[发明专利]一种多尺度自适应近似无损编解码方法及系统

说明书

一种多尺度自适应近似无损编解码方法，包括以下步骤：1)将原图像划分为多个大小不同的尺度层级，使用多尺度特征提取器提取不同尺度下的图像特征；2)由细节编码器对不同尺度下的图像特征进行编码，获得原图像的细节隐变量；3)由趋势编码器对最后一层图像特征进行编码，获得原图像的趋势编码隐变量，与细节隐变量共同构成原图像的近似无损编码；4)对趋势隐变量进行解码，获得原图像的模糊轮廓；5)对细节隐变量进行解码，获得原图像的细节信息；6)将解码得到的模糊轮廓与细节信息累加，得到原图像的近似无损还原。以及提供一种多尺度自适应近似无损编解码系统。本发明提高图像的压缩率并解决图像压缩过程中细节丢失的问题。

技术领域

本发明属于图像编解码领域，尤其是涉及一种自适应的在不同尺度上提取图像特征信息用于图像近似无损编解码的方法及系统。

背景技术

随着计算机技术的发展，目前计算机图像已经广泛应用到各领域之中。在许多领域，需要使用到高清晰度的计算机图像，这些图像包含丰富的细节信息。例如医疗领域的CT图片，一个小白点这样的细节信息也是医生诊断病情的重要参考；又例如飞机机翼设计领域，机翼边缘的细节信息会对机翼的气动力学产生巨大影响；又例如人脸识别领域，人脸图像的细节比如脸上的斑点或细小的皱纹也会影响人脸识别的准确率。

未经处理的原始计算机图像数据通常包含了图像中每个像素点的颜色和亮度信息。高精度图像通常包含了数百万乃至数千万个像素，导致未经压缩处理的原始图像占用了过大的存储空间。

图像的编解码，又称图像压缩与解压缩，通过寻找并记录像素之间的规律对图像进行压缩编码，并通过配套的解压缩算法来实现对原图像的还原，实现了减少图像占用的存储空间。

Larson等提出了变分自编码器加生成对抗网络的编解码器结构，其中编码器将输入的图像映射为隐变量，解码器同时也是生成对抗网络中的生成器，负责将隐变量解码为图像，解码器需同时最小化图像重构惩罚函数和判决器函数。用于条件对抗网络的解耦学习方法提供了一种提高自编码生成对抗网络学习稳定性的训练方法，可以降低网络的训练困难度，提高解码结果的精度，但实验网络结构比较简单，所用方法还有较大的提升空间。

在专利CN102480620公开的方法中，通过积分的方法记录图像的频率特性来实现图像的压缩，但该方法只使用到单一的频率特征，存在不可避免的细节丢失问题。

在专利CN104349171公开的方法中，通过将将图像分为若干宏块，对每一宏块进行分析并分类，并对不同的宏块类别执行不同的压缩算法，实现了视觉无损的图像编解码。但该方法使用到的用于宏块分类的阈值参数对还原出来的图像精度和质量有较大影响，难以获得最佳的宏块分类阈值。并且对于不同应用场景的图片，宏块分类使用的阈值往往是不同的，这就需要花费较多时间调优这个阈值参数。

发明内容

为了克服已有编解码方法的细节容易丢失的不足，本发明提供一种近似无损的编解码方法及系统，用于解决图片压缩中细节丢失的问题。

本发明解决其技术问题所采用的技术方案是：

一种多尺度自适应近似无损编解码方法，所述方法包括以下步骤：

1)将原图像划分为多个大小不同的尺度层级，使用多尺度特征提取器提取不同尺度下的图像特征；

2)由细节编码器对不同尺度下的图像特征进行编码，获得原图像的细节隐变量；

3)由趋势编码器对最后一层图像特征进行编码，获得原图像的趋势编码隐变量，与细节隐变量共同构成原图像的近似无损编码；

4)由趋势解码器对趋势隐变量进行解码，获得原图像的模糊轮廓。

5)由细节解码器对细节隐变量进行解码，获得原图像的细节信息；

6)将解码得到的模糊轮廓与细节信息累加，得到原图像的近似无损还原。