[发明专利]一种基于深度学习的图像无损/近无损压缩方法

权利要求书

1.一种基于深度学习的图像无损/近无损压缩方法，其特征在于，包括以下步骤：

步骤a：通过有损图像压缩网络，对原始图像进行有损压缩，得到有损图像压缩码流和有损重构图像；

步骤b：计算有损重构图像与原始图像的原始残差，根据给定误差上界对原始残差进行量化；

步骤c：如果：

给定误差上界为零，量化残差等于原始残差，则采用无损残差压缩网络对原始残差进行压缩；

给定误差上界大于零，则采用近无损残差压缩网络对量化残差进行压缩；

步骤d：把有损图像压缩码流和原始残差或者量化残差的压缩码流连接在一起，得到图像无损/近无损压缩结果；

步骤e：以图像有损压缩网络计算得到的有损压缩码率、无损残差压缩网络计算得到的原始残差压缩码率、以及有损重构图像的失真损失建立目标函数，通过反向传播算法联合优化图像有损压缩网络和无损残差压缩网络；

步骤f：以无损残差压缩网络和近无损残差压缩网络分别估计得到的原始残差概率分布建立损失函数，优化近无损残差压缩网络。

2.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤a的方法如下：把原始图像x输入图像变换网络并量化，得到隐变量利用超先验编码网络提取隐变量的特征并量化，得到隐变量的超先验计算超先验的概率模型对超先验进行算术编码，得到超先验的码流；利用超先验解码网络，计算条件概率模型对隐变量进行算术编码，得到隐变量的码流；隐变量的码流与超先验的码流连接，即为有损图像压缩码流；隐变量输入图像反变换网络，得到有损重构图像

3.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤b的方法如下：计算有损重构图像与原始图像x的原始残差根据给定误差上界τ对原始残差进行量化，得到量化残差其中sgn()为符号函数，i为残差的位置坐标。

4.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，步骤c的方法如下：

若误差上界τ＝0，那么量化残差等于原始残差r，采用无损残差压缩网络对原始残差r进行压缩：把原始残差r的先验u与上下文C_r输出无损残差概率密度估计网络，估计原始残差r的概率模型p_θ(r|u，C_r)，对原始残差r进行算术编码，得到原始残差r的码流；

若误差上界τ＞0，那么采用近无损残差压缩网络对量化残差进行压缩：把原始残差r的先验u与量化残差的上下文输出近无损残差概率密度估计网络，以误差上界τ为条件，近似估计原始残差r的概率模型对原始残差r的概率模型进行量化，得到量化残差的概率模型对量化残差进行算术编码，得到量化残差的码流。

5.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，在步骤e中，所述图像有损压缩码率为：

所述原始残差的压缩码率为：

所述有损压缩重构失真为：

所述目标函数为：

其中，为隐变量的超先验的概率分布，为以超先验为条件的隐变量的条件概率分布；p_θ(r|u，C_r)为无损残差压缩网络输出的原始残差r的概率分布，u为原始残差r的先验，C_r为原始残差r的上下文；x为原始图像，为有损重构图像；N为训练样本数目，M为每一幅训练图像的像素数目，λ为可调节的权重系数。

6.根据权利要求1所述的一种基于深度学习的图像无损/近无损压缩方法，其特征在于，在步骤f中，所述无损残差压缩网络输出的原始残差r的概率分布为：

p_θ(r|u，C_r)

所述近无损残差压缩网络输出的原始残差r的概率分布为：

所述损失函数为：

其中，N为训练样本数目，M为每一幅训练图像像素数目；u为原始残差r的先验，C_r为原始残差r的上下文，为量化残差的上下文。