原文传递
基于深度学习的交通场景图像压缩算法研究
| 论文题名： | 基于深度学习的交通场景图像压缩算法研究 |
| 关键词： | 智能交通;图像压缩;深度学习;超分辨率;算术码 |
| 摘要： | 随着互联网技术的飞速发展，智能交通系统在现代交通管理中发挥的作用日益增强。利用各种技术处理车辆数据是交通体系智能化管理中的一个必要环节，其中，图像压缩就是一种极其重要的技术手段。传统的图像编码技术虽然已十分成熟，但仍然无法满足对当前快速增长的交通图像进行高效存储和快速传输的需求。为解决现阶段交通图像体积大、增长快和结构复杂的情况，本文结合深度学习技术，使用ImageNet64、OpenImages以及本文采集的交通图像作为实验数据集，针对L3C和SReC两种模型存在的不足，提出改进方案，主要工作和取得的成果包括： （1）提出了一个通用且轻量化的非局部残差卷积网络。本文将图像的低分辨率版本存储为原始像素，然后通过添加非局部残差卷积网络计算低分辨率图像中当前像素和其它像素之间的权重，捕捉远程依赖，为图像中的高频信息分配更多的注意力，提高图像超分辨率重建的概率。 （2）将所提出的非局部残差卷积网络分别与L3C模型、SReC模型相结合，给出了两种新的网络模型，采用上述模型预测图像超分辨重建概率，使得到的概率预测值更接近真实值。接着分别将两种方法预测的概率值和传统的自适应算术码方案相结合用于图像压缩。实验结果表明，相比于原始方法，本文所提出的两种方法压缩效果均有所提升。 （3）提出图像颜色特征复杂度量化标准。本文使用该量化标准将图像分为颜色特征复杂和颜色特征单一两种情况，并对两种情况下的图像用本文所提模型进行压缩。实验结果表明，当图像的颜色变化平缓，细节较少时，图像压缩效果较好；当图像的颜色变化剧烈，细节较多时，图像压缩效果较差。 |
| 作者： | 陈小娇 |
| 专业： | 交通运输工程 |
| 导师： | 方勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
