[发明专利]基于增强的宽激活残差网络的压缩图像去块效应方法

说明书

本发明公开了一种基于增强的宽激活残差网络的压缩图像去块效应方法。主要包括以下步骤：以增强的宽激活残差模块为主要的构建单元，同时以全卷积的方式引入重叠图像块提取和重建，从而搭建起用于去除压缩图像块效应的网络模型；利用前一步骤搭建的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。本发明所述的方法能够使更多的信息从卷积神经网络的浅层流向深层，同时具有较大的感受野，能够挖掘到图像更广泛区域的有效信息。因此，本发明可以获得很好的主客观效果，是一种有效的压缩图像去块效应方法。

技术领域

本发明涉及压缩图像去块效应技术，具体涉及一种基于增强的宽激活残差网络的压缩图像去块效应方法，属于数字图像处理领域。

背景技术

在实际应用中，为了更加有效地利用带宽资源、节省存储空间以及提高数据传输效率，人们常常对图像进行有损压缩。然而，这将不可避免地造成图像的失真。JPEG标准作为一种简单、有效的图像压缩方法被广泛地应用于各种成像设备，例如：数码相机、智能手机等。在有损压缩的过程中，JPEG对图像进行不重叠地分块离散余弦变换，并对变换系数进行分块粗量化，这导致了各种各样的压缩伪影，特别是块效应。

为了去除压缩图像的块效应，大量的方法被提出了出来，它们主要分为三大类：基于增强的方法、基于重建的方法和基于学习的方法。其中，基于学习的方法，由于处理速度较快以及处理后的图像质量较好，得到了更广泛的关注和更加深入的研究。特别是近些年来，随着深度学习技术的快速发展及其在计算机视觉领域的成功应用，基于深度卷积神经网络的压缩图像去块效应方法取得了显著的进步。借助深度卷积神经网络强大的学习能力和模型表示能力，本发明构建了一种增强的宽激活残差网络，进一步提升了去除压缩图像块效应的性能。

发明内容

本发明进一步发展了宽激活残差模块的优点，设计了一种增强的宽激活残差模块，同时以全卷积的方式将基于重建的方法中常用的重叠图像块提取和重建策略引入到深度卷积神经网络中，构建了一种有效的压缩图像去块效应方法。

本发明提出的基于增强的宽激活残差网络的压缩图像去块效应方法主要包括以下操作步骤：

(1)以增强的宽激活残差模块为主要的构建单元，同时以全卷积的方式引入重叠图像块提取和重建，从而搭建起用于去除压缩图像块效应的网络模型；

(2)利用步骤一的卷积神经网络，分别训练不同质量因子下的压缩图像去块效应模型；

(3)以训练好的压缩图像去块效应模型为基础，将压缩图像作为输入，得到最终的去块效应图像。

附图说明

图1是本发明基于增强的宽激活残差网络的压缩图像去块效应方法的原理框图

图2为增强的宽激活残差模块

图3为重叠图像块重建网络的全卷积实现框图

图4为重叠图像块提取和重建网络的预定义权重：其中，(a)为重叠图像块提取网络中卷积层的权重，(b)为重叠图像块重建网络中反卷积层Deconv 1的权重，(c)为重叠图像块重建网络中反卷积层Deconv 2的权重

图5是本发明与另外六种方法对压缩图像“29030”去块效应结果的对比图(质量因子为10)：其中，(a)为原始图像，(b)为JPEG压缩图像，(c)(d)(e)(f)(g)(h)(i)分别为方法1、方法2、方法3、方法4、方法5、方法6及本发明的去块效应结果

图6是本发明与另外六种方法对压缩图像“Barbara”去块效应结果的对比图(质量因子为10)：其中，(a)为原始图像，(b)为JPEG压缩图像，(c)(d)(e)(f)(g)(h)(i)分别为方法1、方法2、方法3、方法4、方法5、方法6及本发明的去块效应结果

具体实施方式