[發明專利]基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法

有效

• 申請號: 202010317399.1
• 申請日: 2020-04-21
• 公開（公告）號: CN113542772B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 何小海;陳正鑫;任超;陳洪剛;熊淑華;卿粼波;滕奇志
• 申請（專利權）人: 四川大學
• 主分類號: H04N19/86
• 分類號: H04N19/86;H04N19/176;H04N19/182;G06N3/0464;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法。主要包括以下步驟：以增強的寬激活殘差模塊為主要的構建單元，同時以全卷積的方式引入重疊圖像塊提取和重建，從而搭建起用于去除壓縮圖像塊效應的網絡模型；利用前一步驟搭建的卷積神經網絡，分別訓練不同質量因子下的壓縮圖像去塊效應模型；以訓練好的壓縮圖像去塊效應模型為基礎，將壓縮圖像作為輸入，得到最終的去塊效應圖像。本發明所述的方法能夠使更多的信息從卷積神經網絡的淺層流向深層，同時具有較大的感受野，能夠挖掘到圖像更廣泛區域的有效信息。因此，本發明可以獲得很好的主客觀效果，是一種有效的壓縮圖像去塊效應方法。

技術領域

本發明涉及壓縮圖像去塊效應技術，具體涉及一種基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法，屬于數字圖像處理領域。

背景技術

在實際應用中，為了更加有效地利用帶寬資源、節省存儲空間以及提高數據傳輸效率，人們常常對圖像進行有損壓縮。然而，這將不可避免地造成圖像的失真。JPEG標準作為一種簡單、有效的圖像壓縮方法被廣泛地應用于各種成像設備，例如：數碼相機、智能手機等。在有損壓縮的過程中，JPEG對圖像進行不重疊地分塊離散余弦變換，并對變換系數進行分塊粗量化，這導致了各種各樣的壓縮偽影，特別是塊效應。

為了去除壓縮圖像的塊效應，大量的方法被提出了出來，它們主要分為三大類：基于增強的方法、基于重建的方法和基于學習的方法。其中，基于學習的方法，由于處理速度較快以及處理后的圖像質量較好，得到了更廣泛的關注和更加深入的研究。特別是近些年來，隨著深度學習技術的快速發展及其在計算機視覺領域的成功應用，基于深度卷積神經網絡的壓縮圖像去塊效應方法取得了顯著的進步。借助深度卷積神經網絡強大的學習能力和模型表示能力，本發明構建了一種增強的寬激活殘差網絡，進一步提升了去除壓縮圖像塊效應的性能。

發明內容

本發明進一步發展了寬激活殘差模塊的優點，設計了一種增強的寬激活殘差模塊，同時以全卷積的方式將基于重建的方法中常用的重疊圖像塊提取和重建策略引入到深度卷積神經網絡中，構建了一種有效的壓縮圖像去塊效應方法。

本發明提出的基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法主要包括以下操作步驟：

(1)以增強的寬激活殘差模塊為主要的構建單元，同時以全卷積的方式引入重疊圖像塊提取和重建，從而搭建起用于去除壓縮圖像塊效應的網絡模型；

(2)利用步驟一的卷積神經網絡，分別訓練不同質量因子下的壓縮圖像去塊效應模型；

(3)以訓練好的壓縮圖像去塊效應模型為基礎，將壓縮圖像作為輸入，得到最終的去塊效應圖像。

附圖說明

圖1是本發明基于增強的寬激活殘差網絡的壓縮圖像去塊效應方法的原理框圖

圖2為增強的寬激活殘差模塊

圖3為重疊圖像塊重建網絡的全卷積實現框圖

圖4為重疊圖像塊提取和重建網絡的預定義權重：其中，(a)為重疊圖像塊提取網絡中卷積層的權重，(b)為重疊圖像塊重建網絡中反卷積層Deconv 1的權重，(c)為重疊圖像塊重建網絡中反卷積層Deconv 2的權重

圖5是本發明與另外六種方法對壓縮圖像“29030”去塊效應結果的對比圖(質量因子為10)：其中，(a)為原始圖像，(b)為JPEG壓縮圖像，(c)(d)(e)(f)(g)(h)(i)分別為方法1、方法2、方法3、方法4、方法5、方法6及本發明的去塊效應結果

圖6是本發明與另外六種方法對壓縮圖像“Barbara”去塊效應結果的對比圖(質量因子為10)：其中，(a)為原始圖像，(b)為JPEG壓縮圖像，(c)(d)(e)(f)(g)(h)(i)分別為方法1、方法2、方法3、方法4、方法5、方法6及本發明的去塊效應結果

具體實施方式