深度学习图像视频压缩技术

说到图像压缩算法，最典型的有JPEG、JPEG2000等。

 

而其中JPEG 采用的是以离散余弦转换(Discrete Cosine Transform) 为主的区块编码方式（如图2）。JPEG2000改用以小波转换(Wavelet Transform) 为主的多解析编码方式。小波转换的主要目的是将图像的频率成分抽取出来。

图2 JPEG 编码框图

 

在有损压缩下，JPEG2000一个比较明显的优点是没有JPEG压缩中的马赛克失真效果。JPEG2000的失真主要是模糊失真。模糊失真产生的主要原因是高频量在编码过程中一定程度的衰减。在低压缩比情形下（比如压缩比小于10：1），传统的JPEG图像质量有可能比JPEG2000好。JPEG2000在高压缩比的情形下，优势才开始明显。

整体来说，和传统的JPEG相比，JPEG2000仍然有很大的技术优势，通常压缩性能大概可以提高20%以上。一般在压缩比达到100：1的情形下，采用JPEG压缩的图像已经严重失真并开始难以识别了，但JPEG2000的图像仍可识别。

 

深度学习技术设计压缩算法的目的

 

用深度学习技术设计压缩算法的一个目的是学习一个比离散余弦变换或小波变换更优的变换，同时用深度学习技术也可以设计更简洁的端到端算法，这样可以设计出比JPEG2000等商用算法性能更优的算法。

在图片或视频压缩领域，使用最多的深度学习技术是卷积神经网络(CNN)，先简单介绍卷