[发明专利]基于过拟合卷积自编码网络的图像压缩编码方法

说明书

本发明提供了一种基于过拟合卷积自编码网络的图像压缩编码方法，涉及图像编码技术领域，其包括：构建卷积自编码神经网络；生成训练数据集；训练卷积自编码网络；利用网络对高清自然图像进行编解码。本发明解决了现有图像编码损伤方法中未利用网络过拟合的特性和针对图像编码损伤的修复不足的问题，增强了网络针对编码损伤的学习能力，让深度学习网络有针对地参与到编解码过程，既节省了图像存储开销，又能保证压缩图像的质量，进一步提升了图像压缩编解码处理的速度与效果。

技术领域

本发明涉及图像编码技术领域，特别是涉及一种基于过拟合卷积自编码网络的图像压缩编码方法。

背景技术

随着技术发展，图像的视觉质量得到了大幅提升，其数据量也随之增长，给图像数据的存储和传输带来了较大的压力。

编码是一种在传输信息中降低信息冗余数据的有效手段，可减少传输压力，适应更为广泛的传输条件。针对图像进行编码后，编解码后得到的图像虽然有效减少了存储容量，与原始图像相比却具有压缩编码损伤，主观上表征为较明显的图像失真，具体体现为方块效应、振铃效应等视觉失真。

图像超分辨技术作为图像的后处理技术，在图像的压缩编码传输应用场景中，可用于编码后图像的质量增强。作为深度学习网络中的一种，卷积自编码网络是一种旨在将输入复制到输出的神经网络。该类型网络通过将输入压缩成一种隐藏空间表示后重构这种表示的输出。由于具有卷积层和自编码等结构，能够很好地提取图像特征，可在保留图像细节的前提下完成编码后图像的编码损伤修复，进而完成修复图像编码损伤的功能。

目前利用深度学习网络的过拟合结果的图像处理办法还很少，主要是避免深度学习网络产生过拟合结果，提高网络的网络泛化能力，增大了训练难度，也不能有效修复图像编码后损伤。

发明内容

针对现有技术中的上述问题，本发明提供了一种基于过拟合卷积自编码网络的图像压缩编码方法，解决了现有图像编码损伤方法中未利用网络过拟合的特性和针对图像编码损伤的修复不足的问题，增强了网络针对编码损伤的学习能力，让深度学习网络有针对地参与到编解码过程，既节省了图像存储开销，又能保证压缩图像的质量，进一步提升了图像压缩编解码处理的速度与效果。

为了达到上述发明目的，本发明采用的技术方案如下：

提供基于过拟合卷积自编码网络的图像压缩编码方法，其包括：

S1，构建卷积自编码网络

S11，搭建编码子网络，其结构依次为：第一卷积层→ReLU激活层→第二卷积层→第三卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层；

S12，搭建解码子网络，其结构依次为：第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第一转置卷积层→ReLU激活层→第二转置卷积层→ReLU激活层→第三转置卷积层→Sigmoid激活层；

S13，设置卷积自编码网络的各层参数，将第一、第二、第三和第四卷积层的卷积核均设置为3，输入通道数分别为1、8、32、32，输出通道数分别为8、16、32、32，步长均为1；将第一、第二和第三转置卷积层的卷积核分别设置为4、4、3，输入通道数分别为32、16、8，输出通道数分别为16、8、1，步长分别为2、2、1；

S2，生成训练数据集

选取要压缩的n(n≥500)幅高清自然图像，对图像进行预处理，将所选的每幅图像进行前景和背景区域划分后转换成YUV420p数据格式图像；

将每幅图像输入到编码器中进行编码，得到编码后的图像编码码流；将编码后的图像编码码流输入到解码器中进行解码，得到多幅解码后的重建图像；