一种图像压缩方法及装置制造方法及图纸

本申请适用于图像处理技术领域，提供了一种图像压缩方法及装置，所述方法包括：获取目标图像和所述目标图像对应的目标码率；确定与所述目标码率对应的第一码率参数；将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像；其中，所述图像压缩模型是基于包含所述第一码率参数在内的多个码率参数训练所得。述第一码率参数在内的多个码率参数训练所得。述第一码率参数在内的多个码率参数训练所得。

An image compression method and device

【技术实现步骤摘要】
一种图像压缩方法及装置


[0001]本申请属于图像处理
，尤其涉及一种图像压缩方法及装置。

技术介绍

[0002]图像压缩技术是实现图像高效传输和存储的重要技术手段，是一种以较少的比特有损或无损地表示图像原始的像素矩阵的技术。随着深度学习技术的发展，利用神经网络模型实现图像压缩成为一种流行趋势。
[0003]然而，现有的神经网络模型都是基于固定码率训练所得，因此一种神经网络模型往往只能实现一种码率的图像压缩。当需要获得多种码率的压缩图像时，则需要基于不同的码率训练不同的模型，降低了图像压缩的效率，耗时耗力。

技术实现思路

[0004]本申请实施例提供了一种图像压缩方法及装置，可以解决需要训练不同码率的模型，导致图像压缩效率低的问题。
[0005]第一方面，本申请提供一种图像压缩方法，所述方法包括：获取目标图像和所述目标图像对应的目标码率；确定与所述目标码率对应的第一码率参数；将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像；其中，所述图像压缩模型是基于包含所述第一码率参数在内的多个码率参数训练所得。
[0006]可选的，所述第一码率参数包括第一压缩权重；所述图像压缩模型包括第一非线性编码网络和压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像和所述第一压缩权重输入到所述第一非线性编码网络中，由所述第一非线性编码网络对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值，并利用所述编码值对所述目标图像进行条件卷积，得到所述目标图像的第一特征图；将所述第一特征图输入到所述压缩网络进行压缩处理，得到所述压缩图像。
[0007]可选的，所述第一非线性编码网络包括K个卷积层，K为大于等于1的整数；所述K个卷积层中的每个所述卷积层的输入信息包括输入特征图像和所述第一压缩权重，且前一个卷积层的输出特征图像是后一个卷积层的输入特征图像，所述第1个卷积层的输入特征图像为所述目标图像，所述第K个卷积层的输出特征图像是所述第一特征图；所述K个卷积层中的每个所述卷积层对输入信息的处理包括：对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值；对所述编码值进行全连接运算和指数运算，得到第一条件值和第二条件值；对所述输入特征图像进行卷积处理，得到所述输入特征图像的特征信息；根据所述特征信息、所述第一条件值和所述第二条件值得到所述卷积层的输出特征图像。
[0008]可选的，所述对所述编码值进行全连接运算和指数运算，得到第一条件值和第二条件值，包括：对所述编码值依次进行第一全连接运算、第一指数运算、第二全连接运算以
及第二指数运算，得到第一条件值，所述第一全连接运算和所述第二全连接运算的输出通道数不同；对所述编码值依次进行第三全连接运算、第三指数运算以及第四全连接运算，得到第二条件值，所述第三全连接运算和所述第四全连接运算的输出通道数不同，所述第二全连接运算和所述第四全连接运算的输出通道数相同。
[0009]可选的，所述根据所述特征信息、所述第一条件值和所述第二条件值得到所述卷积层的输出信息，包括：将所述特征信息与所述第一条件值的乘积与所述第二条件值相加得到所述输出信息。
[0010]可选的，所述第一码率参数包括第一量化参数，所述图像压缩模型包括第一非线性编码网络和压缩网络，所述压缩网络包括第一量化网络和子压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像输入到所述第一非线性编码网络中进行非线性编码处理，得到第一特征图；将所述第一特征图和所述第一量化参数输入到所述第一量化网络中进行相除和取整处理，得到量化后的第二特征图；将所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像。
[0011]可选的，所述子压缩网络包括第一熵编码网络、反量化网络和第一解码处理网络；所述将所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像，包括：将所述第二特征图输入到所述第一熵编码网络中进行压缩处理，得到第三特征图；将所述第三特征图和所述第一量化参数输入到所述反量化网络中相乘，得到反量化后的第四特征图；将所述第四特征图输入到所述第一解码处理网络中进行解码处理，得到所述压缩图像。
[0012]可选的，所述第一码率参数包括第一压缩权重；所述图像压缩模型包括第一非线性编码网络、压缩网络和压缩参数生成网络；所述压缩网络包括第一量化网络和子压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像输入到所述第一非线性编码网络中进行非线性编码处理，得到第一特征图；将所述第一特征图输入到所述第一量化网络中进行量化，得到量化后的第二特征图；将所述第一压缩权重和所述第二特征图输入到所述压缩参数生成网络中进行数据处理，得到压缩参数；将所述压缩参数和所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像。
[0013]可选的，所述压缩参数生成网络包括第二非线性编码网络和子生成网络；所述将所述第一压缩权重和所述第二特征图输入到所述压缩参数生成网络中进行数据处理，得到压缩参数，包括：将所述第二特征图和所述第一压缩权重输入到所述第二非线性编码网络中，由所述第二非线性编码网络对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值，并利用所述编码值对所述第二特征图进行条件卷积，得到第五特征图；将所述第五特征图输入到所述子生成网络中进行数据处理，得到所述压缩参数。
[0014]可选的，所述第二非线性编码网络包括K个卷积层，K为大于等于1的整数；所述K个卷积层中的每个所述卷积层的输入信息包括输入特征图像和所述第一压缩权重，且前一个卷积层的输出特征图像是后一个卷积层的输入特征图像，所述第1个卷积层的输入特征图像为所述第二特征图，所述第K个卷积层的输出特征图像是所述第五特征图；所述K个卷积层中的每个所述卷积层对输入信息的处理包括：对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值；对所述编码值进行全连接运算和指数运算，得到第
一条件值和第二条件值；对所述输入特征图像进行卷积处理，得到所述输入特征图像的特征信息；根据所述特征信息、所述第一条件值和所述第二条件值得到所述卷积层的输出特征图像。
[0015]可选的，所述对所述编码值进行全连接运算和指数运算，得到第一条件值和第二条件值，包括：对所述编码值依次进行第一全连接运算、第一指数运算、第二全连接运算以及第二指数运算，得到第一条件值，所述第一全连接运算和所述第二全连接运算的输出通道数不同；对所述编码值依次进行第三全连接运算、第三指数运算以及第四全连接运算，得到第二条件值，所述第三全连接运算和所述第四全连接运算的输出通道数不同，所述第二全连接运算和所述第四全连接运算的输出通道数相同。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像压缩方法，其特征在于，所述方法包括：获取目标图像和所述目标图像对应的目标码率；确定与所述目标码率对应的第一码率参数；将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像；其中，所述图像压缩模型是基于包含所述第一码率参数在内的多个码率参数训练所得。2.根据权利要求1所述的方法，其特征在于，所述第一码率参数包括第一压缩权重；所述图像压缩模型包括第一非线性编码网络和压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像和所述第一压缩权重输入到所述第一非线性编码网络中，由所述第一非线性编码网络对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值，并利用所述编码值对所述目标图像进行条件卷积，得到所述目标图像的第一特征图；将所述第一特征图输入到所述压缩网络进行压缩处理，得到所述压缩图像。3.根据权利要求2所述的方法，其特征在于，所述第一非线性编码网络包括K个卷积层，K为大于等于1的整数；所述K个卷积层中的每个所述卷积层的输入信息包括输入特征图像和所述第一压缩权重，且前一个卷积层的输出特征图像是后一个卷积层的输入特征图像，所述第1个卷积层的输入特征图像为所述目标图像，所述第K个卷积层的输出特征图像是所述第一特征图；所述K个卷积层中的每个所述卷积层对输入信息的处理包括：对所述第一压缩权重例进行哑编码，得到与所述第一压缩权重例对应的编码值；对所述编码值进行全连接运算和指数运算，得到第一条件值和第二条件值；对所述输入特征图像进行卷积处理，得到所述输入特征图像的特征信息；根据所述特征信息、所述第一条件值和所述第二条件值得到所述卷积层的输出特征图像。4.根据权利要求3所述的方法，其特征在于，所述对所述编码值进行全连接运算和指数运算，得到第一条件值和第二条件值，包括：对所述编码值依次进行第一全连接运算、第一指数运算、第二全连接运算以及第二指数运算，得到第一条件值，所述第一全连接运算和所述第二全连接运算的输出通道数不同；对所述编码值依次进行第三全连接运算、第三指数运算以及第四全连接运算，得到第二条件值，所述第三全连接运算和所述第四全连接运算的输出通道数不同，所述第二全连接运算和所述第四全连接运算的输出通道数相同。5.根据权利要求3所述的方法，其特征在于，所述根据所述特征信息、所述第一条件值和所述第二条件值得到所述卷积层的输出信息，包括：将所述特征信息与所述第一条件值的乘积与所述第二条件值相加得到所述输出信息。6.根据权利要求1所述的方法，其特征在于，所述第一码率参数包括第一量化参数，所述图像压缩模型包括第一非线性编码网络和压缩网络，所述压缩网络包括第一量化网络和子压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像输入到所述第一非线性编码网络中进行非线性编码处理，得到第一特征图；
将所述第一特征图和所述第一量化参数输入到所述第一量化网络中进行相除和取整处理，得到量化后的第二特征图；将所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像。7.根据权利要求6所述的方法，其特征在于，所述子压缩网络包括第一熵编码网络、反量化网络和第一解码处理网络；所述将所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像，包括：将所述第二特征图输入到所述第一熵编码网络中进行压缩处理，得到第三特征图；将所述第三特征图和所述第一量化参数输入到所述反量化网络中相乘，得到反量化后的第四特征图；将所述第四特征图输入到所述第一解码处理网络中进行解码处理，得到所述压缩图像。8.根据权利要求1所述的方法，其特征在于，所述第一码率参数包括第一压缩权重；所述图像压缩模型包括第一非线性编码网络、压缩网络和压缩参数生成网络；所述压缩网络包括第一量化网络和子压缩网络；所述将所述目标图像和所述第一码率参数输入到已训练的图像压缩模型中处理，得到码率为所述目标码率的压缩图像包括：将所述目标图像输入到所述第一非线性编码网络中进行非线性编码处理，得到第一特征图；将所述第一特征图输入到所述第一量化网络中进行量化，得到量化后的第二特征图；将所述第一压缩权重和所述第二特征图输入到所述压缩参数生成网络中进行数据处理，得到压缩参数；将所述压缩参数和所述第二特征图输入到所述子压缩网络中进行压缩处理，得到所述压缩图像。9.根据权利要求8所述的方法，其特征在于，所述压缩参数生成网络包括第二非线性编码网络和子生成网络；所述将所述第一压缩权重和所述第二特征图输入到所述压缩参数生成网络中进行数据处理，得到压缩参数，包括：将所述第二特征图和所述第一压缩权重...

【专利技术属性】
技术研发人员：肖云雷，刘阳兴，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：