[发明专利]基于深度学习的图像压缩神经网络模型、及其方法和设备

权利要求书

1.一种基于深度学习的图像压缩神经网络模型，其特征在于，所述模型包括：

编码器，用于在输入所述原始图像后生成具有空间变化标准差的服从正态分布的空间特征；

第一量化模块，用于将所述空间特征进行量化；

统计概率编码器，用于将所述空间特征进行编码以得到压缩的边缘像素统计信息；

第二量化模块，用于将所述边缘像素统计信息进行量化；

熵编码，用于将量化后的空间特征与边缘像素统计信息进行算数编码以生成压缩图像数据。

2.根据权利要求1所述的基于深度学习的图像压缩神经网络模型，其特征在于，所述模型还包括：

熵解码，用于将所述压缩图像数据经算数解码以得到空间分布信息和边缘像素统计压缩数据；

统计概率解码器，用于将所述边缘像素统计压缩数据进行解码以获取边缘像素统计信息；

解码器，用于将所述空间分布信息和所述边缘像素统计信息解码以得到有损的还原图像。

3.根据权利要求2所述的基于深度学习的图像压缩神经网络模型，其特征在于，

所述编码器包括：卷积层C11、第一广义除数归一化层、卷积层C12、第二广义除数归一化层、及卷积层C21；其中，第二广义除数归一化层与卷积层C21重复设置4组；

所述统计概率编码器包括：绝对值方程、卷积层C22、激活函数R1、卷积层C13、激活函数R2、及卷积层C23；其中，激活函数R2与卷积层C23重复设置2组；

所述统计概率解码器包括：卷积层C24、激活函数R3、卷积层C14、激活函数R4、卷积层C25、及激活函数R5；其中，卷积层C24于激活函数R3重复设置2组；

所述解码器包括：卷积层C26、第一逆广义除数归一化层、卷积层C15、第二逆广义除数归一化层、及卷积层C16；其中，卷积层C26与第一逆广义除数归一化层重复设置4组。

4.根据权利要求3所述的基于深度学习的图像压缩神经网络模型，其特征在于，C1开头的卷积层的卷积核大小为5x5；C2开头的卷积层的卷积核大小为更小的3x3。

5.根据权利要求1所述的基于深度学习的图像压缩神经网络模型，其特征在于，所述第一广义除数归一化层与所述第二广义除数归一化层，通过一个可导同时可逆的变换y＝g(x；θ)，将输入映射到一个指定的密度，该密度的逆变换图像能够提供输入空间的密度估计。

6.根据权利要求1所述的基于深度学习的图像压缩神经网络模型，其特征在于，所述量化采用一个损失函数来代替，以防止梯度为0，以实现将真实的码率输出比特数目加入到训练中。

7.一种基于深度学习的图像压缩方法，其特征在于，应用于如权利要求1至7中任意一项所述的基于深度学习的图像压缩神经网络模型，所述方法包括：

输入所述原始图像，经编码器生成具有空间变化标准差的服从正态分布的空间特征；

令所述空间特征进行量化，同时将所述空间特征通过统计概率编码器进行编码和量化以得到压缩的边缘像素统计信息；

将量化后的空间特征与边缘像素统计信息经熵编码以生成压缩图像数据。

8.根据权利要求8所述的方法，其特征在于，所述方法还包括图像解压缩方法：

将所述压缩图像数据经熵解码得到空间分布信息和边缘像素统计压缩数据；

令所述边缘像素统计压缩数据通过统计概率解码器以获取边缘像素统计信息；

将所述空间分布信息和所述边缘像素统计信息经过解码器得到有损的还原图像。

9.一种计算机设备，其特征在于，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如权利要求7或8所述的方法。