CN112188217B - 结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 - Google Patents
结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 Download PDFInfo
- Publication number
- CN112188217B CN112188217B CN201910584104.4A CN201910584104A CN112188217B CN 112188217 B CN112188217 B CN 112188217B CN 201910584104 A CN201910584104 A CN 201910584104A CN 112188217 B CN112188217 B CN 112188217B
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- jpeg compressed
- domain
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000000694 effects Effects 0.000 title claims abstract description 39
- 230000006837 decompression Effects 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 26
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 230000008521 reorganization Effects 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 abstract description 25
- 230000006835 compression Effects 0.000 abstract description 22
- 238000004891 communication Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- H04N19/60—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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
-
- 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
- H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种结合DCT域和像素域学***均的方式,将两个网络的预测结果进行融合;将融合后的图像张量重组成图像,得到最终的去压缩效应处理结果。本发明所述方法可以减少JPEG压缩图像中存在的压缩效应,并在一定程度上恢复图像在压缩过程中丢失的细节信息。本发明方法可以应用于图像及视频压缩、数字多媒体通信等领域。
Description
技术领域
本发明涉及压缩图像的质量提升技术,具体涉及一种结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法,属于数字图像处理领域。
背景技术
图像压缩是一种通过减少原始图像数据间的冗余性来降低数据量的图像处理技术,可以在一定程度上节省存储空间和带宽资源。然而,在编码比特有限,也即是压缩倍数很高的情况下,压缩后的图像中会存在明显的失真和压缩效应,严重降低了压缩图像的主客观质量,限制了其进一步的应用。
JPEG压缩方法产生失真的本质是,在熵编码前对DCT系数进行了量化,引入了舍入误差。压缩图像的去压缩效应方法是一种独立于编解码器的后处理方法,能够降低编码过程中引入的舍入误差,从而实现在不改变压缩图像码率的情况下,明显提升其主客观质量。具有较高的实用性。近些年,随着机器学习和深度学习方法的快速发展,基于卷积神经网络的压缩图像去压缩效应方法进入了大众的视野。相比于传统的后处理技术,基于卷积神经网络的去压缩效应方法可以获得更高质量的图像,同时还具有更快的处理速度。然而现阶段的基于卷积神经网络的压缩图像去压缩效应算法,在预测性能和网络结构有效性等方面还有进一步提升的空间。
发明内容
本发明的目的是提升日常生活中广泛存在的JPEG压缩图像的质量。
本发明提出的结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法,主要包含以下操作步骤:
(1)针对JPEG压缩图像,分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型;
(2)利用训练图像集,分别训练步骤(1)中构建的两个卷积神经网络模型;
(3)利用步骤(2)中训练得到的两个卷积神经网络,分别对JPEG压缩图像进行预测输出;
(4)使用加权平均的方式,将步骤(3)中的两个预测结果进行融合;
(5)将融合后的图像张量重组成图像,得到最终的去压缩效应处理结果。
附图说明
图1是本发明结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法的框图
图2是卷积神经网络结构中的块像素提取层的滤波器组
图3是卷积神经网络结构中图像块提取以及其感受野的分析示意图:其中(a)为网络中图像块提取操作示意图,(b)为提出网络结构的感受野示意图
图4是卷积神经网络结构中使用的宽激活残差块结构示意图
图5是本发明与八种方法对测试图像‘Barbara’的去压缩效应处理结果对比图(JPEG压缩质量因子为10):其中,(a)为原始未压缩图像,(b)为JPEG压缩图像,(c)到(j)为对比方法1到对比方法8的实验结果,(k)为本发明的处理结果
图6是本发明与八种方法对测试图像‘Lighthouse3’的去压缩效应处理结果对比图(JPEG压缩质量因子为10):其中,(a)为原始未压缩图像,(b)为JPEG压缩图像,(c)到(j)为对比方法1到对比方法8的实验结果,(k)为本发明的处理结果
图7是本发明与八种方法对测试图像‘Buildings’的去压缩效应处理结果对比图(JPEG压缩质量因子为10):其中,(a)为原始未压缩图像,(b)为JPEG压缩图像,(c)到(j)为对比方法1到对比方法8的实验结果,(k)为本发明的处理结果
具体实施方式
下面结合附图对本发明作进一步说明:
图1中,结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法,具体可以分为以下五个步骤:
(1)针对JPEG压缩图像,分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型;
(2)利用训练图像集,分别训练步骤(1)中构建的两个卷积神经网络模型;
(3)利用步骤(2)中训练得到的两个卷积神经网络,分别对JPEG压缩图像进行预测输出;
(4)使用加权平均的方式,将步骤(3)中的两个预测结果进行融合;
(5)将融合后的图像张量重组成图像,得到最终的去压缩效应处理结果。
具体地,所述步骤(1)中,构建的基于双域(DCT域和像素域)学习的卷积神经网络模型如图1所示。卷积神经网络模型中主要包括块提取卷积层、DCT和IDCT变换卷积层、宽激活残差块结构等部分。首先,在DCT域分支和像素域分支中,两者共用块提取卷积层,块提取卷积层可以将m×m大小的图像块,转换为m2×1×1大小的图像张量,块提操作E可公式化为:
其中表示卷积操作,权重We是一个包含m2个尺寸为m×m的滤波器组。具体地,E用m2个滤波器组对图像进行卷积,每一个滤波器提取m×m图像块中的一个像素,通过这种卷积后,原图像中的每个m×m大小的图像块,将变为m2×1×1的图像块张量。如图2所示,为了提取图像块的左上角像素,将m×m的滤波器的左上角设置为1,其余元素设置为零,同时在网络训练时,将块提取层的梯度更新操作关闭,即将其学习率置为零。依次地,当m×m滤波器的第一行、第二列的元素设置为1,其余元素保持为零时,滤波器实现的是提取图像块中第一行、第二列的像素。由于块提取操作层m2个滤波器都是稀疏的,因此块提取操作E可以有效地执行。
神经元的感受野越大,输出结果的每个像素点所利用的原始图像信息就越多,也即能够获得具有更高层次语义信息的特征。相应地,若感受野越小,则其包含的特征越趋向于局部信息。通过这种重叠的图像块提取操作,间接地增加了本发明中网络模型的感受野,示意图中参数m设置为8。以两个卷积核为3×3的卷积操作为例,其中padding=0,stride=1,若无图像块提取操作,两个3×3卷积操作的感受野为5×5;使用提出的重叠块提取操作后,网络的感受野增大至16×16。值得说明的是,虽然图像块提取操作是卷积操作,但是其提取结果仍为图像像素域的信息,也即为图像张量,如图3(a)所示。因此,感受野的计算仅以后两个卷积操作来计算,也即图3(b)中的卷积1和卷积2。图像块的重叠提取操作一方面增加了感受野,使得网络的预测输出能够利用更多的输入图像信息;另一方面,这种操作在一定程度上对待预测像素进行了多次预测,在提高了网络鲁棒性的同时,能有效地消除块效应。
如图4所示,在本发明中,DCT域和像素域卷积神经网络结构,使用的均是宽激活残差块。这种宽激活残差块中,对ReLU激活前的特征进行通道扩充,对激活后的特征进行通道还原,将能在有效提升网络预测性能的同时,不引入更多的网络参数和计算量。在本发明中,ReLU前的卷积层具有128个滤波器,ReLU后的卷积层具有64个滤波器。
块提取操作层的输出包含了m2个通道,其输出结果中每个m2×1×1的特征均代表着原始图像中图像块的像素值(在本说明书中多维数据的表述格式为:个数×通道×行×列,如m2×1×1表示通道数为m2,行和列的值为1)。经过块提取操作后,原图像中大小为m×m图像块被拉伸成一个m2维的向量,紧接着使用m2×m2的DCT变换矩阵将其变换到DCT域中。本发明中通过卷积操作在卷积神经网络中实现DCT变换,以增加其训练速度和降低其网络训练复杂度。将本发明中设计的DCT变换表述为操作D:
其中表示卷积操作,Y表示图像块经过块提取操作后的张量,权重WD是一个包含m2个尺寸为m2×1×1的滤波器组。具体地,通过DCT变换矩阵来初始化权重WD,并且在网络的训练过程中不进行梯度更新。D用m2个DCT变换滤波器对图像进行卷积,每一个滤波器与块提取层的结果进行卷积后,得到图像块中的一个DCT系数,当所有滤波器均进行卷积后,即可得到m×m图像块的m2个DCT系数,从而实现了图像的DCT变换。经过DCT变换层后的输出结果仍具有m2个通道。然后将DCT变换层的输出结果,输入到含有18个宽激活残差块的网络结构中,以学习压缩图像DCT系数与真实DCT系数间的残差。IDCT变换卷积层域DCT变换卷积层的设计类似,且其权重在训练过程中也不会进行更新。
DCT系数主要包含的是图像的全局信息,从而使得DCT域中的信息不能很好地体现图像的空间连续性。因此,单一地从DCT域中实现去压缩效应任务,难以获得最佳的性能。为了充分利用压缩图像像素间剩余的冗余信息,本发明提出利用相类似的卷积神经网络结构中,在像素域中学习压缩图像和原始未压缩图像间的映射关系。像素域中的网络分支与DCT域分支类似,同样采用有效的宽激活残差网络结构,并将其串联成一种直连网络。首先,通过图像块提取层E操作将图像块拉伸成张量,在提出的双域去压缩效应网络结构中,像素域与DCT域共用图像块提取层;然后,为了利用像素域中的冗余信息,将图像块提取层的输出直接连接到含有18个宽激活残差块的网络结构中,对冗余信息进行非线性表示和提取;最后,通过一个单一的卷积层对信息进行映射并输出像素域的预测结果。
在本发明的卷积神经网络模型中,DCT域和像素域的卷积神经网络结构中均使用了18个宽激活残差块。图像块提取层包含64个8×8的滤波器,也即参数m设置为8,DCT变换层和IDCT变换层均包含64个64×1×1的滤波器以在网络中实现DCT变换和IDCT变换,除此之外的卷积层中的滤波器尺寸均设置为3×3。
所述步骤(2)中,首先使用JPEG压缩标准,在不同量化因子(Quality Factor,QF)下压缩训练集中的原始未压缩图像,然后将相同QF下的压缩图像与对应的原始未压缩图像组成训练样本对,训练本发明中提出的基于双域学习的去压缩效应卷积神经网络。在训练过程中,将首先分别训练DCT域分支和像素域分支的网络,在测试的时候再将其预测结果进行融合。
所述步骤(3)中,使用步骤(2)中训练好的像素域和DCT域网络模型,对压缩图像进行预测处理。像素域分支与DCT域分支并行进行预测,由于预测是在不同的空间中生成的,因此两者具有各自不同的特性。
所述步骤(4)中,为了更好地融合两个分支的结果,实现信息的有效互补,本发明中采用加权平均的方式将像素域和DCT域的预测输出进行有机地结合,也即:
式中表示最终预测输出的去压缩效应结果,λ表示权重参数,和分别表示DCT域和像素域的预测输出结果。在本发明中,通过大量的实验去选择最优的权重参数λ,最终的实验结果表明,这种加权平均的方式可以进一步提升去压缩效应性能。在本发明中,在进行双域预测结果融合时,参数λ设置为0.489。
所述步骤(5)中,将融合后的图像张量,重组成图像,也即是将m2×1×1大小的张量重组成m×m大小的图像块。由于在图像块提取时,采用的是重叠分块的方式,在重组时,重叠区域的预测结果将按照取平均的方式获得。
对比的去压缩效应算法为:
方法1:Zhang等人提出的方法,参考文献“Zhang J,Xiong R,Chen Z,etal.CONCOLOR:Constrained non-convex low-rank model for image deblocking[J].IEEE Transactions on Image Processing,2016,25(3):1246-1259.”。
方法2:Liu等人提出的方法,参考文献“Liu X,Wu X,Zhou J,et al.Data-drivensoft decoding of compressed images in dual transform-pixel domain[J].IEEETransactions on Image Processing,2016,25(4):1649-1659.”。
方法3:Zhao等人提出的方法,参考文献“Zhao C,Zhang J,Ma S,et al.Reducingimage compression artifacts by structural sparse representation andquantization constraint prior[J].IEEE Transactions on Circuits and Systemsfor Video Technology,2017,27(10):2057-2071.”。
方法4:Dong等人提出的方法,参考文献“Dong C,Deng Y,Change Loy C,etal.Compression artifacts reduction by a deep convolutional network[C].IEEEInternational Conference on Computer Vision,2015:576-584.”。
方法5:Chen等人提出的方法,参考文献“Chen Y,Pock T.Trainable nonlinearreaction diffusion:A flexible framework for fast and effective imagerestoration[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2017,39(6):1256-1272.”。
方法6:Zhang等人提出的方法,参考文献“Zhang K,Zuo W,Chen Y,et al.Beyonda gaussian denoiser:Residual learning of deep cnn for image denoising[J].IEEETransactions on Image Processing,2017,26(7):3142-3155.”。
方法7:Tai等人提出的方法,参考文献“Tai Y,Yang J,Liu X,et al.Memnet:Apersistent memory network for image restoration[C].IEEE InternationalConference on Computer Vision,2017:4539-4547.”。
方法8:Chen等人提出的方法,参考文献“Chen H,He X,Qing L,et al.DPW-SDNet:Dual pixel-wavelet domain deep CNNs for soft decoding of JPEG-compressedimages[C].IEEE Conference on Computer Vision and Pattern RecognitionWorkshops,2018:824-82409.”。
对比实验的内容如下:
实验1,分别用方法1到方法8以及本发明的方法对压缩图像‘Barbara’的去压缩效应结果测试。在本实验中,JPEG压缩的质量因子设为10。‘Barbara’的原始未压缩图像、JPEG压缩图像以及各方法的去压缩效应处理结果,分别如图5(a)到图5(k)所示。表一是本实验中各方法处理结果的PSNR(Peak Signal to Noise Ratio)、SSIM(Structure SimilarityIndex)及PSNR-B参数值,其中PSNR和PSNR-B的单位为dB。
表一
实验2,分别用方法1到方法8以及本发明的方法对压缩图像‘Lighthouse3’的去压缩效应结果测试。在本实验中,JPEG压缩的质量因子设为10。‘Lighthouse3’的原始未压缩图像、JPEG压缩图像以及各方法的去压缩效应处理结果,分别如图6(a)到图6(k)所示。表二是本实验中各方法处理结果的PSNR、SSIM及PSNR-B参数值,其中PSNR和PSNR-B的单位为dB。
表二
实验3,分别用方法1到方法8以及本发明的方法对压缩图像‘Buildings’的去压缩效应结果测试。在本实验中,JPEG压缩的质量因子设为10。‘Buildings’的原始未压缩图像、JPEG压缩图像以及各方法的去压缩效应处理结果,分别如图7(a)到图7(k)所示。表三是本实验中各方法处理结果的PSNR、SSIM及PSNR-B参数值,其中PSNR和PSNR-B的单位为dB。
表三
实验4,首先使用JPEG压缩,在不同QF下压缩数据集Classic5中的图像,然后使用方法1到方法8以及本发明的方法,对压缩后的图像进行去压缩效应处理。本实验中,JPEG压缩的质量因子设置为10、20、30和40。表四是本实验中各方法在数据集上的平均PSNR、SSIM及PSNR-B参数值,表中客观参数值的排序为PSNR/SSIM/PSNR-B。
表四
从图5、图6和图7所示的实验结果可以看出,较高的压缩率下的JPEG压缩图像,失真比较严重,图像中存在明显的块效应、伪影等压缩效应;对比方法虽能在一定程度上降低压缩图像中存在的压缩效应,但是其处理结果图中会出现过平滑现象,且难以去除图像中纹理细节比较丰富区域的伪影;相比之下,本发明的处理结果中无明显压缩噪声,并与图像比较清晰,边缘保持较好,视觉效果更佳。
从表一、表二、表三和表四所给的PSNR、SSIM以及PSNR-B参数上看,本发明在三个指标上均取得了最高值;相比于对比方法,提升比较明显;并且能够有效地处理各个QF下的JPEG压缩图像。
综合去压缩效应处理结果的主观视觉效果和客观评价参数,可以发现,本发明方法对JPEG压缩图像的处理效果更好,能够在有效去除JPEG压缩图像中存在的压缩效应的同时,恢复压缩过程中丢失的图像信息。因此,对于JPEG压缩图像,本发明是一种有效的去压缩效应方法。
Claims (2)
1.结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法,其特征在于包括以下步骤:
步骤一:针对JPEG压缩图像,分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型;
步骤二:利用训练图像集,分别训练步骤一中构建的两个卷积神经网络模型;
步骤三:利用步骤二中训练得到的两个卷积神经网络,分别对JPEG压缩图像进行预测输出;
步骤四:使用加权平均的方式,将步骤三中的两个预测结果进行融合;
步骤五:将融合后的图像张量重组成图像,得到最终的去压缩效应处理结果。
2.根据权利要求1所述的结合DCT域和像素域学***均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584104.4A CN112188217B (zh) | 2019-07-01 | 2019-07-01 | 结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584104.4A CN112188217B (zh) | 2019-07-01 | 2019-07-01 | 结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112188217A CN112188217A (zh) | 2021-01-05 |
CN112188217B true CN112188217B (zh) | 2022-03-04 |
Family
ID=73915299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910584104.4A Active CN112188217B (zh) | 2019-07-01 | 2019-07-01 | 结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112188217B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096019B (zh) * | 2021-04-28 | 2023-04-18 | 中国第一汽车股份有限公司 | 图像重建方法、装置、图像处理设备及存储介质 |
CN113225590B (zh) * | 2021-05-06 | 2023-04-14 | 深圳思谋信息科技有限公司 | 视频超分增强方法、装置、计算机设备和存储介质 |
CN114615507B (zh) * | 2022-05-11 | 2022-09-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种图像编码方法、解码方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097758A9 (en) * | 2001-05-25 | 2004-02-26 | Univ Nanyang | Drowning early warning system |
FR2906433A1 (fr) * | 2006-09-22 | 2008-03-28 | Canon Kk | Procedes et dispositifs de codage et de decodage d'images, programme d'ordinateur les mettant en oeuvre et support d'informaton permettant de les mettre en oeuvre |
CN102026000A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 像素域-变换域联合的分布式视频编码*** |
CN103117818A (zh) * | 2013-01-16 | 2013-05-22 | 南京邮电大学 | 基于空频联合压缩感知的宽带频谱检测方法 |
US8897586B2 (en) * | 2012-06-15 | 2014-11-25 | Comcast Cable Communications, Llc | Dynamic generation of a quantization matrix for compression of a digital object |
CN107563965A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
-
2019
- 2019-07-01 CN CN201910584104.4A patent/CN112188217B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097758A9 (en) * | 2001-05-25 | 2004-02-26 | Univ Nanyang | Drowning early warning system |
FR2906433A1 (fr) * | 2006-09-22 | 2008-03-28 | Canon Kk | Procedes et dispositifs de codage et de decodage d'images, programme d'ordinateur les mettant en oeuvre et support d'informaton permettant de les mettre en oeuvre |
CN102026000A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 像素域-变换域联合的分布式视频编码*** |
US8897586B2 (en) * | 2012-06-15 | 2014-11-25 | Comcast Cable Communications, Llc | Dynamic generation of a quantization matrix for compression of a digital object |
CN103117818A (zh) * | 2013-01-16 | 2013-05-22 | 南京邮电大学 | 基于空频联合压缩感知的宽带频谱检测方法 |
CN107563965A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
Non-Patent Citations (3)
Title |
---|
Image deblocking via joint domain learning;Wenshu Zhan, Xiaohai He, Shuhua Xiong, Chao Ren, Honggang Chen;《Journal of Electronic Image》;20180531;第3小节 * |
Learning Compact Recurrent Neural Networks with Block-Term Tensor Decomposition;Jinmian Ye, Linnan Wang, Guangxi Li, Di Chen, Shandian Zhe, Xinq;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20180623;第3.2小节 * |
神经网络实现的任意长度DCT快速算法;朱幼莲,黄成;《微电子学与计算机》;20070228;第3-5小节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112188217A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | DMCNN: Dual-domain multi-scale convolutional neural network for compression artifacts removal | |
CN112188217B (zh) | 结合dct域和像素域学习的jpeg压缩图像去压缩效应方法 | |
Liu et al. | A comprehensive benchmark for single image compression artifact reduction | |
CN108900848B (zh) | 一种基于自适应可分离卷积的视频质量增强方法 | |
CN107197260A (zh) | 基于卷积神经网络的视频编码后置滤波方法 | |
CN110351568A (zh) | 一种基于深度卷积网络的视频环路滤波器 | |
CN112801877B (zh) | 一种视频帧的超分辨率重构方法 | |
CN109978772B (zh) | 基于深度学习与双域互补的压缩图像复原方法 | |
CN110602494A (zh) | 基于深度学习的图像编码、解码***及编码、解码方法 | |
Sun et al. | Reduction of JPEG compression artifacts based on DCT coefficients prediction | |
CN113766249B (zh) | 视频编解码中的环路滤波方法、装置、设备及存储介质 | |
CN113554720A (zh) | 一种基于多方向卷积神经网络的多光谱图像压缩方法及*** | |
CN105791877A (zh) | 视频编解码中自适应环路滤波的方法 | |
CN112218094A (zh) | 一种基于dct系数预测的jpeg图像去压缩效应方法 | |
Luo et al. | Lattice network for lightweight image restoration | |
CN112509094A (zh) | 一种基于级联残差编解码网络的jpeg图像压缩伪影消除算法 | |
CN111031315A (zh) | 基于注意力机制和时间依赖性的压缩视频质量增强方法 | |
CN112150356A (zh) | 基于级联框架的单幅压缩图像超分辨率重建方法 | |
CN110650339A (zh) | 一种视频压缩方法、装置及终端设备 | |
CN110677644B (zh) | 一种视频编码、解码方法及视频编码帧内预测器 | |
CN113962882A (zh) | 一种基于可控金字塔小波网络的jpeg图像压缩伪影消除方法 | |
CN110728726A (zh) | 一种基于用户交互与深度神经网络的图像压缩方法 | |
Hu et al. | Combine traditional compression method with convolutional neural networks | |
CN115131254A (zh) | 一种基于双域学习的恒定码率压缩视频质量增强方法 | |
CN111107360B (zh) | 一种光谱-空间维联合的高光谱图像无损压缩方法及*** |
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 |