[发明专利]基于深度学习与双域互补的压缩图像复原方法

说明书

本发明公开了一种基于深度学习与双域互补的压缩图像复原方法。主要包括以下步骤：分别训练不同压缩因子下的像素域及小波域的去压缩卷积神经网络模型；采用融合层对双域去压缩后的图像进行互补训练。将压缩后的图像作为输入，通过上面训练的网络模型，得到最终的去压缩图像。本发明所述的方法可以有效地抑制JPEG压缩格式下图像的块效应，是一种有效的压缩图像复原方法。

技术领域

本发明涉及压缩图像复原技术，具体涉及一种基于深度学习与双域互补的压缩图像复原的方法，属于数字图像处理领域。

背景技术

随着大数据时代的到来，有效地传输、存储数据成为广大研究学者研究的重点。JPEG有损压缩编码作为一种有效的图像压缩编码方式，因其简单高效而被广泛地应用于我们日常生活中。然而，经JPEG压缩的图像会存在明显的块效应，尤其在中低码率段，严重影响人们的视觉感受且不利于后续图像的处理。抑制块效应方法主要有两种：一种是通过特定的硬件设备实现抑制块效应；另一种是通过软件提升压缩图像的质量。通过特定硬件实现的方式，往往成本比较高，局限性强。因此，软件抑制块效应的技术成为了近年来图像处理的一个研究热点。

软件抑制块效应技术是一种后处理技术，主要的优点在于能够从压缩图像中抑制块效应而不改变现有的JPEG编码方式。此类方法大致分为基于图像增强的方法，基于重建的方法，以及基于学习的方法。其中，基于学习的方法，由于复原速度快和复原后的图像质量好，往往具有更多的实际意义。近年来，随着计算机技术的发展和设备的更新换代，基于卷积神经网络学习的方法取得了较大发展，相比之前的一些基于学习的方法，其学习效率高且能够更好地恢复压缩图像损失的细节信息。然而，现有的基于深度卷积神经网络的抑制块效应的方法，大多是从单个图像域学习，在复原图像的质量上还有进一步的提升的空间。

发明内容

本发明的目的是结合基于深度学习与双域互补的优点，进而构建一种有效的压缩图像复原方法。

本发明提出的基于深度学习与双域互补的压缩图像复原方法，主要包括以下操作步骤：

(1)分别训练不同压缩因子下像素域及小波域的去压缩卷积神经网络模型；

(2)利用(1)中模型，提取像素域及小波域处理后的去压缩图像，利用融合层进一步优化训练；

(3)将压缩后的图像作为输入，结合步骤(1)，(2)训练出的卷积神经网络模型，得到最终的去压缩图像。

附图说明

图1是本发明基于深度学习与双域互补的压缩图像复原方法的原理框图。其中，(a)为本发明原理框图，(b)为残差单元，(c)为融合层图解说明

图2是本发明与另外六种方法对压缩图像“barbara”去压缩效应结果的对比图

图3是本发明与另外六种方法对压缩图像“rapids”去压缩效应结果的对比图

图4是本发明与另外六种方法对压缩图像“cemetry”去压缩效应结果的对比图

具体实施方式

下面结合附图对本发明作进一步说明：

图1中，基于深度学习与双域互补的压缩图像复原方法，具体可以分为以下几个步骤：

(1)分别训练不同压缩因子下像素域及小波域的去压缩卷积神经网络模型；

(2)利用(1)中模型，提取像素域及小波域处理后的去压缩图像，利用融合层进一步优化训练；

(3)将压缩后的图像作为输入，结合步骤(1)，(2)训练出的卷积神经网络模型，得到最终的去压缩图像。

具体地，所述步骤(1)中，进行训练的像素域及小波域的卷积神经网络模型如图1中上、下两支路所示。其大致结构基本相同，均包含16层网络。其中包括6个本发明提出的残差模块如图1中(b)所示。