(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210252471.6 (22)申请日 2022.03.15 (71)申请人 王击 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号中南大 学自动化学院 (72)发明人 王击　吴桐雨　 (74)专利代理 机构 北京清控智云知识产权代理 事务所 (特殊普通合伙) 11919 专利代理师 马肃 (51)Int.Cl. G06T 9/00(2006.01) G06T 7/66(2017.01) G06V 10/44(2022.01) G06V 10/74(2022.01)G06K 9/62(2022.01) (54)发明名称 一种基于深度学习的图像 压缩感知方法 (57)摘要 本发明提供了一种基于深度学习的图像压 缩感知方法， 所述方法包括获取压缩图像数据， 在所述压缩图像数据中插入识别块和协同定位 块， 根据所述识别块和所述协同定位块的位置来 确定偏移向量； 并基于所述偏移向量和原始参考 图像数据中所述协同定位块和所述识别块之间 的视差向量来计算预测块向量， 其中， 将所述预 测块向量添加到候选向量列表中， 并对应于候选 向量的图像块之间的接近度对候选向量列表进 行排序。 本发 明通过所述识别块和协同定位块位 置的确定， 并插入所述图像数据中， 使得所述图 像数据中的有效成分能够被采集， 提升对所述图 像数据重建时的无损， 也进一步的保证图像数据 的准确性。 权利要求书2页 说明书10页 附图4页 CN 114638906 A 2022.06.17 CN 114638906 A 1.一种基于深度学习的图像压缩感知方法， 其特征在于， 所述方法包括获取压缩图像 数据， 在所述压缩图像数据中插入识别块和协同定位块， 根据所述识别块和所述协同定位 块的位置来确定偏移向量； 并基于所述偏移向量和原始 参考图像数据中所述协同定位块和 所述识别块之间的视差 向量来计算预测 块向量， 其中， 将所述预测块向量添加到候选 向量 列表中， 并对应于候选向量的图像块之间的接 近度对候选向量列表进行排序； 通过处理模块对压缩图像数据进行处 理， 并获得一个图像块矩阵Trans： 其中， m为图像块的行 数， n为图像块的列数， aij表示第i行的第j个列的图像块； 建立所述预测块向量与所述图像块矩阵之间的映射关系， 以建立各个图像块与预测向 量之间的对应关系， 并依据所述图像块矩阵中的图像块对所述 候选向量列表进行排序； 获取候选向量列表中的任意两个预测块向量X和Y， 并将其对应的所述图像块的接近度 Picture依据下式进行计算， 其中， X＝(x1， x2， x3，…， xi)， xi为所述预测向量的横坐标； Y＝(y1， y2， y3，…， yi)， yi为所 述预测向量的纵坐标； 根据接 近度的值对候选向量列表进行排序的更新。 2.根据权利要求1所述的基于深度学习的图像压缩感知方法， 其特征在于， 所述方法还 包括通过所述处理模块中的对象识别器处理一组图像块中的图像， 并为该组图像块中的每 个图像生成一组像素页面对 象， 其中， 像素页面对 象以二维排列方式在相应的图像块中显 示； 所述处理模块中的特征提取器响应一组像素页面对 象， 通过将每组像素页面对 象中的 每个像素顺序组织成一 维像素数组， 并从每组像素页面对象中提取已知像素特征； 其中， 每 个对象位于相应的一 维像素数组中， 并作为在相应的像素页面对象集合中的像素位置坐标 上； 通过所述特征提取器对原始图像的像素位置进行记录， 形成固有位置数组模板； 将固 有位置数组模板与多个已知的一维像素数组进行比较， 其中， 峰值信噪比是衡量图像之间 相似度的一个重要比较标准， 若原始图像和 像素页面对象之间在峰值信噪比PSNR内匹配， 则触发对所述像素页面对象进行部分采样； 其中， 对于所述信噪比P SNR根据下式计算： 其中， w为选取的图像块的宽度； h为选取的图像块的高度； I为原始参考图像； I ’为经过 一维像素 数组所确定的压缩图像。权　利　要　求　书 1/2 页 2 CN 114638906 A 23.根据权利要求2所述的基于深度学习的图像压缩感知方法， 其特征在于， 对于所述一 维像素数组的确定， 包括通过特征提取器将 每个像素页面中的每个对象 的像素位置坐标依 次组织成一维像素 数组。 4.根据权利要求3所述的基于深度学习的图像压缩感知方法， 其特征在于， 所述方法还 包括通过特征提取器将每个像素的位置转换为从相 应像素页面的右上角到对 象中心测 量 的第一向量， 并从相应像素页面的右下角到中心测量的第二向量； 同时选择第一向量或第 二向量中哪个具有更 大的距离值； 选取 该最大距离值并把该距离值选 定为保护范围； 在对所述图像数据进行压缩时， 确保该距离值中的图像数据在压缩阈值内不被压缩。 5.根据权利要求4所述的基于深度学习的图像压缩感知方法， 其特征在于， 所述方法还 包括对所述压缩图像数据， 进 行初步采样， 对所述压缩图像数据中的像素点进 行采集， 并基 于每个所述像素点的坐标位置确定所述识别块和所述协同定位块的位置， 根据所述识别块 和所述协同定位 块的每个所述像素点的坐标位置的U方向和V方向上分别独立的找出质心， 其中， 设图像数据中每一像素在U方向上坐标为ui； 对应的像素值为pi； 质心点在U方向 上的横坐标为u， 则所述像素点的坐标位置依据下式进行计算； 式中， m为图像中的像素点的个数； 设图像数据中每一像素在V方向上坐标为Vj； 对应的像素值为Qj； 质心点在V方向上的纵 坐标为v， 则所述像素点的坐标位置依据下式进行计算； 式中， n为图像中的像素点的个数。 6.根据权利要求4所述的基于深度学习的图像压缩感知方法， 其特征在于， 所述方法还 包括确定识别块和所述协同定位 块的位置， 其中该位置的确定， 根据下式进行计算： 其中， G为搜索环的位置， K为边界的像素点总数； (U， V)为图像的某一区域的质心坐标； 所述图像边界的坐标(wc， dc)为图像数据中的高像素点， 其中， wc为图像边界的横坐标； dc为 图像边界的纵坐标； c为 边界像素点个数， c∈K， 取值范围为[1,K]的任意 正整数； 在各个搜索环的区域中寻找特征点bi， ， 则特征点的允许偏移范围为f(bi)， 所述允许 偏移范围依据下式进行计算， 则在被识别的区域内所述识别块或协同定位 块被识别的范围S(bi)为： 其中， (c1,d1)和(c2,d2)为图像边界 的坐标， 且两者均属于边界像素点对应的坐标； △ θ 为(c1,d1)和(c2,d2)形成的三角面积微元的角度。权　利　要　求　书 2/2 页 3 CN 114638906 A 3