CN102622771A - 一种基于主动学习和半监督学习的图像压缩方法 - Google Patents

Abstract

本发明公开了一种基于主动学习和半监督学习的图像压缩方法。本发明的方法是基于主动学习的方式，选取图像中一些最具有代表性的像素点的颜色信息来学习一个能够预测图像剩下的像素点的颜色的模型。方法主要步骤如下：给出一张图像的所有像素点，本发明的方法首先简单地将图像分割为若干个矩形区域，在这些矩形区域中随机各选一个像素点，然后对这些点进行主动学习选出最具代表性的像素点，记录其灰度及颜色值，对图像剩余像素点则只记录其灰度值，完成压缩过程；在解压时使用拉普拉斯正则化最小二乘LapRLS这一种半监督学习的算法来预测还原所有像素点颜色。

Description

一种基于主动学习和半监督学习的图像压缩方法

技术领域

本发明涉及机器学习中的图像压缩技术领域，特别涉及一种基于主动学习和半监督学习的图像压缩方法。

背景技术

大多数图像有一个普遍的特征：邻居像素点是相关的，所以图像中包含冗余的信息。图像压缩的目标就是降低图像的冗余度，使得图像储存为一种高效的形式。典型的图像压缩算法首先通过一些变换技术，如离散余弦变换、离散小波变换，将图像从时域变换到频域；然后编码变换系数。主流的基于信号处理的图像压缩机制有着普遍的架构，即为在变换后进行信息熵编码。

最近，机器学习技术被应用到图像压缩并且取得了显著的进展。基于机器学习的图像压缩方法有两个基本的步骤：(1)选择最具代表性的像素点作为编码过程(2)对剩下的像素点进行着色作为解码过程。第一步是主动学习问题，第二步是半监督学习问题。之前的方法是通过NCut算法直接产生代表像素点，但这些代表像素点不满足最优化解码过程的目标函数。为了获得最好的压缩性能，编码和解码都需要满足最优化同一个目标函数。

发明内容

本发明的目的在于提供一种基于主动学习和半监督学习的图像压缩方法。该方法旨在统一主动学习和半监督学习框架来进行图像压缩，同时该框架满足最优化同一个目标函数，这样就能够获得最佳的压缩性能。

1.本发明解决其技术问题采用的步骤如下：

1)简单地将图像分割成若干个矩形区域，在这些矩形区域中各自随机选择一个像素点，形成像素点矩阵；

2)在矩阵中通过主动学习算法，选取最具代表性的像素点，记录其颜色值；对图像剩余点仅记录灰度值，完成对图像的压缩；

3)图像的解压缩过程中，利用主动学习过程中选取的点的颜色值，采用LapRLS算法对剩余点的颜色值进行预测。

步骤(1)中提取每个像素点的空间位置、灰度值和颜色信息(YUV空间)作为特征值；根据图像的大小将其平均分割为若干个矩形区域，在每个矩形区域中随机选取一个像素点；并根据取出的这些点构建若干个最近邻图。

步骤(2)中的最具代表性的像素点的选取，目标是使根据所选取的点通过LapRLS算法所预测剩余像素点颜色的结果的协方差期望值最小化。即通过选取适当的学习像素点集Z，使得对于目标函数

$J_{\mathrm{LapRLS}\left(w\right)}={\mathrm{\Σ}}_{i=1}^k{(f\left(z_i\right)-y_i)}^2---\left(1\right)$

$+\frac{{\mathrm{\λ}}_1}{2}{\mathrm{\Σ}}_{i,j=1}^m{(f\left(x_i\right)-f\left(x_j\right))}^2{S}_{\mathrm{ij}}+{\mathrm{\λ}}_2{\left|\right|w\left|\right|}^2$

其中f是LapRLS算法使用带标签和不带标签点进行学习的回归模型，在m个点之中k个点是带标签的；y_i是点的标签，z是带标签的点，x是任何点；S是相似度矩阵，λ₁和λ₂是对应的权重，学习的解

的协方差最小。

步骤(3)使用LapRLS，利用步骤(2)中选取的Z学习J_LapRLS(w)的解从而使用

来获得对图像中除Z以外所有点的颜色的预测值，完成对图像的还原。

本发明与背景技术相比，具有的有益的效果是：本发明将机器学习方法应用到图像压缩领域，将LapRLS算法给出的目标函数作为准则，在编码和解码过程中都应用这个准则，这样大大缩短了图像压缩的时间，同时保证了最佳的压缩率。

附图说明

图1是本发明一种基于主动学习和半监督学习的图像压缩方法流程图。

具体实施方式

参见图1，示出了本发明一种基于主动学习和半监督学习的图像压缩方法的流程图。详细实施步骤如下：

1.给定一张图片，提取每个像素点的空间位置、灰度值和颜色信息(YUV空间)作为特征值；根据图像的大小将其平均分割为若干个矩形区域，在每个矩形区域中随机选取一个像素点，构成待选像素点矩阵X；并根据取出的这些点的空间位置构建k最近邻图S，当x_i是x_j的近邻或x_j是x_i的近邻时，S中的元素S_ij＝1。

2.本方法在图片压缩时仅存储所有像素点的位置和灰度值，并选取一部分像素点Z同时记录其颜色值，在解压时即利用Z学习一个线性回归模型

然后以此预测其它像素点的颜色值。对于f(x)的学习所采取的算法是LapRLS，目标函数即公式(1)，定义对角矩阵D，使D_ii＝∑_jS_ij；定义图拉普拉斯矩阵L，L＝D-S，则公式(1)的解即为

3.由公式(2)可知，在待选像素点集合X已定的情况下，仅与Z的选取相关，即不同的特征点集Z的选取直接影响了

的结果。本方法在选取Z时的目标是使

的协方差矩阵最小，即

令H＝ZZ^T+λ₁XLX^T+λ₂|，又

由于λ₁和λ₂都很小，|H^-1-H^-1(λ₁XLX^T +λ₂I)H^-1|≈|H^-1|，故目标函数式(3)可转化为如下目标函数：

${\max }_{z=(z_1...z_k)}\left|H\right|---\left(4\right)$

4.根据式(4)求解Z的过程是一个主动学习过程，具体过程如下：

$z_{k+1}=\arg \underset{z\∈X-z_k}{\max }{z}^T{H}_k^{-1}z---\left(5\right)$

$H_{k+1}^{-1}=H_k^{-1}-\frac{H_k^{-1}{z}_{k+1}{z}_{k+1}^T{H}_k^{-1}}{1+z_{k+1}^T{H}_k^{-1}{z}_{k+1}}---\left(6\right)$

每次迭代通过公式(5)选出一个新的点z，再通过公式(6)反过来更新H_k。这样进行若干次迭代后，得到特征像素点集合Z。其中Z的颜色信息和所有点的灰度值就构成了图像压缩后的数据。这个过程就是本方法使用的图像压缩的编码过程。

5.对于已经压缩的图片，利用其中具备颜色信息的点集Z，通过LapRLS算法求得

然后在其余像素点上根据公式

通过其灰度值来预测其颜色信息，这个过程就是

本方法使用的图像压缩的解码过程。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种基于主动学习和半监督学习的图像压缩方法，其特征在于：

1)简单地将图像分割成若干个矩形区域，在这些矩形区域中各自随机选择一个像素点，形成像素点矩阵；

2)所得的矩阵中通过主动学习算法，选取最具代表性的像素点，记录其颜色值；对图像剩余点仅记录灰度值，完成对图像的压缩；

3)图像的解压缩过程利用主动学习过程中选取的点的颜色值，采用LapRLS算法对剩余点的颜色值进行预测还原。

2.根据权利要求1所述的一种基于主动学习和半监督学习的图像压缩方法，步骤(1)中提取每个像素点的空间位置、灰度值和颜色信息(YUV空间)作为特征值；根据图像的大小将其平均分割为若干个矩形区域，在每个矩形区域中随机选取一个像素点；并根据取出的这些点构建若干个最近邻图。

3.根据权利要求1所述的一种基于主动学习和半监督学习的图像压缩方法，步骤(2)中的最具代表性的像素点的选取，目标是使根据所选取的点通过LapRLS算法所预测剩余像素点颜色的结果的协方差期望值最小化，即通过选取适当的学习带标签像素点集，使得对于目标函数

$J_{\mathrm{LapRLS}\left(w\right)}={\mathrm{\Σ}}_{i=1}^k{(f\left(z_i\right)-y_i)}^2---\left(1\right)$

$+\frac{{\mathrm{\λ}}_1}{2}{\mathrm{\Σ}}_{i,j=1}^m{(f\left(x_i\right)-f\left(x_j\right))}^2{S}_{\mathrm{ij}}+{\mathrm{\λ}}_2{\left|\right|w\left|\right|}^2$

其中f是LapRLS算法使用带标签和不带标签点进行学习的回归模型，在m个点之中k个点是带标签的；y_i是点的标签，z是带标签的点，x是任何点；S是相似度矩阵，λ₁和λ₂是对应的权重，学习的解

的协方差最小。

4.根据权利要求1所述的一种基于主动学习和半监督学习的图像压缩方法，步骤(3)使用LapRLS，利用步骤(2)中选取的带标签点矩阵学习J_LapRLS(w)的解从而使用

来获得对图像中除带标签点矩阵以外所有点的颜色的预测值，完成对图像的还原。

Images