端提供的各幅第二图像进行更新，得到对应的更新特征；

所述图像叠加模块与所述第二卷积神经网络模块、所述第一图像输入端以及所述输出接口相连，用于将所述更新特征与所述第一图像输入端提供的第一图像进行叠加得到叠加图像，并将叠加图像通过所述输出接口输出；

所述第一卷积神经网络模块与所述图像叠加模块相连，用于根据所述叠加图像预测各幅第二图像；

所述图像差异获取模块与所述第一卷积神经网络模块、所述输出接口以及各个第二图像输入端相连，用于获取所述多幅预测图像和每幅预测图像对应的第二图像，确定每个第二图像和对应的预测图像之间的差异特征，将各差异特征作为一个差异特征集合，并将得到的差异特征集合通过所述输出接口输出。