[发明专利]一种基于深度学习的图像无损/近无损压缩方法

说明书

本发明一种基于深度学习的图像无损/近无损压缩方法属于图像压缩领域；主要设计了有损图像压缩与残差压缩联合优化的深度神经网络：首先，把原始图像输入深度有损图像压缩网络，得到有损压缩后的码流和重构图像；计算有损重构图像和原始图像的原始残差，并对原始残差进行量化，使得“有损重构+量化残差”与原始图像的最大像素误差严格地小于等于一个给定的误差上界；利用深度神经网络对原始残差或者量化残差进行压缩，压缩后的码流与有损图像压缩码流连接，得到图像无损/近无损压缩结果；相比于传统的图像无损/近无损压缩，本发明利用深度神经网络对有损图像压缩与残差压缩进行联合优化，显著地提升了图像无损/近无损压缩效率。

技术领域

本发明一种基于深度学习的图像无损/近无损压缩方法属于图像压缩技术领域。

背景技术

近年来，视觉大数据技术在医学影像、遥感、航空航天等专业领域高速发展，产生了海量的高价值图像数据，为存储和传输带来了巨大的压力。图像数据包含了大量的信息冗余，可以通过压缩技术减少存储和传输数据量。有损图像压缩技术具有较高的图像压缩比，但是有损压缩的重构图像与原始图像之间存在着误差，一般采用峰值信噪比(PeakSignal-to-Noise Ratio，PSNR)或者多尺度结构相似性(Multi-Scale StructuralSIMilarity,MS-SSIM)度量重构图像的平均失真水平，很可能出现平均失真水平不高，但局部区域严重失真的情况，降低压缩图像的可信度，不适合医学影像、遥感、航空航天等领域内高价值图像的压缩。无损压缩技术可以从压缩数据完美地重构原始图像，但是无损压缩的压缩效率较低，其理论上界由香农信源编码定理决定。近无损压缩技术要求重构图像与原始图像之间的最大像素级误差严格地小于等于一个给定的误差上界，在该约束条件下尽可能地提升图像的压缩效率。当误差上界被设为零，近无损压缩的特殊情况即为无损压缩。

随着深度学习技术的进步，基于深度学习的图像压缩技术逐渐受到国内外研究人员的广泛关注。深度神经网络具备强大的数据表示能力，可以从图像数据中提取紧凑的视觉特征，并对数据的概率分布进行建模，可以显著地提升图像数据的压缩效率。但是，目前的基于深度学习的图像压缩主要集中于有损压缩，对于图像的无损压缩以及近无损压缩的研究相对较少。基于深度学习的图像无损和近无损压缩技术可以有效地应用于医学影像、遥感、航空航天等专业领域的高价值图像压缩，具有很高的实际应用价值。

发明内容

本发明公开一种基于深度学习的图像无损/近无损压缩方法，主要设计了基于有损图像压缩与残差压缩联合优化的深度神经网络：首先，把原始图像输入深度有损图像压缩网络，得到有损压缩后的码流和重构图像；计算有损重构图像和原始图像的原始残差，并对原始残差进行量化，使得“有损重构+量化残差”与原始图像的最大像素误差严格地小于等于一个给定的误差上界；当误差上界设为零，即为无损压缩，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；若误差上界大于零，即为近无损压缩，则采用近无损残差压缩网络对量化残差进行压缩；得到原始残差/量化残差的压缩码流，与有损图像的压缩码流连接在一起，得到最终的图像无损/近无损压缩结果；相比于传统的图像无损/近无损压缩方法，本方法通过对有损图像压缩网络与无损、近无损残差压缩网络进行联合优化，显著地提升了图像无损/近无损压缩效率，并且可以通过单一网络实现可变误差上界的图像近无损编码。

本发明的目的是这样实现的：

一种基于深度学习的图像无损/近无损压缩方法，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；