[发明专利]一种基于特征通道相似度的端到端图像压缩方法

说明书

本发明涉及一种基于特征通道相似度的端到端图像压缩方法，包括以下步骤：S1、将待压缩图像输入主编码器，得到第一潜在表示；S2、将第一潜在表示输入去冗余模块；S3、依次经过超先验编码器解码器，得到潜在表示概率模型的第一中间参数；S4、输入条件上下文模型，得到第二中间参数；S5、将第一中间参数和第二中间参数进行拼接，得到高斯分布的均值和标准差；S6、根据概率密度函数对第一潜在表示进行编码和解码；S7、得到去冗余前的完整潜在表示；S8、输入主解码器，得到重建的图像；S9、基于损失函数进行优化。与现有技术相比，本发明具有码流长度低、重建图像质量高等优点。

技术领域

本发明涉及图像编码领域，尤其是涉及一种基于特征通道相似度的端到端图像压缩方法。

背景技术

图像压缩是数据压缩技术在数字图像上的应用，其目的是减少图像数据中的冗余，从而用更加高效的格式存储和传输数据。传统的图像压缩方法中，图像压缩分为预测、变换、量化、熵编码等步骤，每一步均采用人工设计的算法分别进行优化。近年来，基于深度神经网络的端到端图像压缩方法在图像压缩中取得了丰硕的成果，相比传统方法，端到端图像压缩可以进行联合优化，能够取得比传统方法更高的压缩效率。

在智能图像压缩领域，将现有的算法优化分为两个方向，其一为如何在低熵的条件下，提取到更完备的图像特征。第二是，如何进行精准的进行熵模型建模以便于在熵编码阶段得到更低码率的码流。

在现有的研究中，大多使用特殊的网络结构来提高网络提取特征的质量，如：使用非局部(Non-Local)模块提取全局信息，使用GDN归一化算法进行对图像引入噪声更小的归一化，使用注意力机制尽可能多地保留特征中所包含原始图像中的信息。编码传输的图像特征虽然具有较低的熵，但数据量依然较大，简单地通过减少瓶颈层bottleneck通道数虽然能降低比特数，但会严重影响重建的图像质量，降低码率方面依然存在提升空间。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种基于特征通道相似度的端到端图像压缩方法，通过将相似通道合并为一个通道，最后通过深度可分离卷积将其恢复为原来的多通道，进而降低码率。

本发明的目的可以通过以下技术方案来实现：

一种基于特征通道相似度的端到端图像压缩方法，包括以下步骤：

S1、获取待压缩图像，将待压缩图像输入主编码器，得到第一潜在表示；

S2、将第一潜在表示输入去冗余模块，得到去冗余后的第一潜在表示；

S3、将去冗余后的第一潜在表示依次经过超先验编码器和超先验解码器，得到潜在表示概率模型的第一中间参数；

S4、将去冗余后的第一潜在表示经过量化，输入条件上下文模型，得到潜在表示概率模型的第二中间参数；

S5、将第一中间参数和第二中间参数进行拼接，输入熵参数模型，得到高斯分布的均值和标准差；

S6、基于高斯分布的均值和标准差进行对概率分布的估计，得到概率密度函数，根据概率密度函数对S4中量化的去冗余后的第一潜在表示进行编码和解码；

S7、将解码的第一潜在表示输入冗余恢复模块，得到去冗余前的完整潜在表示；

S8、将完整潜在表示输入主解码器，得到重建的图像；

S9、计算重建的图像和待压缩图像的失真以及码率，基于失真以及码率构建损失函数，基于损失函数对S1-S8进行端到端的整体优化；

其中，S2的具体步骤为：

将第一潜在表示输入去冗余模块，计算第一潜在表示的各通道间的相似度，基于相似度划分得到多组相似通道，对同一组的通道的特征进行卷积，将卷积后的多组相似通道的特征合并为单个通道的特征，所述单个通道的特征作为去冗余后的第一潜在表示。