本文探讨了深度学习在图像视频压缩中的应用，对比了JPEG与JPEG2000的优缺点，并介绍了利用卷积神经网络（CNN）设计压缩算法的方法。通过深度学习技术，可以设计出在保持较高图像恢复质量的同时，提高压缩性能的算法。文章还讨论了评判压缩算法的指标，如BPP和PSNR，并展示了深度学习压缩技术在实际应用中的优势。
说到图像压缩算法，最典型的就是 JPEG、JPEG2000 等。
图 1：典型图像压缩算法 JPEG、JPEG2000
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 则改用以小波转换（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 的明显优势在于其避免了 JPEG 压缩中的马赛克失真效果。JPEG2000 的失真主要是模糊失真，而模糊失真的主要原因在于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，JPEG2000 相比于传统 JPEG，仍有很大技术优势，通常压缩性能可提高 20% 以上。当压缩比达到 100：1 时，JPEG 压缩的图像已经严重失真并开始难以识别了，而 JPEG2000 的图像仍可识别。
深度学习技术设计压缩算法的目的
通过深度学习技术设计压缩算法的目的之一是学习一个比离散余弦变换或小
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
