买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明具体涉及一种基于上下文聚类变换的端到端图像压缩方法，将图像输入经过训练的图像压缩模型中输出重建图像；模型训练过程包括：对图像进行编码：将图像转化为含有坐标的特征点，然后根据相似性将特征点分成多个簇，最后通过对每一簇内特征点进行多次聚合和再分配的方式学习图像特征，生成潜在表示；熵模型完成对每个待编码的潜在表示的概率建模；通过熵编码器对待编码的潜在表示进行熵编码和熵解码，生成熵值特征图；通过主解码器对熵值特征图进行解码重建，生成重建图像；最终计算模型损失并优化模型参数直至模型收敛。本发明充分考虑了图像相邻像素间的相关性，改善了图像局部相似特征交互不足的问题。

主权项：1.一种基于上下文聚类变换的端到端图像压缩方法，其特征在于，包括：S1：获取待压缩的图像；S2：将待压缩的图像输入经过训练的图像压缩模型中，输出重建图像；图像压缩模型的训练过程如下：S201：将作为训练样本的图像x作为图像压缩模型的输入；S202：通过主编码器ga对图像x进行编码：首先将图像x转化为含有坐标的特征点，然后根据相似性将特征点分成多个簇，最后通过对每一簇内特征点进行多次聚合和再分配的方式学习图像特征，生成潜在表示y；步骤S202中，主编码器ga包括依次连接的一层编码嵌入层和若干个上下文聚类模块，其中相邻两个上下文聚类模块之间设置有特征点缩减模块；编码嵌入层用于将输入的图像转化为包含坐标点的特征图t1；上下文聚类模块用于对特征图t1中的相似特征点进行多次聚合和再分配操作来提取图像特征，得到特征图t2；特征点缩减模块用于对特征图进行下采样和增加通道数操作；上下文聚类模块的处理步骤如下：S2021：根据相似度将特征图t1中的所有特征点划分为若干簇，并记录每个特征点与中心特征的成对余弦相似矩阵si；S2022：将特征点映射到值空间，对于同簇内的特征点，根据其与中心特征vc的相似度进行聚合，生成聚合特征d；公式描述为： 式中：si表示值空间中簇内的第i个特征点vi和中心特征vc的余弦相似矩阵；α和β表示可学习的参数；sig表示sigmoid函数；m表示一个簇内特征点vi的个数；C表示归一化因子；S2023：根据相似性自适应地将聚合特征d分配到特征图t1中的每个特征点pi，然后通过全连接层匹配特征的维度来还原每个特征点pi，生成特征点pi′；公式描述为：p′i＝pi+FCsigαsi+β·d；式中：si为第i个特征点vi和中心特征vc的余弦相似矩阵；α和β表示可学习的参数；sig为sigmoid函数；FC表示全连接层；S2024：通过多层感知机模块对还原后的特征图进行通道交互，生成特征图t2；S203：通过量化器Q对潜在表示y进行量化处理，生成离散的潜在表示S204：通过超先验网络捕捉潜在表示y之间的冗余，生成先验特征Ψ；S205：将先验特征Ψ作为待编码的潜在表示的先验信息；S206：通过熵编码器对待编码的潜在表示进行熵编码和熵解码，生成熵值特征图S207：通过主解码器gs对熵值特征图进行解码重建，生成重建图像同时将熵值特征图中已解码的通道组和空间基准特征作为待编码的潜在表示的先验信息；S208：计算模型损失并优化图像压缩模型的参数；S209：重复步骤S201至S208，直至图像压缩模型收敛；S3：将图像压缩模型输出的重建图像作为待压缩图像的图像解码重建结果。

全文数据：

权利要求：

百度查询： 重庆理工大学 一种基于上下文聚类变换的端到端图像压缩方法