[发明专利]基于可伸缩卷积神经网络的JPEG编码压缩图像复原的方法

摘要

本发明公开了一种基于可伸缩卷积神经网络的JPEG编码压缩图像复原方法，属于图像信号处理、人工智能领域。本发明首先提出了基于可伸缩卷积神经网络的JPEG编码压缩图像复原方法的处理框架，该框架由图像特征编码单元、图像特征解码单元、非线性特征映射单元以及用于训练可伸缩卷积神经网络的贪心损失框架组成。本发明利用贪心损失框架局部最优特性，结合深度卷积神经网络强大的泛化能力，实现了在不改变网络模型权值的前提下对网络的深度进行动态的调整。同时，该方法在JPEG编码压缩图像复原领域较传统的图像去块滤波方法在主观图像质量及PSNR、SSIM等关键技术指标上均有明显的提升。

主权项

1.一种基于可伸缩卷积神经网络的JPEG压缩编码图像的复原方法，包括：步骤1，采用固定的图像质量因子对高清图像进行JPEG压缩编码得到失真图像，并采用相同随机步长将高清图像和失真图像分割成若干组图像块，构成训练集；步骤2，构建可伸缩卷积神经网络模型，所述可伸缩卷积神经网络模型包括图像特征编码单元、包括依次连接的n个非线性特征映射单元的映射组以及图像特征解码单元，其中，所述图像特征编码单元编码接收的彩色图像的特征，输出图像特征编码至映射组，所述映射组选择利用相邻的m个非线性特征映射单元对接收的图像特征编码进行m次映射处理，输出映射后的图像特征编码至图像特征解码单元，所述图像特征解码单元解码接收的图像特征编码，并输出解码的彩色图像，其中，m≤n，n＝1,2,3，…，N，N为自然数；步骤3，基于可伸缩卷积神经网络模型构建贪心损失框架，所述贪心损失框架为：在可伸缩卷积神经网络模型的基础上，在每个映非线性特征映射单元后接一个图像特征解码单元，并在每个图像特征解码单元后均连接一个损失计算单元；步骤4，利用训练集对构建的贪心损失框架进行训练，当训练结束后，确定网络权重参数；步骤5，应用时，待复原的压缩图像输入至训练好的可伸缩卷积神经网络模型中，该待复原的压缩图像依次经过图像特征编码单元、根据系统运算能力选择的m个非线性特征映射单元以及图像特征解码单元处理，输出复原图像。