[发明专利]基于深度神经网络的图像降维和重建方法

权利要求书

1.基于深度神经网络的图像降维和重建方法，其特征在于，构建图像降维和重建网络框架，该网络框架包括编码端和解码端；在编码端进行图像降维，减少图片压缩产生的比特流，节约带宽；在解码端进行图像重建；包括以下步骤：

S1：在编码端，将待编码的图像输入包含离散小波变换DWT的卷积神经网络，得到保存有结构信息的低分辨率图y；

S2：将低分辨率图y量化，得到码字并将所得码字通过熵编码器，得到熵编码后的码流文件；

且通过混合高斯模型对量化后的码字进行概率建模，来控制码率；并引入上下文及超先验信息，让超先验网络基于上下文来学习概率分布的均值与标准差；

S3：在解码端，将压缩解码后的图像输入包含整数小波变换IWT的卷积网络，得到原始图像重构后的图像；该整数小波变换为离散小波变换的逆变换。

2.根据权利要求1所述的基于深度神经网络的图像降维和重建方法，其特征在于，步骤S1包括以下具体步骤：

1.1)将待编码图像的像素值范围规范至[-1.0,1.0]，得到预处理后的图像x；

1.2)对x进行一层卷积操作，提取相关特征信息，得到输出结果x1；

x1＝F(x＊w+b)，其中F为激活函数，以x为输入信息，w为权值，b为偏置，x1为输出结果；

1.3)对x1进行DWT变换，得到输出结果x2；

1.4)对x2进行n次卷积操作，得到x的低分辨率图y。

3.根据权利要求1所述的基于深度神经网络的图像降维和重建方法，其特征在于，步骤S2包括以下具体步骤：

2.1)将低分辨率图像y输入超先验网络，得到输出结果φ；

2.2)对y进行四舍五入的量化，得到

其中U(-0.5,0.5)为值域[-0.5,0.5]的均匀分布；

2.3)将输入上下文网络，得到输出结果θ；

该上下文网络在生成某点像素值得时候，将该像素右侧和下侧的像素值掩盖，只通过上侧和左侧的像素值来计算当前点的像素值；

2.4)将φ和θ同时输入熵编码器的参数估计网络，进行多层卷积操作，得到混合高斯分布的参数，即均值μ与标准差δ；

2.5)熵编码器根据μ、δ对进行编码，得到压缩的比特流。

4.根据权利要求1所述的基于深度神经网络的图像降维和重建方法，其特征在于，步骤S3包括以下具体步骤：

3.1)熵解码器根据μ、δ对压缩的比特流进行解码，得到

3.2)对进行m次反卷积操作，得到通道数为4的倍数的图其中Q为激活函数，w为权值，b为偏置；

3.3)对进行IWT变换，得到多通道的结果

3.4)对进行输出通道数为1的卷积操作，得到原始图像x的解码图像，并将解码图像的像素值范围规范至[0,255]，得到最终的解码图像

5.根据权利要求2所述的基于深度神经网络的图像降维和重建方法，其特征在于：

编码端结合使用了DWT和卷积操作；

步骤1.2)中，激活函数为GDN；

步骤1.4)中，n为2。

6.根据权利要求3所述的基于深度神经网络的图像降维和重建方法，其特征在于：

步骤2.1)中，超先验网络通过牺牲额外的码字为熵编码器提供额外的参数信息，进一步去除了码字之间的冗余信息；

步骤2.3)中，上下文网络的功能通过掩模卷积操作来实现。

7.根据权利要求6所述的基于深度神经网络的图像降维和重建方法，其特征在于，超先验网络的结构是基于卷积操作的。

8.根据权利要求4所述的基于深度神经网络的图像降维和重建方法，其特征在于：

解码端结合使用了IWT与卷积操作；

步骤3.2)中，激活函数为IGDN；m为2。