基于深度学习的JPEG压缩伪迹去除方法研究

发布时间：2021-10-17 02:23

　　联合图像专家组（Joint Photographic Experts Group,JPEG）在高压缩比的情况下,解压缩后的图像会产生块效应、边缘振荡效应和模糊,严重影响了图像的视觉效果。为了有效地去除JPEG压缩伪迹,该文基于深度学习的JPEG压缩伪迹去除方法展开研究,具体研究内容如下:首先,将JPEG压缩的先验与卷积神经网络相结合,即在简单的卷积神经网络后加入量化约束,以确保经卷积神经网络输出的图像得到更可靠的估计。该方法将每次收敛时网络的输出图像进行量化约束,同时将量化约束得到的图像再次作为卷积神经网络的训练样本。经实验表明,提出的方法与单独训练卷积神经网络相比,具有更高的性能。其次,为了进一步去除JPEG压缩伪迹,提出了多尺度稠密残差网络。该方法首先把扩张卷积引入到稠密块中,利用不同的扩张因子,使其形成多尺度稠密块;然后采用四个多尺度稠密块将网络设计成包含两条支路的结构,其中后一条支路用于补充前一条支路没有提取到的特征;最后采用残差学习的方法来提高网络的性能。为了提高网络的通用性,采用具有不同压缩质量因子的联合训练方式对网络进行训练,针对不同压缩质量因子训练出一个通用模型。经实验... 

【文章来源】：燕山大学河北省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

JPEG压缩过程的输入和输出图像

图 2-3 Fast ARCNN 算法的网络结构由图 2-3 可知，网络的输入和输出分别为 JPEG 压缩图像和预测图像。该网络的第一层选用步幅 s = 2的 64 个9 × 9的滤波器对输入图像进行下采样，该层得到的图像大小为输入图像的一半。该层输出大小：21i k pos + = + (2-2其中，i为该层输入图像的大小，k 为该层卷积核的大小， p 为卷积时的补零参数s 为卷积时的步幅。当 s = 1时，卷积后的图像大小等于输入图像大小。网络的第二层选用步幅 s = 1的 32 个1 × 1的滤波器，将高维特征向量映射到一个相对较低维的特征空间(64 降到 32)：( ( ))2 2 1 2f ( x )=Φ w fx +b (2-3其中， ( )1f x 为第一层的输出，2w 和2b 分别为第二层卷积的权重和偏置，Φ 表示激活函数 PReLU：Φ=( x ) max(0, x ) +γmin(0, x)(2-4

终得到去除 JPEG 压缩伪迹的图像。该层的输出大小：o = s ( i 1) + k 2p (2-7)其中，i为该层输入图像的大小，k 为卷积核的大小， p 为补零参数，s为步幅。当s > 1时，卷积相当于下采样；转置卷积相当于上采样。训练时，Fast ARCNN 算法采用均方误差(Mean Squared Error, MSE)作为损失函数：( ) ( )211 ;Ni iiL FNθ θ== ∑ x x (2-8)其中， N 表示图像样本数，ix 为 JPEG 压缩图像， ix 为ix 对应的标签， F ( )表示Fast ARCNN 网络的输出，θ 表示网络中的超参数。2.4 L8 Residual 算法Svoboda 等人提出了包含 8 层卷积和跳跃连接的残差网络[23]，用于去除 JPEG压缩伪迹。本文中将该算法简称为 L8 Residual 算法，如图 2-4 所示。


本文编号：3440930