本发明涉及图像压缩,具体涉及一种轻量级图像压缩方法及终端。
背景技术:
1、图像压缩是数字媒体传输和存储、无人机和卫星图像、视频会议和视频流等许多热门领域中的一项核心任务。其目标是在减小图像大小的同时保持图像的视觉质量。传统的图像压缩方法在这些应用场景中存在信息丢失,固定压缩率等限制,而基于深度学习的图像压缩方法则显示出更大的优势。基于深度学习的图像压缩方法采用了编码器和解码器这两个关键组件。编码器通过卷积操作将图像压缩为紧凑的表示,而解码器通过转置卷积操作从压缩表示中重构图像。这种编码器和解码器的结合是通过联合训练的方式实现的,目标是在固定的压缩率下最小化重构误差。
2、当前的图像压缩算法和模型在计算能力有限的受限环境中存在一些挑战。这些算法和模型的大小和计算量都相对较大,不适合于移动端设备。因此,亟需一种可以在有限的计算资源下实现高效的图像压缩方法。
技术实现思路
1、本发明提出了一种轻量级图像压缩方法及终端,以解决现有图像压缩算法需要较大计算量的技术问题。
2、为解决上述技术问题,本发明提供了一种轻量级图像压缩方法,包括以下步骤:
3、步骤s1:对图像数据集进行随机裁剪,并将裁剪后的图像转换为张量格式;
4、步骤s2:构建图像压缩网络,通过深度可分离卷积提取下采样的特征图,并对特征图进行编码;
5、步骤s3:使用比特率-图像重建损失函数对所述图像压缩网络进行优化训练;
6、步骤s4:将待压缩图像输入所述图像压缩网络进行压缩。
7、优选地,对特征图进行编码的步骤包括:将所述特征图作为编码后的表示,经过量化和熵编码处理,完成图像编码。
8、优选地,提取下采样的特征图的操作包括:通过多组深度分组卷积和逐点卷积组成的卷积层进行特征图的提取;将张量格式的图片输入分组卷积,提取图像中的不同特征,通过滑动卷积核,将每个位置的像素和卷积核进行加权处理;通过逐点卷积进行特征的整合和维度的变换,得到下采样的特征图。
9、优选地,每个卷积层之间添加有激活函数和归一化层;
10、所述激活函数的表达式f(x)为:
11、f(x)=max(ax,x);
12、式中,x表示输入,a表示一个小于1的参数。
13、优选地,经过量化和熵编码处理的步骤包括:将特征图的值映射到一组预定义的离散级别,将连续的特征值映射为离散的表示:通过特征值的统计特性和概率模型,将常见的特征值表示为短的编码字节序列。
14、优选地,步骤s3包括:所述图像压缩网络进行向前传播,得到压缩后图像;计算压缩后图像的比特率-图像重建损失函数,衡量压缩后图像与原始图像之间的差异;通过反向传播算法,计算损失函数对网络参数的梯度;使用梯度下降优化器来更新网络参数,使损失函数逐渐减小,重复进行前向传播、损失计算、反向传播和参数更新的训练过程,直到达到预定的停止条件。
15、优选地,所述梯度下降优化器采用随机梯度下降来更新网络参数。
16、优选地,所述方法还包括图像还原步骤:进行熵解码操作,将熵编码的数据转换回量化后的特征图;进行逆量化操作,将离散的特征值转换回连续的表示;通过深度可分离卷积技术和像素重组还原为原始图像。
17、优选地,所述方法还包括评估调整步骤:计算压缩后图像的重建误差、峰值信噪比(psnr)或结构相似性指数(ssim)评价指标进行评价值计算,当评价小于设定阈值时,则调整量化的级别,直到评价值大于设定阈值。
18、本发明还提供了一种轻量级图像压缩终端,包括存储器和处理器;
19、所述存储器,用于存储计算机程序及轻量级图像压缩方法;
20、所述处理器,用于执行所述计算机程序及轻量级图像压缩方法,以实现上述轻量级图像压缩方法。
21、本发明的有益效果至少包括:
22、1)较小的模型尺寸:深度可分离卷积将标准卷积操作拆分为深度卷积和逐点卷积两个步骤,减少了参数量和计算量,这使得压缩后的模型尺寸更小,占用更少的存储空间和计算资源;
23、2)更低的计算复杂度:深度可分离卷积减少了模型中的冗余计算,降低了运算的复杂度,这使得在相同的计算资源下,可以处理更多的图像数据,提高了计算效率;
24、3)适用于低带宽环境:轻量化图像压缩技术可以在低带宽的网络环境下进行高效的传输。由于模型尺寸较小,压缩后的图像数据量也较小,可以更快地传输和加载图像,适用于移动设备、边缘计算和网络传输等资源受限的场景;
25、4)保持图像质量:作为附加技术特征,通过像素重组技术,压缩算法可以在减小模型尺寸和计算复杂度的同时,尽量保持图像的质量,像素重组可以根据像素的相关性和重要性对图像进行重新排列,从而减少信息损失并保持图像的细节和清晰度。
1.一种轻量级图像压缩方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种轻量级图像压缩方法,其特征在于:对特征图进行编码的步骤包括:将所述特征图作为编码后的表示,经过量化和熵编码处理,完成图像编码。
3.根据权利要求2所述的一种轻量级图像压缩方法,其特征在于:提取下采样的特征图的操作包括:通过多组深度分组卷积和逐点卷积组成的卷积层进行特征图的提取;将张量格式的图片输入分组卷积,提取图像中的不同特征,通过滑动卷积核,将每个位置的像素和卷积核进行加权处理;通过逐点卷积进行特征的整合和维度的变换,得到下采样的特征图。
4.根据权利要求3所述的一种轻量级图像压缩方法,其特征在于:每个卷积层之间添加有激活函数和归一化层;
5.根据权利要求2所述的一种轻量级图像压缩方法,其特征在于:经过量化和熵编码处理的步骤包括:将特征图的值映射到一组预定义的离散级别,将连续的特征值映射为离散的表示:通过特征值的统计特性和概率模型,将常见的特征值表示为短的编码字节序列。
6.根据权利要求1所述的一种轻量级图像压缩方法,其特征在于:步骤s3包括:所述图像压缩网络进行向前传播,得到压缩后图像;计算压缩后图像的比特率-图像重建损失函数,衡量压缩后图像与原始图像之间的差异;通过反向传播算法,计算损失函数对网络参数的梯度;使用梯度下降优化器来更新网络参数,使损失函数逐渐减小,重复进行前向传播、损失计算、反向传播和参数更新的训练过程,直到达到预定的停止条件。
7.根据权利要求6所述的一种轻量级图像压缩方法,其特征在于:所述梯度下降优化器采用随机梯度下降来更新网络参数。
8.根据权利要求2所述的一种轻量级图像压缩方法,其特征在于:所述方法还包括图像还原步骤:进行熵解码操作,将熵编码的数据转换回量化后的特征图;进行逆量化操作,将离散的特征值转换回连续的表示;通过深度可分离卷积技术和像素重组还原为原始图像。
9.根据权利要求2所述的一种轻量级图像压缩方法,其特征在于:所述方法还包括评估调整步骤:计算压缩后图像的重建误差、峰值信噪比(psnr)或结构相似性指数(ssim)评价指标进行评价值计算,当评价小于设定阈值时,则调整量化的级别,直到评价值大于设定阈值。
10.一种轻量级图像压缩终端,其特征在于:包括存储器和处理器;