CN111614962B - 一种基于区域块级jnd预测的感知图像压缩方法 - Google Patents

一种基于区域块级jnd预测的感知图像压缩方法 Download PDF

Info

Publication number
CN111614962B
CN111614962B CN202010313187.6A CN202010313187A CN111614962B CN 111614962 B CN111614962 B CN 111614962B CN 202010313187 A CN202010313187 A CN 202010313187A CN 111614962 B CN111614962 B CN 111614962B
Authority
CN
China
Prior art keywords
jnd
value
image
block
area
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.)
Active
Application number
CN202010313187.6A
Other languages
English (en)
Other versions
CN111614962A (zh
Inventor
王瀚漓
田涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010313187.6A priority Critical patent/CN111614962B/zh
Publication of CN111614962A publication Critical patent/CN111614962A/zh
Application granted granted Critical
Publication of CN111614962B publication Critical patent/CN111614962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04N19/17—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 an image region, e.g. an object
    • H04N19/176—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 an image region, e.g. an object the region being a block, e.g. a macroblock
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • 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
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种基于区域块级JND预测的感知图像压缩方法，包括以下步骤：1)根据数据集中的图像和对应的JND信息，利用大津阈值方法，生成区域块级JND值；2)根据生成的区域块级JND值，建立基于CNN的区域块级JND预测模型；3)将测试图像在多个固定的QF值下进行压缩，得到对应的多张失真图像，将全部失真图像分割为多个不重叠的区域块，并预测每个区域块的JND标签，最后采用标签处理方法获取每个区域块最终的JND值；4)根据目标压缩QF值和每个区域块最终的JND值，对测试图像进行预处理操作，选取区域块感知QF值中最大的作为压缩参数，并采用JPEG压缩预处理后的测试图像。与现有技术相比，本发明具有自适应预测、压缩质量好、压缩效率高等优点。

Description

一种基于区域块级JND预测的感知图像压缩方法
技术领域
本发明涉及图像压缩领域，尤其是涉及一种基于区域块级JND预测的感知图像压缩方法。
背景技术
随着社交网络和多媒体技术的发展，在互联网上产生了大量的图片信息。根据最近的统计结果，Instagram用户每天上传大约9000万张图片。因此，如何存储和传输这些图像是一项极具挑战性的工作，现有的图像压缩标准，比如JPEG、H.264和HEVC，都是将PSNR和MSE作为衡量失真的标准，然而，PSNR在计算的过程中认为每个像素点同等重要，和人眼视觉***不符，因此，研究面向人眼视觉***的图像压缩算法显得尤为重要。
人们已提出多种方法来解决这一难题，包括基于JND的方法，基于注意力模型的方法等。目前，基于JND(Just Noticeable Difference恰可察觉失真)的图像/视频感知压缩方法是研究的重点。现有的JND模型主要分为两种：基于像素域和基于DCT(DiscreteCosine Transform)域。基于像素域的方法主要考虑了人眼视觉***中的亮度掩蔽效应和对比度掩蔽效应；DCT域的JND模型在像素域模型的基础上，加入了空间对比度函数。现有的感知编码模型虽然能够在一定程度上减少编码中的感知冗余信息，但是只考虑了有限的视觉特性并且不随着量化参数的改变而改变，最新的感知实验表明人眼视觉***对图像质量的感知呈现阶梯状，并不是连续变化的，每个突变点可以看成是JND值。但是，对于一张图像，需要通过大量的主观实验才能得到最终的JND值，无法在现实中应用，此外，不同的图像内容应该包含不同的JND值，因此，设计区域块级JND预测和压缩算法显得尤为必要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于区域块级JND预测的感知图像压缩方法。
本发明的目的可以通过以下技术方案来实现：
一种基于区域块级JND预测的感知图像压缩方法，包括以下步骤：
1)根据数据集中的图像和对应的JND信息，利用大津阈值方法，生成区域块级JND值；
2)根据生成的区域块级JND值，建立基于CNN的区域块级JND预测模型；
3)将测试图像在多个固定的QF值下进行压缩，得到对应的多张失真图像，将全部失真图像分割为多个不重叠的区域块，并预测每个区域块的JND标签，最后采用标签处理方法获取每个区域块最终的JND值；
4)根据目标压缩QF值和每个区域块最终的JND值，对测试图像进行预处理操作，选取区域块感知QF值中最大的作为压缩参数，并采用JPEG压缩预处理后的测试图像。
所述的步骤1)具体包括以下步骤：
11)对于平滑的区域，设定平滑区域内的区域块级JND值与图像级JND值一致，则有：
Figure BDA0002458616380000021
Figure BDA0002458616380000022
其中，SI为测试图像I的图像级JND值，
Figure BDA0002458616380000023
为测试图像I内第i个区域块bi的压缩参数；
12)对于纹理复杂的区域，在图像级JND值下求取每个区域块的SSIM值；
13)将每个区域块在连续JND值下的质量差异ΔSSIM作为每个区域块的强度，利用大津阈值方法，以区域块为基本单位，自适应判断在当前图像级JND值下的失真区域；
14)循环执行步骤12)-步骤13)，直到每个图像的所有图像级JND执行完毕，生成最终的区域块级JND值。
所述的步骤13)中，每个区域块在连续JND值下的质量差异ΔSSIM的表达式为：
Figure BDA0002458616380000024
其中，
Figure BDA0002458616380000031
为在当压缩参数为
Figure BDA0002458616380000032
时，测试图像I内第i个区域块bi的SSIM值。
所述的步骤2)具体包括以下步骤：
21)将生成的区域块级JND值从小到大排序，划分类别后标记训练标签值，形成数据集；
22)将数据集内90％的区域块用于训练，10％的区域块用于测试；
23)采用AlexNet网络，训练区域块级JND预测模型。
所述的步骤23)中，在区域块级JND预测模型的训练过程中，图像块大小设置为64×64，初始学习率设置为0.001，最大迭代次数设置为250000，batch size大小设置为64。
所述的步骤3)具体包括以下步骤：
31)将测试图像在多个固定的QF值下进行压缩，得到多个失真图像；
32)将全部失真图像分割为多个不重叠的区域块，采用区域块级JND预测模型预测每个区域块的JND标签；
33)当多张失真图像相同位置区域块的预测JND标签满足判断公式
Figure BDA0002458616380000033
则进行步骤34)，若不满足，则进行步骤35)，其中，qi、qj分别为QF值，b为区域块，L(·)为预测JND标签；
34)JND标签对应的QF值即为当前区域块的JND值；
35)将JND标签值按照从小到大排序，使其满足33)中的判断公式后获取对应的QF值作为当前区域块的JND值。
所述的固定的QF值共有9个，分别为15、20、25、30、35、40、45、50和55，所述的不重叠的区域块的大小为64×64。
所述的步骤4)具体包括以下步骤：
41)获取测试图像I第i个区域块bi的预测JND值
Figure BDA0002458616380000034
则有：
Figure BDA0002458616380000035
其中，
Figure BDA0002458616380000036
为第k个JND值，
Figure BDA0002458616380000037
为预测JND值的总数；
42)预先设定目标压缩QF值为
Figure BDA0002458616380000038
则最终采用的感知QF值
Figure BDA0002458616380000039
为：
Figure BDA0002458616380000041
其中，
Figure BDA0002458616380000042
为第1个JND值，
Figure BDA0002458616380000043
为第
Figure BDA0002458616380000044
个JND值；
43)选取区域块感知QF值中最大的作为图像级的压缩参数
Figure BDA0002458616380000045
其表达式为：
Figure BDA0002458616380000046
其中，NBI为测试图像I内的区域块数目；
44)若区域块的JND值小于图像级的压缩参数，则对图像进行预处理；
45)当所有的DCT系数经过预处理后进行逆DCT变换操作，生成经过预处理之后的测试图像，并采用步骤43)中的图像级压缩参数
Figure BDA0002458616380000047
采用标准JPEG进行压缩得到压缩后的图像。
所述的步骤43)中，若存在部分区域块的预测JND值较小，则采用以下方式处理：
Figure BDA0002458616380000048
所述的步骤44)中，对图像进行预处理具体为：
Figure BDA0002458616380000049
其中，
Figure BDA00024586163800000410
为经过量化后的位置(m,n)处的DCT系数。
与现有技术相比，本发明具有以下优点：
一、自适应预测：本发明无需进行主观实验，根据输入测试图像内容，自适应预测区域块级JND信息，用于感知编码。
二、压缩质量好：本发明避免个别区域预测JND值较低引起主观质量下降的情况，同时又保护了纹理简单区域的质量，在提高压缩效率的同时，取得和JPEG相似的主观质量。
三、压缩效率高：本发明可以根据测试图像区域块的内容，自适应的预测JND信息，提高图像的压缩效率，本发明在Kodak数据集中选取10张图像作为测试，分别测试了3个QF值，从高到低分别为75、50和30，与JPEG算法相比，在主观感知质量相似的情况下，码率分别节约了43.91％、18.76％和13.11％，压缩效率超过了其他同类模型。
附图说明
图1为本发明中基于模型训练和感知编码流程图，其中，图(1a)为基于模型训练流程图，图(1b)为感知编码流程图。
图2为选取的测试图像示意图。
图3为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明提供一种基于区域块级JND预测的感知图像压缩方法，包括步骤：
1)根据数据集中的图像和对应的JND信息，利用大津阈值方法，求取区域块级JND值，具体包括以下步骤：
11)假设图像I，其对应的图像级JND值为：
Figure BDA0002458616380000051
其中，NI为图像级JND的数目，
Figure BDA0002458616380000052
为第k个压缩参数；
12)对于平滑区域smooth，我们认为其区域块bi的JND值与图像级JND值一致，表示为：
Figure BDA0002458616380000053
13)对于复杂区域，为每个区域块计算连续JND值下的质量差异，表示为：
Figure BDA0002458616380000054
其中，
Figure BDA0002458616380000055
为当压缩参数为
Figure BDA0002458616380000056
时，第i个区域块bi的SSIM值；
14)将步骤13)中的质量差异作为每个区域块的强度，利用大津阈值算法选取最优的阈值，自适应将图像分为两类，即失真区域和非失真区域；
15)循环执行步骤14)的操作，直到每个图像的所有图像级JND执行完毕，生成最终的区域块级JND信息，即区域块级JND值；
2)根据生成的区域块级JND信息，建立基于CNN的区域块级JND预测模型；
21)将生成的区域块级JND值从小到大排序，总共划分为43类，训练标签值为0到42；
22)数据集内90％的区域块用于训练，10％的区域块用于测试；
23)利用经典的AlexNet网络，训练区域块级JND预测模型，在区域块级JND预测模型的训练过程中，图像块大小为64×64，初始学习率设置为0.001，最大迭代次数为250000，batch size大小为64，测试准确率为89.52％。
3)将测试图像在9个固定的QF值(品质因子)下进行压缩，得到9张失真图像。然后将9张失真图像分割为64×64的不重叠的区域块，预测每个区域块的JND标签，最后利用设计的标签处理方法，求取每个区域块最终的JND值；
31)将测试图像在9个固定的QF值下进行压缩，得到9张失真图像，QF值分别为15、20、25、30、35、40、45、50和55；
32)将9张失真图像分割为64×64的不重叠的区域块，预测每个区域块的JND标签；
33)如果9张失真图像的相同位置的区域块的预测JND标签满足以下公式，
Figure BDA0002458616380000061
则JND标签对应的QF值即为当前区域块的JND值；
34)如果9张失真图像在相同位置的区域块的预测JND标签不满足步骤33)中公式，则将JND标签值按照从小到大排序，使其满足33)中的公式，再求取对应的QF值；
4)根据目标压缩QF值和每个区域块的JND值，对测试图像进行预处理操作，然后利用JPEG压缩预处理过的测试图像，选取区域块的最大JND值为压缩参数，具体为：
41)假设测试图像为I，其第i个区域块的预测JND值为：
Figure BDA0002458616380000071
其中，
Figure BDA0002458616380000072
代表第k个JND值，
Figure BDA0002458616380000073
代表JND值的数目；
42)假设预先给定的压缩QF值为qtar，则最终采用的感知QF可以表示为：
Figure BDA0002458616380000074
43)选取区域块的最大感知QF值为图像级的压缩QF，表示为：
Figure BDA0002458616380000075
其中，NBI为测试图像内的区域块数目，如果部分区域块的预测JND值较小，采用以下公式处理：
Figure BDA0002458616380000076
在实际压缩过程中，为了保证平滑区域的质量，将平滑区域的预测JND值设置为图像级的压缩QF值。
44)如果区域块的JND值小于图像级的压缩参数，采用以下公式对图像进行预处理，
Figure BDA0002458616380000077
其中，
Figure BDA0002458616380000078
代表经过量化之后的(m,n)位置处的DCT系数；
45)当所有的DCT系数经过预处理之后，进行逆DCT变换操作，生成经过预处理之后的测试图像，然后用标准JPEG进行压缩，压缩参数为43)中的图像级QF值。
为了验证本申请方法的性能，设计了以下实验。
在Kodak数据集中随机选取了10张测试图像，如图2所示，根据本发明中方法，分别预测10张测试图像内区域块的JND值，然后，10张测试图像分别在给定的QF＝75、50和30下压缩，覆盖了高、中和低三个质量，JPEG作为本发明算法的对照算法，与JPEG的对比结果如表1、表2、表3所示，
Figure BDA0002458616380000081
DMOS＝MOSΩ-MOSori
其中，Ω代表不同的压缩方法，BPP代表每个像素点消耗的比特数目，MOS指主观分数，ori代表原始JPEG算法。
表1本发明在QF为75时的性能表现
Figure BDA0002458616380000082
表2本发明在QF为50时的性能表现
Figure BDA0002458616380000083
Figure BDA0002458616380000091
表3本发明在QF为30时的性能表现
Figure BDA0002458616380000092

Claims (5)

1.一种基于区域块级JND预测的感知图像压缩方法，其特征在于，包括以下步骤：
1)根据数据集中的图像和对应的JND信息，利用大津阈值方法，生成区域块级JND值，具体包括以下步骤：
11)对于平滑的区域，设定平滑区域内的区域块级JND值与图像级JND值一致，则有：
Figure FDA0003482804040000011
Figure FDA0003482804040000012
其中，SI为测试图像I的图像级JND值，
Figure FDA0003482804040000013
为测试图像I内第i个区域块bi的压缩参数；
12)对于纹理复杂的区域，在图像级JND值下求取每个区域块的SSIM值；
13)将每个区域块在连续JND值下的质量差异ΔSSIM作为每个区域块的强度，利用大津阈值方法，以区域块为基本单位，自适应判断在当前图像级JND值下的失真区域；
14)循环执行步骤12)-步骤13)，直到每个图像的所有图像级JND执行完毕，生成最终的区域块级JND值；
2)根据生成的区域块级JND值，建立基于CNN的区域块级JND预测模型；
3) 将测试图像在多个固定的 QF 值下进行压缩，得到对应的多张失真图像，将全部失真图像分割为多个不重叠的区域块，并预测每个区域块的 JND 标签，最后采用标签处理方法获取每个区域块最终的 JND 值；
所述的步骤3)具体包括以下步骤：
31)将测试图像在多个固定的QF值下进行压缩，得到多个失真图像；
32)将全部失真图像分割为多个不重叠的区域块，采用区域块级JND预测模型预测每个区域块的JND标签；
33)当多张失真图像相同位置区域块的预测JND标签满足判断公式
Figure FDA0003482804040000014
则进行步骤34)，若不满足，则进行步骤35)，其中，qi、qj分别为QF值，b为区域块，L(·)为预测JND标签；
34)JND标签对应的QF值即为当前区域块的JND值；
35)将JND标签值按照从小到大排序，使其满足33)中的判断公式后获取对应的QF值作为当前区域块的JND值；
4)根据目标压缩QF值和每个区域块最终的JND值，对测试图像进行预处理操作，选取区域块感知QF值中最大的作为压缩参数，并采用JPEG压缩预处理后的测试图像，具体包括以下步骤：
41)获取测试图像I第i个区域块bi的预测JND值
Figure FDA0003482804040000021
则有：
Figure FDA0003482804040000022
其中，
Figure FDA0003482804040000023
为第k个JND值，
Figure FDA0003482804040000024
为预测JND值的总数；
42)预先设定目标压缩QF值为
Figure FDA0003482804040000025
则最终采用的感知QF值
Figure FDA0003482804040000026
为：
Figure FDA0003482804040000027
其中，
Figure FDA0003482804040000028
为第1个JND值，
Figure FDA0003482804040000029
为第
Figure FDA00034828040400000210
个JND值；
43)选取区域块感知QF值中最大的作为图像级的压缩参数
Figure FDA00034828040400000211
其表达式为：
Figure FDA00034828040400000212
其中，NBI为测试图像I内的区域块数目；
若存在部分区域块的预测JND值较小，则采用以下方式处理：
Figure FDA00034828040400000213
44)若区域块的JND值小于图像级的压缩参数，则对图像进行预处理；
45)当所有的DCT系数经过预处理后进行逆DCT变换操作，生成经过预处理之后的测试图像，并采用步骤43)中的图像级压缩参数
Figure FDA00034828040400000214
采用标准JPEG进行压缩得到压缩后的图像，对图像进行预处理具体为：
Figure FDA0003482804040000031
其中，
Figure FDA0003482804040000032
为经过量化后的位置(m,n)处的DCT系数。
2.根据权利要求1所述的一种基于区域块级JND预测的感知图像压缩方法，其特征在于，所述的步骤13)中，每个区域块在连续JND值下的质量差异ΔSSIM的表达式为：
Figure FDA0003482804040000033
其中，
Figure FDA0003482804040000034
为在当压缩参数为
Figure FDA0003482804040000035
时，测试图像I内第i个区域块bi的SSIM值。
3.根据权利要求1所述的一种基于区域块级JND预测的感知图像压缩方法，其特征在于，所述的步骤2)具体包括以下步骤：
21)将生成的区域块级JND值从小到大排序，划分类别后标记训练标签值，形成数据集；
22)将数据集内90％的区域块用于训练，10％的区域块用于测试；
23)采用AlexNet网络，训练区域块级JND预测模型。
4.根据权利要求3所述的一种基于区域块级JND预测的感知图像压缩方法，其特征在于，所述的步骤23)中，在区域块级JND预测模型的训练过程中，图像块大小设置为64×64，初始学习率设置为0.001，最大迭代次数设置为250000，batch size大小设置为64。
5.根据权利要求1所述的一种基于区域块级JND预测的感知图像压缩方法，其特征在于，所述的固定的QF值共有9个，分别为15、20、25、30、35、40、45、50和55，所述的不重叠的区域块的大小为64×64。
CN202010313187.6A 2020-04-20 2020-04-20 一种基于区域块级jnd预测的感知图像压缩方法 Active CN111614962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010313187.6A CN111614962B (zh) 2020-04-20 2020-04-20 一种基于区域块级jnd预测的感知图像压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010313187.6A CN111614962B (zh) 2020-04-20 2020-04-20 一种基于区域块级jnd预测的感知图像压缩方法

Publications (2)

Publication Number Publication Date
CN111614962A CN111614962A (zh) 2020-09-01
CN111614962B true CN111614962B (zh) 2022-06-24

Family

ID=72197897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010313187.6A Active CN111614962B (zh) 2020-04-20 2020-04-20 一种基于区域块级jnd预测的感知图像压缩方法

Country Status (1)

Country Link
CN (1) CN111614962B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112637597B (zh) * 2020-12-24 2022-10-18 深圳大学 Jpeg图像压缩方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009023188A2 (en) * 2007-08-15 2009-02-19 Thomson Licensing Method and apparatus for improved video encoding using region of interest (roi) information
CN107040787A (zh) * 2017-03-30 2017-08-11 宁波大学 一种基于视觉感知的3d‑hevc帧间信息隐藏方法
WO2018140158A1 (en) * 2017-01-30 2018-08-02 Euclid Discoveries, Llc Video characterization for smart enconding based on perceptual quality optimization
CN110062234A (zh) * 2019-04-29 2019-07-26 同济大学 一种基于区域恰可察觉失真的感知视频编码方法
CN110072104A (zh) * 2019-04-12 2019-07-30 同济大学 一种基于图像级jnd预测的感知图像压缩方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009023188A2 (en) * 2007-08-15 2009-02-19 Thomson Licensing Method and apparatus for improved video encoding using region of interest (roi) information
WO2018140158A1 (en) * 2017-01-30 2018-08-02 Euclid Discoveries, Llc Video characterization for smart enconding based on perceptual quality optimization
CN107040787A (zh) * 2017-03-30 2017-08-11 宁波大学 一种基于视觉感知的3d‑hevc帧间信息隐藏方法
CN110072104A (zh) * 2019-04-12 2019-07-30 同济大学 一种基于图像级jnd预测的感知图像压缩方法
CN110062234A (zh) * 2019-04-29 2019-07-26 同济大学 一种基于区域恰可察觉失真的感知视频编码方法

Also Published As

Publication number Publication date
CN111614962A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
Li et al. Learning convolutional networks for content-weighted image compression
US9282330B1 (en) Method and apparatus for data compression using content-based features
Ki et al. Learning-based just-noticeable-quantization-distortion modeling for perceptual video coding
Gu et al. Hybrid no-reference quality metric for singly and multiply distorted images
Zhou et al. End-to-end Optimized Image Compression with Attention Mechanism.
Tan et al. A perceptually relevant MSE-based image quality metric
Liu et al. Perceptual reduced-reference visual quality assessment for contrast alteration
Zhang et al. Practical image quality metric applied to image coding
Ma et al. Reduced-reference video quality assessment of compressed video sequences
CN112399176B (zh) 一种视频编码方法、装置、计算机设备及存储介质
Rehman et al. Reduced-reference SSIM estimation
CN103051901B (zh) 视频数据编码装置和视频数据编码方法
CN104378636B (zh) 一种视频图像编码方法及装置
CN110717868B (zh) 视频高动态范围反色调映射模型构建、映射方法及装置
Tian et al. Just noticeable difference level prediction for perceptual image compression
CN110139112B (zh) 一种基于jnd模型的视频编码方法
Valenzise et al. Quality assessment of deep-learning-based image compression
Zhang et al. Reduced reference image quality assessment based on statistics of edge
CN112767385B (zh) 基于显著性策略与特征融合无参考图像质量评价方法
CN110740316A (zh) 数据编码方法及装置
CN111614962B (zh) 一种基于区域块级jnd预测的感知图像压缩方法
CN111385577A (zh) 视频转码方法、装置、计算机设备和计算机可读存储介质
Wu et al. Unsupervised deep learning for just noticeable difference estimation
CN110072104B (zh) 一种基于图像级jnd预测的感知图像压缩方法
Gao et al. Quality constrained compression using DWT-based image quality metric

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant