[发明专利]显著性压缩的方法、系统、存储介质、计算机设备及应用

说明书

本发明属于图像压缩技术领域，公开了一种显著性压缩的方法、系统、存储介质、计算机设备及应用，所述显著性压缩的方法包括：对于显著性检测模块：采用U2Net网络实现显著性检测模块；对比残差块融合局部特征与多尺度特征，提出整体网络架构；根据U‑Net和非局部残差，提出ResU来提取阶段内多尺度特征；输入卷积层，通过普通卷积层将原始特征图转成中间图F1(x)；以中间特征图F1(x)为输入，通过U‑block学习和编码多尺度上下文信息；通过F1(x)和U(F1(x))融合局部特征与多尺度特征；对于压缩模块：提出注意力通道方法，改进离散高斯模型，最后引入解码器增强，实现图像压缩架构的构建。本发明能够在低比特率下，提升图像的压缩质量。

技术领域

本发明属于图像压缩技术领域，尤其涉及一种显著性压缩的方法、系统、存储介质、计算机设备及应用。

背景技术

目前，虽然图片中数据量庞大，但并不是所有的内容都包含用户感兴趣信息。人们在典型应用场景中往往更加关注感兴趣目标。在带宽受限的条件下，显著性目标的识别问题显得尤为重要。采用全局压缩方式会使显著性区域一些重要细节模糊，比如车牌号、指示牌等。采用显著性区域压缩可以降低显著性区域的压缩比，提高背景等不相关信息的压缩倍率，在相同的图片压缩大小下，可以尽可多的保留用户感兴趣的信息。

随着FCN在图像分割领域上的成功，开启了基于深度神经网络图片语义分割的热潮。近年来，大量基于神经网络的语义分割算法都表现出他们的优异性能。然而，并不是所有的算法在应用于图像压缩的领域均能取得优异效果。

2017年，基于端到端的图像压缩取得了优异的成绩，其压缩性能超越JPEG与JPEG2000，由于基于似然的离散生成模型学习像素的概率分布，它们在理论上可以用于无损图像压缩。研究了各种端到端图像压缩方法。最近，值得注意的方法是用于学习图像压缩的上下文自适应熵模型，以在所有学习的编解码器中获得更好的性能。在此之后引发了学术界的广泛关注，其中基于GMM的优化模型使的端到端压缩性能全面超越BPG。

通过上述分析，现有技术存在的问题及缺陷为：现有图片压缩方法中，边缘分割精度较低，压缩效果低于BPG，且不是所有的算法在应用于图像压缩的领域均能取得优异效果。

解决以上问题及缺陷的难度和意义为：实现图片精细化分割，提高低比特率下图像压缩质量。

发明内容

针对现有技术存在的问题，本发明提供了一种显著性压缩的方法、系统、存储介质、计算机设备及应用，旨在解决现有显著性压缩算法效果不好的问题。

本发明是这样实现的，一种显著性压缩的方法，所述显著性压缩的方法包括：

对于显著性检测模块采用U2Net网络实现；对于图像压缩模块的架构基于基本模型，引入注意力通道方法，改进离散高斯混合模型，最后加入解码器增强模块。

进一步，所述显著性压缩的方法包括以下步骤：

步骤一，采用U2Net网络实现显著性检测模块；提出的显著性检测框架可以提高显著性目标识别与分割精度，对于多目标复杂场景准确度更高。

步骤二，对比残差块融合局部特征与多尺度特征，提出整体网络架构；提高局部细节提取准确度。

步骤三，根据U-Net和非局部残差，提出ResU来提取阶段内多尺度特征；

步骤四，输入卷积层，通过普通卷积层将原始特征图转成中间图F1(x)；

步骤五，以中间特征图F1(x)为输入，通过U-block学习和编码多尺度上下文信息；最后通过F1(x)和U(F1(x))融合局部特征与多尺度特征；

步骤六，提出注意力通道方法，改进离散高斯模型，最后引入解码器增强，实现图像压缩架构的构建。改进的压缩模型提高了压缩精度，在PSNR和SSIM结果上均有突破。