CN106254879A - 一种应用自编码神经网络的有损图像压缩方法 - Google Patents
一种应用自编码神经网络的有损图像压缩方法 Download PDFInfo
- Publication number
- CN106254879A CN106254879A CN201610798881.5A CN201610798881A CN106254879A CN 106254879 A CN106254879 A CN 106254879A CN 201610798881 A CN201610798881 A CN 201610798881A CN 106254879 A CN106254879 A CN 106254879A
- Authority
- CN
- China
- Prior art keywords
- image
- weight matrix
- hidden layer
- coding
- lossy compression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/186—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a colour or a chrominance component
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种应用自编码神经网络的有损图像压缩方法，该方法包括：步骤S1：对有损图像进行预处理得到采样图像；步骤S2：建立自编码神经网络模型；步骤S3：根据所述自编码神经网络模型计算隐藏层图像；步骤S4：将所述隐藏层图像作为新的采样图像进行后续压缩处理，得到最终的压缩图像。与现有技术相比，本发明提供的一种应用自编码神经网络的有损图像压缩方法由于在构造映射器的过程中使用了自编码神经网络使得图像再一次进行了冗杂信息的处理，即所谓的图像降维处理；同时该网络有着类似提取特征的作用，意味着在解压还原图像的过程中可以利用隐藏层特征的作用达到一定的去噪效果，提升了压缩率的同时还有着提升图像质量的效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种应用自编码神经网络的有损图像压缩方法。
背景技术
随着大数据时代的到来，数据以***性的速度增长着，巨量的数据携带着信息在人们之间传递着，而图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。因此，如何保证图像准确快速地传递成为数字图像处理重要的问题之一，最直接的方法就是对图像进行压缩，即减少表示数字图像时需要的数据量，这样传递图像时既可以提高速率同时也可以保证图像信息的完整性与准确性。图像压缩正是图像处理的重要的一项关键技术，划分为有损图像压缩以及无损图像压缩。后者由于其解压后图像的完整性而被医疗行业等需要高精度图像的机构组织广泛使用，而有损图像压缩技术拥有保证重要信息量的完整情况下丢失一部分不必要的信息这一特性，从而因其更高的压缩率在一般的个人及其他机构更受欢迎。但是，传统的有损图像压缩技术的压缩率较低。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷，本发明采用的技术方案在于，提供一种应用自编码神经网络的有损图像压缩方法，该方法包括以下步骤：
步骤S1：对有损图像进行预处理得到采样图像；
步骤S2：建立自编码神经网络模型；
步骤S3：根据所述自编码神经网络模型计算隐藏层图像；
步骤S4：将所述隐藏层图像作为新的采样图像进行后续压缩处理，得到最终的压缩图像。
较佳的，所述步骤S1具体包括：对原始有损图像进行颜色模式转换，并根据需要确定图像采样方式对转换后的图像进行采样，得到对应图像的采样图像。
较佳的，所述颜色模式转换具体为把RGB颜色空间转化为YCrCb颜色空间。
较佳的，所述图像采样方式包括：YUV411和YUV422，其意义为Y、Cb、Cr三个分量的数据取样比例一般是4：1：1或者4：2：2。
较佳的，所述步骤S2具体包括如下步骤：
步骤S21：将采样图像的转换为像素矩阵再变成一维数组，设像素为N；
步骤S22：根据压缩率的需要设置隐藏层的神经元数目M，M＜N；
步骤S23：训练自编码神经网络，得到最终的对应的两个权重矩阵，并将这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，所述第一权重矩阵为输入层到隐藏层的连接矩阵，所述第二权重矩阵为隐藏层到输出层的连接矩阵；
步骤S24：将所述第一权重矩阵放到映射器中，将所述第二权重矩阵放到逆映射器中。
较佳的，所述步骤S23具体包括以下步骤：
步骤S231：初始化自编码神经网络，给各权值分别赋一个区间[-1,1]内的随机数，设定误差值e；
步骤S232：将采用图像的一维数组输入自编码神经网络；
步骤S233：计算采样图像的实际像素输出；
步骤S234：计算实际像素输出与相应的理想像素输出的误差E；
步骤S235：判断误差E是否小于设定的误差值e，若是，则执行步骤S236，若否，则执行步骤S237；
步骤S236：输出对应的两个权重矩阵结果；
步骤S237：输出对应的两个权重矩阵结果，调整对应的两个权重矩阵，重新计算输出像素结果，直至误差收敛，输出最终的对应的两个权重矩阵结果；
步骤S238：将对应的这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，第一权重矩阵为输入层到隐藏层的连接矩阵，第二权重矩阵为隐藏层到输出层的连接矩阵。
较佳的，所述步骤S3具体包括：根据所述第一权重矩阵对采样图像进行处理，得到相应的隐藏层向量，并将该隐藏层向量按照从左到右，从上到下的顺序转化为图像像素格式，并且未能填补的像素以0填补，即得到隐藏层图像。
较佳的，所述步骤S4具体包括：对新的采样图像进行分层、离散余弦变换、Zigzag扫描排序、量化、DC系数的差分脉冲调制编码、DC系数的中间格式计算、AC系数的游程长度编码、AC系数的中间格式计算和熵编码。
与现有技术相比，本发明提供的一种应用自编码神经网络的有损图像压缩方法具有以下好处：
(1)该方法结合了图像处理方法与机器学习方法，使得该有损图像压缩方法既有图像处理方法的直观性和易理解性，也有着机器学习方法的严谨性以及准确性。
(2)利用自编码神经网络，不仅可以利用隐藏层达到图像压缩的效果，还可以根据输入以及隐藏层之间的权重联结定义出图像的特征，其中的隐藏神经元可能代表着图像重要的特征，这样就使得该压缩下不仅没有去掉有用的信息，还会保存相对重要的图形特征，有利于在压缩图片的同时对图像处理其他技术产生有用的信息。
(3)由于在构造映射器的过程中使用了自编码神经网络使得图像再一次进行了冗杂信息的处理，即所谓的图像降维处理；同时该网络有着类似提取特征的作用，意味着在解压还原图像的过程中可以利用隐藏层特征的作用达到一定的去噪效果，提升了压缩率的同时还有着提升图像质量的效果，一举多得。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明的一种应用自编码神经网络的有损图像压缩方法流程图；
图2为建立自编码神经网络模型的流程图；
图3为自编码神经网络训练的流程图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
如图1所示，为本发明的一种应用自编码神经网络的有损图像压缩方法流程图，该方法包括以下步骤:
步骤S1：对有损图像进行预处理得到采样图像。
具体的，所述预处理包括：对原始有损图像进行颜色模式转换，并根据需要确定图像采样方式对转换后的图像进行采样，得到对应图像的采样图像。颜色模式转换具体为把RGB颜色空间转化为YCrCb颜色空间。通常采用两种采样方式：YUV411和YUV422。对应地，其意义为Y、Cb、Cr三个分量的数据取样比例一般是4：1：1或者4：2：2。
步骤S2：建立自编码神经网络模型。
如图2所示，为建立自编码神经网络模型的流程图，具体包括如下步骤：
步骤S21：将采样图像的转换为像素矩阵再变成一维数组，设像素为N。
步骤S22：根据压缩率的需要设置隐藏层的神经元数目M，M＜N。
步骤S23：训练自编码神经网络，得到最终的对应的两个权重矩阵，并将这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，第一权重矩阵为输入层到隐藏层的连接矩阵，第二权重矩阵为隐藏层到输出层的连接矩阵。
步骤S24：将第一权重矩阵放到映射器中，将第二权重矩阵放到逆映射器中。
如图3所示，为自编码神经网络训练的流程图，具体包括以下步骤：
步骤S231：初始化自编码神经网络，给各权值分别赋一个区间[-1,1]内的随机数，设定误差值e。
步骤S232：将采用图像的一维数组输入自编码神经网络。
步骤S233：计算采样图像的实际像素输出。
步骤S234：计算实际像素输出与相应的理想像素输出的误差E。
如第i个像素的误差为：Ei＝(Oi-Yi)2/2，而自编码神经网络关于整幅图像的误差为：ΣEi。
步骤S235：判断误差E是否小于设定的误差值e，若是，则执行步骤S236，若否，则执行步骤S237。
步骤S236：输出对应的两个权重矩阵结果。
步骤S237：输出对应的两个权重矩阵结果，调整对应的两个权重矩阵，重新计算输出像素结果，直至误差收敛，输出最终的对应的两个权重矩阵结果。
步骤S238：将对应的这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，第一权重矩阵为输入层到隐藏层的连接矩阵，第二权重矩阵为隐藏层到输出层的连接矩阵。
步骤S3：根据自编码神经网络模型计算隐藏层图像。
具体的，根据训练后确定的第一权重矩阵对采样图像进行处理，得到相应的隐藏层向量，并将该隐藏层向量按照从左到右，从上到下的顺序转化为图像像素格式，并且未能填补的像素以0填补，即得到隐藏层图像。
步骤S4：将隐藏层图像作为新的采样图像进行后续压缩处理，得到最终的压缩图像。
具体的，将隐藏层图像作为新的采样图像进行后续压缩处理包括：对新的采样图像进行分层、离散余弦变换(DCT)、Zigzag扫描排序、量化、DC系数的差分脉冲调制编码、DC系数的中间格式计算、AC系数的游程长度编码、AC系数的中间格式计算、熵编码。
由于只在构造映射器的过程中用到了自编码神经网络，那么，该方法下的解压技术也只是在逆映射器的构造中添加对应的第二权重矩阵来把隐藏层图像近似转化为原图像。类似压缩过程，把隐藏层图像转化为一维向量并截取前M项，对截取后的向量应用权重矩阵2得到对应的近似采样图像，最后根据该采样图像还原图像。
本发明提供的一种应用自编码神经网络的有损图像压缩方法具有以下好处：
(1)该方法结合了图像处理方法与机器学习方法，使得该有损图像压缩方法既有图像处理方法的直观性和易理解性，也有着机器学习方法的严谨性以及准确性。
(2)利用自编码神经网络，不仅可以利用隐藏层达到图像压缩的效果，还可以根据输入以及隐藏层之间的权重联结定义出图像的特征，其中的隐藏神经元可能代表着图像重要的特征，这样就使得该压缩下不仅没有去掉有用的信息，还会保存相对重要的图形特征，有利于在压缩图片的同时对图像处理其他技术产生有用的信息。
(3)由于在构造映射器的过程中使用了自编码神经网络使得图像再一次进行了冗杂信息的处理，即所谓的图像降维处理；同时该网络有着类似提取特征的作用，意味着在解压还原图像的过程中可以利用隐藏层特征的作用达到一定的去噪效果，提升了压缩率的同时还有着提升图像质量的效果，一举多得。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
Claims (8)
1.一种应用自编码神经网络的有损图像压缩方法，其特征在于，该方法包括以下步骤：
步骤S1：对有损图像进行预处理得到采样图像；
步骤S2：建立自编码神经网络模型；
步骤S3：根据所述自编码神经网络模型计算隐藏层图像；
步骤S4：将所述隐藏层图像作为新的采样图像进行后续压缩处理，得到最终的压缩图像。
2.根据权利要求1所述的有损图像压缩方法，其特征在于，所述步骤S1具体包括：对原始有损图像进行颜色模式转换，并根据需要确定图像采样方式对转换后的图像进行采样，得到对应图像的采样图像。
3.根据权利要求2所述的有损图像压缩方法，其特征在于，所述颜色模式转换具体为把RGB颜色空间转化为YCrCb颜色空间。
4.根据权利要求3所述的有损图像压缩方法，其特征在于，所述图像采样方式包括：YUV411和YUV422，其意义为Y、Cb、Cr三个分量的数据取样比例一般是4：1：1或者4：2：2。
5.根据权利要求2所述的有损图像压缩方法，其特征在于，所述步骤S2具体包括如下步骤：
步骤S21：将采样图像的转换为像素矩阵再变成一维数组:，设像素为N；
步骤S22：根据压缩率的需要设置隐藏层的神经元数目M，M＜N；
步骤S23：训练自编码神经网络，得到最终的对应的两个权重矩阵，并将这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，所述第一权重矩阵为输入层到隐藏层的连接矩阵，所述第二权重矩阵为隐藏层到输出层的连接矩阵；
步骤S24：将所述第一权重矩阵放到映射器中，将所述第二权重矩阵放到逆映射器中。
6.根据权利要求5所述的有损图像压缩方法，其特征在于，所述步骤S23具体包括以下步骤：
步骤S231：初始化自编码神经网络，给各权值分别赋一个区间[-1,1]内的随机数，设定误差值e；
步骤S232：将采用图像的一维数组输入自编码神经网络；
步骤S233：计算采样图像的实际像素输出；
步骤S234：计算实际像素输出与相应的理想像素输出的误差E；
步骤S235：判断误差E是否小于设定的误差值e，若是，则执行步骤S236，若否，则执行步骤S237；
步骤S236：输出对应的两个权重矩阵结果；
步骤S237：输出对应的两个权重矩阵结果，调整对应的两个权重矩阵，重新计算输出像素结果，直至误差收敛，输出最终的对应的两个权重矩阵结果；
步骤S238：将对应的这两个权重矩阵记录为第一权重矩阵和第二权重矩阵，第一权重矩阵为输入层到隐藏层的连接矩阵，第二权重矩阵为隐藏层到输出层的连接矩阵。
7.根据权利要求6所述的有损图像压缩方法，其特征在于，所述步骤S3具体包括：根据所述第一权重矩阵对采样图像进行处理，得到相应的隐藏层向量，并将该隐藏层向量按照从左到右，从上到下的顺序转化为图像像素格式，并且未能填补的像素以0填补，即得到隐藏层图像。
8.根据权利要求7所述的有损图像压缩方法，其特征在于，所述步骤S4具体包括：对新的采样图像进行分层、离散余弦变换、Zigzag扫描排序、量化、DC系数的差分脉冲调制编码、DC系数的中间格式计算、AC系数的游程长度编码、AC系数的中间格式计算和熵编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610798881.5A CN106254879B (zh) | 2016-08-31 | 2016-08-31 | 一种应用自编码神经网络的有损图像压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610798881.5A CN106254879B (zh) | 2016-08-31 | 2016-08-31 | 一种应用自编码神经网络的有损图像压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106254879A true CN106254879A (zh) | 2016-12-21 |
| CN106254879B CN106254879B (zh) | 2019-11-08 |
Family
ID=58080789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610798881.5A Active CN106254879B (zh) | 2016-08-31 | 2016-08-31 | 一种应用自编码神经网络的有损图像压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106254879B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665128A (zh) * | 2017-09-13 | 2018-02-06 | 深信服科技股份有限公司 | 图像处理方法、***、服务器及可读存储介质 |
| CN108776818A (zh) * | 2018-06-05 | 2018-11-09 | 北京航空航天大学 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
| CN109547784A (zh) * | 2017-09-21 | 2019-03-29 | 华为技术有限公司 | 一种编码、解码方法及装置 |
| CN109726794A (zh) * | 2017-10-27 | 2019-05-07 | 谷歌有限责任公司 | 基于关注的图像生成神经网络 |
| CN109842799A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 颜色分量的帧内预测方法及装置 |
| WO2019237659A1 (en) * | 2018-06-11 | 2019-12-19 | Suzhou Aqueti Technology Co., Ltd. | Blind compressive sampling method, apparatus and imaging system |
| CN111031312A (zh) * | 2019-12-16 | 2020-04-17 | 山东浪潮人工智能研究院有限公司 | 基于网络实现注意力机制的图像压缩方法 |
| CN112437311A (zh) * | 2020-11-23 | 2021-03-02 | 黄晓红 | 一种视频序列压缩编码方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02202777A (ja) * | 1989-01-31 | 1990-08-10 | Sharp Corp | 画像圧縮方法 |
| CN1106600A (zh) * | 1994-02-05 | 1995-08-09 | 华邦电子股份有限公司 | 以对称编码实现色彩空间转换的方法 |
| CN1405735A (zh) * | 2002-11-08 | 2003-03-26 | 北京工业大学 | 基于感知器的彩色图像无损压缩方法 |
| CN101094402A (zh) * | 2007-07-13 | 2007-12-26 | 青岛大学 | 基于神经网络与svm的图像编码方法 |
| CN101795344A (zh) * | 2010-03-02 | 2010-08-04 | 北京大学 | 数字全息图像压缩、解码方法及***、传输方法及*** |
| CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
-
2016
- 2016-08-31 CN CN201610798881.5A patent/CN106254879B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02202777A (ja) * | 1989-01-31 | 1990-08-10 | Sharp Corp | 画像圧縮方法 |
| CN1106600A (zh) * | 1994-02-05 | 1995-08-09 | 华邦电子股份有限公司 | 以对称编码实现色彩空间转换的方法 |
| CN1405735A (zh) * | 2002-11-08 | 2003-03-26 | 北京工业大学 | 基于感知器的彩色图像无损压缩方法 |
| CN101094402A (zh) * | 2007-07-13 | 2007-12-26 | 青岛大学 | 基于神经网络与svm的图像编码方法 |
| CN101795344A (zh) * | 2010-03-02 | 2010-08-04 | 北京大学 | 数字全息图像压缩、解码方法及***、传输方法及*** |
| CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665128A (zh) * | 2017-09-13 | 2018-02-06 | 深信服科技股份有限公司 | 图像处理方法、***、服务器及可读存储介质 |
| CN109547784A (zh) * | 2017-09-21 | 2019-03-29 | 华为技术有限公司 | 一种编码、解码方法及装置 |
| US11816884B2 (en) | 2017-10-27 | 2023-11-14 | Google Llc | Attention-based image generation neural networks |
| CN109726794A (zh) * | 2017-10-27 | 2019-05-07 | 谷歌有限责任公司 | 基于关注的图像生成神经网络 |
| CN109726794B (zh) * | 2017-10-27 | 2024-03-12 | 谷歌有限责任公司 | 基于关注的图像生成神经网络 |
| CN109842799A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 颜色分量的帧内预测方法及装置 |
| WO2019105179A1 (zh) * | 2017-11-29 | 2019-06-06 | 杭州海康威视数字技术股份有限公司 | 颜色分量的帧内预测方法及装置 |
| CN109842799B (zh) * | 2017-11-29 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 颜色分量的帧内预测方法、装置及计算机设备 |
| CN108776818A (zh) * | 2018-06-05 | 2018-11-09 | 北京航空航天大学 | 轴承特征提取方法、轴承剩余寿命预测方法和装置 |
| WO2019237659A1 (en) * | 2018-06-11 | 2019-12-19 | Suzhou Aqueti Technology Co., Ltd. | Blind compressive sampling method, apparatus and imaging system |
| CN111031312B (zh) * | 2019-12-16 | 2022-02-25 | 山东浪潮科学研究院有限公司 | 基于网络实现注意力机制的图像压缩方法 |
| CN111031312A (zh) * | 2019-12-16 | 2020-04-17 | 山东浪潮人工智能研究院有限公司 | 基于网络实现注意力机制的图像压缩方法 |
| CN112437311A (zh) * | 2020-11-23 | 2021-03-02 | 黄晓红 | 一种视频序列压缩编码方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106254879B (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106254879A (zh) | 一种应用自编码神经网络的有损图像压缩方法 | |
| Li et al. | An efficient deep convolutional neural networks model for compressed image deblocking | |
| Johnston et al. | Improved lossy image compression with priming and spatially adaptive bit rates for recurrent networks | |
| WO2020190772A1 (en) | Neural network model compression and optimization | |
| CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
| CN108734659A (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
| CN106910161A (zh) | 一种基于深度卷积神经网络的单幅图像超分辨率重建方法 | |
| CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码*** | |
| CN107743235B (zh) | 图像处理方法、装置及电子设备 | |
| Barannik et al. | Video data compression methods in the decision support systems | |
| CN106791836A (zh) | 一种基于一对多网络的减少图像压缩效应的方法 | |
| CN107645662A (zh) | 一种彩色图像压缩方法 | |
| CN105118053A (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
| CA2446874C (en) | Apparatus and method for encoding and computing a discrete cosine transform using a butterfly processor | |
| CN116681621A (zh) | 一种基于特征融合及复用的人脸图像修复方法 | |
| CN108596866B (zh) | 一种基于稀疏低秩分解和视觉显著性结合的医学图像融合方法 | |
| CN114761968B (zh) | 用于频域静态通道滤波的方法、***和存储介质 | |
| Joshua et al. | Comparison of DCT and DWT image compression | |
| CN107146260B (zh) | 一种基于均方误差的图像压缩感知采样方法 | |
| CN107146259A (zh) | 一种基于压缩感知理论的新型图像压缩方法 | |
| Baviskar et al. | Performance evaluation of high quality image compression techniques | |
| US20070211937A1 (en) | Hybrid Image Compression Method | |
| CN106530365B (zh) | 基于图像信息含量差异的自适应压缩感知重构方法 | |
| CN110956669A (zh) | 一种图像压缩编码方法及*** | |
| CN107705249A (zh) | 基于深度度量学习的图像超分辨方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Room 701, 7th floor, Building A, 906 Tianhe Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 Applicant after: Guangdong fine point data Polytron Technologies Inc Address before: 510630 906 hi tech building, Tianhe North Road, Guangzhou, Guangdong A-701 Applicant before: Guangzhou Jing Dian computing machine Science and Technology Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |