[发明专利]一种基于学习的超先验边信息补偿图像压缩方法

权利要求书

1.一种基于学习的超先验边信息补偿图像压缩方法，基于超先验边信息补偿的图像压缩系统，该系统包括主分析变换、主合成变换、浅层分析变换、浅层合成变换、潜在表示上下文模型、潜在表示熵参数模型、浅层超先验上下文模型、浅层超先验熵参数模型、因式分解熵参数模型、算术编器以及算数解码器，所述主分析变换进行四次下采样，其特征在于：还设置了多尺度特征提取、基于学习的超先验补偿、深层分析变换、深层合成变换以及有效的残差通道注意力；

主分析变换和主合成变换用于学习图像的潜在表示；

浅层分析变换，浅层合成变换，潜在表示上下文模型和潜在表示熵参数模型用于学习潜在表示的概率模型；

深层分析变换，深层合成变换，浅层超先验上下文模型和浅层熵参数模型用于学习浅层超先验的概率模型；

由主分析变换和多尺度特征提取组成的多尺度分析变换，浅层分析变换和基于学习的超先验补偿模块主要用于实现对于潜在表示的微调，即补偿作用；

编码阶段具体包括如下步骤，

步骤1：将一张图像输入到主分析变换g_a得到潜在表示y，同时输入到多尺度变换g_m中得到多尺度表示y_m，对潜在表示y进行量化得到量化后的潜在表示

步骤2：将多尺度表示y_m输入到浅层分析变换h_a中，得到浅层超先验z，即第一层边信息，并对浅层超先验z进行量化得到量化后的浅层超先验

步骤3：将浅层超先验z输入到深层分析变换d_a中，得到深层超先验s，即第二层边信息，并对深层超先验s进行量化得到量化后的深层超先验

步骤4：对量化后的深层超先验采用算术编码器进行编码得到第二层边信息的码流3；

步骤5：利用算术解码器对第二层边信息的码流3进行解码并将结果送入深层合成变换d_s中，得到ψ_d，同时将量化后的浅层超先验送入浅层超先验上下文模型中，得到将两者同时送入浅层超先验熵参数模型中，得到和表示中每个元素i服从的高斯分布的均值，表示中每个元素i服从的高斯分布的方差，根据和得到对应的概率，使用算术编码器根据该概率编码得到第一层边信息的码流2；

步骤6：利用算术解码器对第一层边信息的码流2进行解码并将结果送入浅层合成变换h_s中，得到ψ_h，同时将量化后的潜在表示送入潜在表示上下文模型中，得到将两者同时送入潜在表示熵参数模型中，得到和表示中每个元素i服从的高斯分布的均值，表示中每个元素i服从的高斯分布的方差，根据和得到对应的概率，使用算术编码器根据该概率编码得到潜在表示的码流1；

步骤7：步骤4-步骤6输出的码流3，码流2和码流1构成了该图像传输的总码流，编码过程结束；

解码阶段，利用二进制码流重建压缩后的图像，具体包括以下步骤：

步骤1：使用算术解码器对码流3进行解码，将解码后的结果送入深层合成变换d_s中，得到ψ_d，将码流2已解码的部分送入浅层超先验上下文模型，得到将二者通道拼接后送入到浅层超先验熵参数模型中，得到和使用算术解码器根据该概率依次解码码流2，循环此步直至码流2解码完毕；

步骤2：将码流2解码后的结果送入浅层合成变换h_s中，得到ψ_h，将码流1已解码的部分送入潜在表示上下文模型，得到将二者同时送入到潜在表示熵参数模型中，得到和使用算术解码器根据该概率依次解码码流1，循环此步直至码流1解码完毕；

步骤3：将解码后的码流2送入基于学习的超先验补偿模块，将结果与码流1解码后的结果逐元素相加后送入主合成变换中，得到解码后的重建图像，解码过程结束。

2.根据权利要求1所述的一种基于学习的超先验边信息补偿图像压缩方法，其特征在于：

所述的多尺度特征提取由4个并行支路组成，每条支路由一个卷积组成，且四个卷积核大小不同，即大小为9×9,7×7,5×5,3×3，且下采样的步长分别为8、4、2和1，每条支路分别对主分析变换第一到四次下采样后的特征图进行特征提取。