[发明专利]基于显著性对象检测模型的图像压缩方法

说明书

本发明是一种基于显著性对象检测的图像压缩方法。首先，在显著性对象检测模型中，采用去卷积注意力残差模块来增加上下文信息，以提高检测精度。然后，采用贪婪非极大值抑制方法从许多显著性对象候选检测框中消除冗余的检测框，找到最佳的显著性对象位置。最后，利用基于小波变换的图像压缩标准对显著性的区域与背景采取不同的压缩率进行压缩。

技术领域

本发明属于数字图像处理领域，具体涉及一种基于显著性对象检测模型的图像压缩方法。

背景技术

随着科学技术的迅速发展，所获得的图像分辨率越来越高，目前的传输速率还无法满足需求，因此需要对图像进行压缩处理。图像压缩是图像处理的重要研究领域，现有的压缩方法要么丢失重要的细节信息，无法满足实际的应用需要，要么压缩率过低，难以达到实时处理的要求。将视觉注意机制引入到图像压缩中，对显著性区域与背景采用不同的压缩率，这样不仅可以对整个图像达到一个高的压缩率，而且还可以保持重要区域的高分辨率，实现了可变分辨率的图像压缩。

发明内容

本发明的目的在于针对现有的图像压缩方法存在的问题，提供一种基于显著性对象检测的图像压缩方法，本发明能够通过检测到的显著性对象，从而对该对象区域与背景通过不同压缩率进行压缩。

为实现上述目的，本发明采用以下技术方案：一种基于显著性对象检测的图像压缩方法，其包括以下步骤：步骤S1：使用有去卷积注意力残差模块的显著性对象检测模型获取候选检测框；步骤S2：采用贪婪非极大值抑制方法对从所述候选检测框，进行冗余检测框的消除；步骤S3：然后根据检测到的显著性对象根据置信度值减少压缩比例对图像进行压缩。

在本发明一实施例中，所述显著性对象检测模型包含去卷积注意力残差模块、定位预测模块及类别预测模块。

进一步的，去卷积注意力残差模块具体操作如下：设输入分别为特征图C₁和特征图C₂，其大小分别为(h₁,w₁,k₁)和(h₂,w₂,k₂)且特征图C₁的尺寸小于特征图C₂的尺寸；第一层为去卷积层，使用k₂个卷积核，尺寸为(4，4，k₁)，激活函数为ReLU函数，输入为特征图C₁；第二层为卷积层，使用k₂个卷积核，尺寸为(1，1，k₂)，激活函数为Sigmoid函数；第三层为Eltwise层，对第一层与第二层输出进行逐像素相加，激活函数为ReLU函数；第四层为剪切层，根据特征图C₂的尺寸对上一层输出进行剪切；第五层为Eltwise层，对特征图C₂与上一层输出进行逐像素相乘，激活函数为ReLU函数。

进一步的，定位预测模块具体操作如下：设输入特征图C₁，其大小为(h₁,w₁,k₁)；第一层为卷积层，使用16个卷积核，尺寸为(1，1，k₁)；第二层为Permute层，对特征进行重新排列，顺序为(0,2,3，1)；第三层为Flatten层，将特征平铺成一维。

进一步的，类别预测模块具体操作如下：设输入特征图C₁，其大小为(h₁,w₁,k₁)；第一层为卷积层，使用8个卷积核，尺寸为(1，1，k₁)；第二层为Permute层，对特征进行重新排列，顺序为(0,2,3，1)；第三层为Flatten层，将特征平铺成一维。

在本发明一实施例中，所述显著性对象检测模型的网络结构具体如下：

第一层为输入层，输入图像；