[发明专利]一种基于可逆网络的图像分辨率压缩及重建方法

说明书

本发明公开了一种基于可逆网络的图像分辨率压缩及重建方法，属于图像处理领域。所述方法利用卷积神经网络与可逆网络构建进行图像分辨率压缩以及重建的网络模型，然后将高分辨率图像输入到进行分辨率压缩的网络中生成低分辨率压缩图像，将压缩图像输入到进行重建的网络中得到高分辨率重建图像，利用压缩图像和重建图像分别与目标低分辨率图像和原始图像之间的差异来设计优化的目标函数，通过最小化该函数的值来对网络模型的参数进行更新，提升网络进行图像分辨率压缩以及重建的能力；解决了图像分辨率压缩及重建模型在压缩图像时无法保存更多的信息以及无法利用压缩过程来指导重建过程，从而导致图像重建效果不佳的问题。

技术领域

本发明涉及一种基于可逆网络的图像分辨率压缩及重建方法，属于图像处理领域。

背景技术

图像数据量的庞大不利于图像的存储、传输和处理，所以需要对图像进行一定的压缩，图像压缩就是指以较少的比特有损或无损地表示原来的像素矩阵的技术。图像分辨率压缩是属于图像压缩的一种，指的是通过一些方法来减小高分辨率图像的分辨率，从而得到低分辨率图像。

比如，当在网页上快速浏览图像或在一些小型展示设备上浏览图像时，需要对原始高分辨率图像进行分辨率的压缩来匹配这些应用对于图像数据大小的需求，为了更好的浏览效果，压缩后的图像要具有尽可能好的视觉效果。另外，在减小保存图像所需的内存以及在带宽较小的情况下传输图像时，也会对图像进行分辨率的压缩，对于这类应用需要压缩后的图像能够保存尽可能多的原图中的信息，即还原重建后的图像能够和原始高分辨率图像尽可能的相似。

通常，我们利用重采样和简单的插值法(例如双立方差值)进行分辨率的压缩以及高分辨率的还原重建，这些方法虽然计算高效，但是得到的分辨率压缩结果却具有多种视觉伪影，例如混叠和模糊，并且由于压缩后的图像中保留的原图信息较少，还原后的高分辨率图像也往往与原始高分辨率图像相差较大。

上述传统的分辨率压缩方法(即利用重采样和简单的插值法进行分辨率的压缩以及高分辨率的还原重建的方法)也称为图像下采样，主要解决的是压缩后的图像的视觉感知质量问题。例如文献(D.P.Mitchell and A.N.Netravali,“Reconstruction filters incomputer-graphics,” in Proc.ACM SIGGRAPH,1988,pp.221–228.)对图像先进行过滤，再进行分辨率的压缩。但是这些基于过滤的方法通常需要一定的最小内核大小才能有效，并且不能保存小尺度的细节和重复模式。为了能够捕获大多数感知上的重要细节，一些方法(如A.C.and M. Gross,“Perceptually based downscaling of images,”ACMTrans.Graph.,vol.34,no.4,2015, Art.no.77.)通过直接优化原始图像和分辨率压缩图像之间的SSIM指数来构造分辨率压缩图像，该方法可以捕获大多数感知上的重要细节。但同样，该方法也具有传统的图像分辨率压缩方法具有的缺点，即因为传统的图像分辨率压缩方法并没有直接提供一个将压缩分辨率后的图像还原到原始高分辨率的方法，所以如果要将保存和传输后的低分辨率图像还原为原始高分辨率图像，还需要使用一些超分辨率算法来实现。

一般的超分辨率算法被分为三类：基于插值，基于重建和基于学习的算法。其中，基于深度学习的超分辨率算法(C.Dong,C.C.Loy,K.He,and X.Tang,“Learning a deepconvolutional network for image super-resolution,”inProc.Eur.Conf.Comput.Vis.Cham, Switzerland:Springer,2014,pp.184–199.)以其优越的性能吸引了众多研究者的关注。但是该基于深度学习的超分辨率算法尽管具有相对优越的性能，也和其他超分辨率方法一样，都只是对已经经过下采样的低分辨率图像进行高分辨率重建，没有对这个下采样过程本身加以利用，因此无法得到与原图更相似的重建结果。