CN107301668A - 一种基于稀疏矩阵、卷积神经网络的图片压缩方法 - Google Patents
一种基于稀疏矩阵、卷积神经网络的图片压缩方法 Download PDFInfo
- Publication number
- CN107301668A CN107301668A CN201710447083.2A CN201710447083A CN107301668A CN 107301668 A CN107301668 A CN 107301668A CN 201710447083 A CN201710447083 A CN 201710447083A CN 107301668 A CN107301668 A CN 107301668A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- compression
- sparse matrix
- neutral net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于稀疏矩阵、卷积神经网络的图片压缩方法,包括以下步骤:将图像转换成二维矩阵数据,利用卷积神经网络评估、优化和构建稀疏矩阵图像,再通过卷积神经网络优选压缩方案,用选取出的最优压缩方案对稀疏矩阵图像进行压缩处理,最后得到高压缩比高、失真少的压缩图像。本发明解决了现有压缩技术压缩比低、压缩后图片质量下降太多,使图像难以使用和识别的问题,并且本压缩方法能够根据图片内容进行优化,自行选择合适的图像构建和压缩方法,使图片特征提取和压缩方法具备自行优化和学习的能力。
Description
技术领域
本发明涉及图片处理技术领域,尤其涉及一种基于稀疏矩阵、神经网络的图片压缩方法。
背景技术
图片压缩技术是图像处理技术中的重要技术领域,图片压缩可以有效的减小文件大小、节约存储空间、减轻网络传输压力。
目前常见压缩技术有JPG、PNG、RAR等,JPG、PNG等算法是专为图片格式文件进行压缩,可以将原有的位图压缩至10%-70%的大小,目前已经在计算机业界广泛应用,操作系统和应用软件通常将这些算法作为默认支持的通用标准,但不足的是这两种算法会根据不同的压缩比,质量有不同程度的损失。RAR等技术适用于任何文件,均可进行压缩,但压缩比主要依赖于原文件的数据规律性,越无规律的数据越难压缩。RAR也可以作为图片压缩,但效果不如只针对图片压缩的技术。
目前业界大多压缩算法的压缩比不够高,通常可以将原有的位图压缩至10%-70%的大小,少部分方法可以压缩到1%-5%,但随之而来的是对图片内容有限定或图像的质量下降较多。某些特定行业的应用的图片压缩算法拥有高效的压缩比,但存在压缩后质量下降太多,图片经过压缩后,质量下降太多,难以使用和识别的问题。
某些特定行业的应用的图片压缩算法拥有高效的压缩比,同时质量也较好,但无法做到根据图片内容自适应算法。它只能针对某种特殊行业的特殊图片,针对该行业的图片的规律进行特定的优化,这类算法限定了图片的内容和应用场景,无法做到对任意内容的图片进行高效高质量的压缩。例如天文领域的夜空拍摄图片,图片中仅有少部分亮星,其余皆为深色,针对该类图片的特点可编制特定算法进行高效压缩,但该算法无法推广到任意内容的图片使用。
综上所述,现有的图片压缩的系统和方法中都不具备一种拥有极高效的压缩比,压缩后质量下降较小,同时又能智能的根据不同图片进行算法改进的系统和方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种拥有极高压缩比、且压缩后失真少的图片压缩方法,并且本方法可智能的根据图片内容自行优化,具备学习能力。
本发明的目的是通过以下技术方案来实现的:一种基于稀疏矩阵、神经网络的图片压缩方法,所述的图片压缩方法包括以下步骤:
S1:采用神经网络对图像稀疏矩阵进行评估、优化,构建最优稀疏矩阵;
S2:采用神经网络选取最优压缩算法并对图像稀疏矩阵进行压缩处理,得到压缩图像;
其中,所述的图像稀疏矩阵的评估、优化和构建,包括以下子步骤:
S11:将待压缩图像转化为二维矩阵数据;
S12:采用神经网络对二维矩阵数据进行处理,得到备选图像稀疏矩阵的;
S13:采用神经网络和预设的评估指标对构建的备选的稀疏矩阵图像进行评估;
S14:采用神经网络和优化措施对构建的稀疏矩阵图像进行优化,并记录优化参数;
所述的稀疏矩阵图像压缩处理,包括以下子步骤:
S21:根据图像的大小构建神经网络,提取和分析图像特征,同时将图像数据和使用的压缩方案作为神经网络输入数据,反馈值作为压缩方案的参数;
S22:采用稀疏矩阵压缩方法压缩数据,压缩算法包括:COO、CSR、DIA、ELL、HYB;
S23:将压缩方案和图像特征信息反馈回神经网络,评估得到最优压缩方案,得到压缩后的图片数据。
所述的神经网络包括卷积神经网络;所述的评估指标包括图像还原度、边缘吻合度和区域数量;所述的优化措施包括去噪、增加边缘和白平衡处理。
其特征在于,所述的备选图像稀疏矩阵的计算,包括以下子步骤:
S121:构建区域中心,在二维矩阵中随机找到像素点(x1,y1),检验该点是否有颜色值,若有则该点作为区域中心(x1,y1);
S122:构建分布函数,根据区域中心构建分布函数,其概率密度函数为:
其中μ1,都是常数,μ1,μ2代表位置(x1,y1),σ1,σ2,ρ代表类椭圆切面的长宽深;
S123:根据神经网络优化后的反馈值作为常数,带入概率密度函数,检验区域中心(x1,y1),并扩展矩阵N*M区域内的像素是否符合该颜色,若符合将区域中心(x1,y1)的值设置为X*Y,并将结果反馈给神经网络;
S124:重复S131~S133过程P次,其中P为随机数,P<M*N*0.01,则构建了一个W*H的稀疏矩阵。
所述的稀疏矩阵图像进行优化包括以下子步骤:
S141:构建输入层,其中大小为N*M的矩阵,N、M为图像的长和宽,每一个矩阵的值是该像素的值;
S142:构建卷积层,其中默认采用8滤波矩阵滤波,步长为1,激活函数为Relu;
S143:构建池化层,其中池化函数采用MAX,池化矩阵大小为2*2,默认步长为2,增加边参数为2;
S144:再次构建卷积层,默认采用16滤波矩阵滤波,步长为1,激活函数为Relu;
S145:再次构建池化层,其中池化函数采用AVE,池化矩阵大小为10*10,默认步长为 2,增加边参数为2;
S146:再次构建卷积层,默认采用4滤波矩阵滤波,步长为1,激活函数为Relu;
S147:再次构建池化层,池化函数采用MAX,池化矩阵大小为5*5,默认步长为2,增加边参数为2;
S148:构建多层感知器层,构建3个平行的多层感知器层,使用regression激活函数,其中反馈值为3个值域为[0,1]的数,分别代表σ1,σ2,p。
所述的根据图像的大小构建神经网络,提取和分析图像特征包括以下子步骤:
S211:建立算法:TH=C1/S+C2/S,其中TH为图像还原度,S为原图像像素个数,C1为超出原图范围的像素个数,C2为原图有但新图像没有的像素个数;
S212:建立算法:BW=ΣDi,其中BW为边缘吻合度,Di为每一个原图像边缘的点到新图像边缘的最小距离;
S213:设定区域数量为P;
S214:建立算法:L=(TH+ln(BW))*P,其中:L为评估结果,BW为边缘吻合度,ln 为以e为底的log函数,P为区域数量,L越小表明效果越佳。
所述的采用稀疏矩阵压缩方法压缩数据包括以下子步骤:
S221:根据优化后的图像再次构建卷积神经网络,提取并分析图像特征;
S222:将COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案,优化后的反馈值作为压缩方案的参数,分析方案的数据特征,构建合适的压缩方案;
S223:通过训练使卷积神经网络自行判断得出适合的压缩方案;
S224:每次训练结果将反馈回卷积神经网络。
所述的COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案实施包括以下子步骤:
S2221:构建COO算法:将每个元素用行号,列号,数值的三元组来表示,对应矩阵右边的一列;
S2222:构建CSR算法:设定矩阵为N*M,每一个值为X11~XNM,合计N*M个,其中有S个值不为0,则构建3个新矩阵A1,A2,A3,长度均为C1,C2,C3,其中C1=S, C2=S,C3<S,A1的值依次是原矩阵中不为0的值,A2的值是每个不为0的值的列号,A2 的值是指定在哪个索引位置进行换行;
S2223:构建DIA算法:按对角线方式存储,列代表对角线,行代表行,并省略全零的对角线,假设矩阵为N*M,每一个值为X11~XNM,合计N*M个,若其中X1b~XN(m-b) 的对角线为0,则全部移除,上方三角形矩阵左移动,下方三角形右移动,形成了一个新的 N*(M-1)的矩阵,如果矩阵中存在大量的为0的对角线,则可以省略较多;
S2224:构建ELL算法:利用两个和原始矩阵相同行数的矩阵来存储,第一个矩阵存的是列号,第二个矩阵存的是数值;这两个矩阵每一行都是从头开始放,如果没有元素了就用个标志比如*结束;
S2225:构建HYB算法:将每一行多出的数据用COO单独存储起来,HYB算法和COO 算法和ELL算法一致;
S2226:根据公式:L=A/S,计算算法的压缩效率,其中L为压缩效率,A为压缩后矩阵数据大小,S为压缩前的矩阵数据大小。
所述的一种基于稀疏矩阵、神经网络的图片压缩方法还包括图片的还原步骤,它包括以下子步骤:
S31:获取压缩后的数据;
S32:构建还原图像,解压压缩后的数据,提取构建图像部分有效数据,根据内部消息构建图像,所述的内部消息包括区域的默认等级和每个区域的坐标;
S33:利用去噪、增加边缘、白平衡处理作为参数对图像进行优化,获得还原后的图像。
所述的还原图像构建通过解压压缩后的数据,提取其中构建图像部分的数据,利用内部的信息,包括区域的默认等级、每个区域坐标,构建图像;所述的还原图像构建的算法是采用稀疏矩阵压缩算法的逆算法。
所述的图像优化是根据去噪、增加边缘、白平衡等处理的参数,在还原图像时对图像进行优化。
本发明的有益效果是:
1)具有极高效的压缩比,通过稀疏矩阵和神经网络方法相结合的方式,将可变化范围区域代替原有图片中的图像,使算法拥有极高的压缩比。
2)压缩后失真少,对压缩后的图片,在还原的过程中进行去噪、增加边缘、白平衡处理,使得图片还原后的质量较高。
3)能够根据图片内容自行优化,由神经网络提取图像的特征,并构建多个构建方案、编码方案,对方案进行优化,并且可以应对各类结构内容的图片。
4)方法具备学习能力,对大量的图片进行压缩的过程中,神经网络对过去产生的数据进行自我训练和逐步优化,建立一定程度上的对图片的“意识”,未来在遇到同类图片的时候可以使用过去的经验,这样的机制使得本发明的图像压缩方法,压缩的图片越多则压缩的效果越好。
附图说明
图1为本发明中的图片压缩方法流程图;
图2为本发明中的图片还原方法流程图;
图3为本发明压缩方法示例图,301-像素为600*600的图像,302-利用稀疏矩阵压缩后的图像,303-利用神经网络优化压缩方案后得到的压缩数据;
图4为本发明还原方法的示例图,304-利用神经网络优化压缩方案后得到的压缩数据, 305-根据数据特征重建图像,306-本发明逆运算后得到的还原图像,307-经去噪、增加边缘、白平衡处理后得到的优化图像。
具体实施方式
下面结合具体实施例进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
实施例1
一种基于稀疏矩阵、神经网络的图片压缩方法,它包括图片压缩过程和图片还原过程。
如图1,一种基于稀疏矩阵、神经网络的图片压缩方法,所述的图片压缩方法包括以下步骤:
S1:采用神经网络对图像稀疏矩阵进行评估、优化,构建最优稀疏矩阵;
S2:采用神经网络选取最优压缩算法并对图像稀疏矩阵进行压缩处理,得到压缩图像;
其中,所述的图像稀疏矩阵的评估、优化和构建,包括以下子步骤:
S11:将待压缩图像转化为二维矩阵数据;
S12:采用神经网络对二维矩阵数据进行处理,得到备选图像稀疏矩阵的;
S13:采用神经网络和预设的评估指标对构建的备选的稀疏矩阵图像进行评估;
S14:采用神经网络和优化措施对构建的稀疏矩阵图像进行优化,并记录优化参数;
所述的稀疏矩阵图像压缩处理,包括以下子步骤:
S21:根据图像的大小构建神经网络,提取和分析图像特征,同时将图像数据和使用的压缩方案作为神经网络输入数据,反馈值作为压缩方案的参数;
S22:采用稀疏矩阵压缩方法压缩数据,压缩算法包括:COO、CSR、DIA、ELL、HYB;
S23:将压缩方案和图像特征信息反馈回神经网络,评估得到最优压缩方案,得到压缩后的图片数据。
所述的神经网络包括卷积神经网络;所述的评估指标包括图像还原度、边缘吻合度和区域数量;所述的优化措施包括去噪、增加边缘和白平衡处理。
其特征在于,所述的备选图像稀疏矩阵的计算,包括以下子步骤:
S121:构建区域中心,在二维矩阵中随机找到像素点(x1,y1),检验该点是否有颜色值,若有则该点作为区域中心(x1,y1);
S122:构建二维高斯分布函数,根据区域中心构建二维高斯分布函数,其概率密度函数为:
其中μ1,μ2,σ1,σ2,ρ都是常数,μ1,μ2代表位置(x1,y1),σ1,σ2,ρ代表类椭圆切面的长宽深;
S123:根据神经网络优化后的反馈值作为常数,带入概率密度函数,检验区域中心(x1,y1),并扩展矩阵N*M区域内的像素是否符合该颜色,若符合将区域中心(x1,y1)的值设置为X*Y,并将结果反馈给神经网络;
S124:重复S121~S123过程P次,其中P为随机数,P<M*N*0.01,则构建了一个W*H的稀疏矩阵。
所述的稀疏矩阵图像进行优化包括以下子步骤:
S141:构建输入层,其中大小为N*M的矩阵,N、M为图像的长和宽,每一个矩阵的值是该像素的值,以N、M为60为例;
S142:构建卷积层,滤波矩阵设为60*60,其中默认采用8滤波矩阵滤波,滤波矩阵大小为60*60,步长为1,激活函数为Relu,输出矩阵为60*60;
S143:构建池化层,其中池化函数采用MAX,池化矩阵大小为2*2,默认步长为2,增加边参数为2,输出矩阵为30*30;
S144:再次构建卷积层,默认采用16滤波矩阵滤波,滤波矩阵大小为20*20,步长为1,激活函数为Relu;
S145:再次构建池化层,其中池化函数采用AVE,池化矩阵大小为10*10,默认步长为 2,增加边参数为2;
S146:再次构建卷积层,默认采用4滤波矩阵滤波,步长为1,激活函数为Relu;
S147:再次构建池化层,池化函数采用MAX,池化矩阵大小为5*5,默认步长为2,增加边参数为2;
S148:构建多层感知器层,构建3个平行的多层感知器层,使用regression激活函数,其中反馈值为3个值域为[0,1]的数,分别代表σ1,σ2,p。
更进一步地,所述的方案评估包括以下子步骤:
S211:建立算法:TH=C1/S+C2/S,其中TH为图像还原度,S为原图像像素个数,C1为超出原图范围的像素个数,C2为原图有但新图像没有的像素个数;
S212:建立算法:BW=ΣDi,其中BW为边缘吻合度,Di为每一个原图像边缘的点到新图像边缘的最小距离;
S213:设定区域数量为P;
S214:建立算法:L=(TH+ln(BW))*P,其中:L为评估结果,BW为边缘吻合度,ln 为以e为底的log函数,P为区域数量,L越小表明效果越佳。
更进一步地,所述的方案优化所有参数仅占15Byte,几乎可忽略不计大小,它包括以下子步骤:
S2121:去噪声包含4个参数:去噪半径QR、阈值色阶SF、去除杂色强度ZS、锐化强度RH,其中各参数均占用2个Byte;
S2122:边缘包含2个参数:边缘厚度BH、边缘颜色BC,其中BH占据2个Byte,BC 占据3个Byte;
S2123:白平衡包含1个参数:白平衡变化值BP,仅占用2个Byte。
所述的采用稀疏矩阵压缩方法压缩数据包括以下子步骤:
S221:根据优化后的图像再次构建卷积神经网络,提取并分析图像特征;
S222:将COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案,优化后的反馈值作为压缩方案的参数,分析方案的数据特征,构建合适的压缩方案;
S223:通过训练使卷积神经网络自行判断得出适合的压缩方案;
S224:每次训练结果将反馈回卷积神经网络。
所述的COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案实施包括以下子步骤:
S2221:构建COO算法:将每个元素用行号,列号,数值的三元组来表示,对应矩阵右边的一列;
S2222:构建CSR算法:设定矩阵为N*M,每一个值为X11~XNM,合计N*M个,其中有S个值不为0,则构建3个新矩阵A1,A2,A3,长度均为C1,C2,C3,其中C1=S, C2=S,C3<S,A1的值依次是原矩阵中不为0的值,A2的值是每个不为0的值的列号,A2 的值是指定在哪个索引位置进行换行;
S2223:构建DIA算法:按对角线方式存储,列代表对角线,行代表行,并省略全零的对角线,假设矩阵为N*M,每一个值为X11~XNM,合计N*M个,若其中X1b~XN(m-b) 的对角线为0,则全部移除,上方三角形矩阵左移动,下方三角形右移动,形成了一个新的 N*(M-1)的矩阵,如果矩阵中存在大量的为0的对角线,则可以省略较多;
S2224:构建ELL算法:利用两个和原始矩阵相同行数的矩阵来存储,第一个矩阵存的是列号,第二个矩阵存的是数值;这两个矩阵每一行都是从头开始放,如果没有元素了就用个标志比如*结束;
S2225:构建HYB算法:将每一行多出的数据用COO单独存储起来,HYB算法和COO 算法和ELL算法一致;
S2226:根据公式:L=A/S,计算算法的压缩效率,其中L为压缩效率,A为压缩后矩阵数据大小,S为压缩前的矩阵数据大小。
所述的一种基于稀疏矩阵、神经网络的图片压缩方法还包括图片的还原步骤,它包括以下子步骤:
S31:获取压缩后的数据;
S32:构建还原图像,解压压缩后的数据,提取构建图像部分有效数据,根据内部消息构建图像,所述的内部消息包括区域的默认等级和每个区域的坐标;
S33:利用去噪、增加边缘、白平衡处理作为参数对图像进行优化,获得还原后的图像。
所述的还原图像构建通过解压压缩后的数据,提取其中构建图像部分的数据,利用内部的信息,包括区域的默认等级、每个区域坐标,构建图像;所述的还原图像构建的算法是采用稀疏矩阵压缩算法的逆算法。
所述的图像优化是根据去噪、增加边缘、白平衡等处理的参数,在还原图像时对图像进行优化。
如图2,所述的还原图像构建通过解压压缩后的数据,提取其中构建图像部分的数据,利用内部的信息,如区域的默认等级、每个区域坐标等,构建图像;所述的还原图像构建的算法是采用稀疏矩阵压缩算法的逆算法。所述的图像优化是根据去噪、增加边缘、白平衡等处理的参数,在还原图像时对图像进行优化。
如图3,图301中原有图片大小为600*600的360000像素点的图像,通过本发明中的压缩方法,将图像转化为仅有数十个大小不等区域进行稀疏矩阵压缩,得到图302中的图像,再根据神经网络对压缩方法自行根据特征学习和选择是个图像的压缩方法进行进一步压缩,得到图303中的压缩后数据,压缩后数据大小不足原图像数据大小的1%。
如图4,图304中压缩后的数据,根据数据特征如区域的默认等级进行图像重建,得到图305,再通过压缩方法的逆算法对图像还原度、边缘吻合度、区域数量进行处理得到图306,最后根据去噪、增加边缘、白平衡参数的处理对还原图像进行优化,得到图307。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,所述的图片压缩方法包括以下步骤:
S1:采用神经网络对图像稀疏矩阵进行评估、优化,构建最优稀疏矩阵;
S2:采用神经网络选取最优压缩算法并对图像稀疏矩阵进行压缩处理,得到压缩图像;
其中,所述的图像稀疏矩阵的评估、优化和构建,包括以下子步骤:
S11:将待压缩图像转化为二维矩阵数据;
S12:采用神经网络对二维矩阵数据进行处理,得到备选图像稀疏矩阵的;
S13:采用神经网络和预设的评估指标对构建的备选的稀疏矩阵图像进行评估;
S14:采用神经网络和优化措施对构建的稀疏矩阵图像进行优化,并记录优化参数;
所述的稀疏矩阵图像压缩处理,包括以下子步骤:
S21:根据图像的大小构建神经网络,提取和分析图像特征,图像数据和备选压缩方案作为神经网络的输入数据,反馈值作为压缩方案的参数;
S22:从备选压缩方案中选择一种压缩算法对稀疏矩阵图像进行压缩处理;
S23:将压缩方案和图像特征信息反馈回神经网络;
S24:重复步骤S22~S23,分析压缩方案的数据特征,通过学习使得神经网络具备自行判断某个数据适合用何种压缩方案,得到最优压缩方案及对应的压缩后的图像。
2.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,所述的神经网络包括卷积神经网络;所述的评估指标包括图像还原度、边缘吻合度和区域数量;所述的优化措施包括去噪、增加边缘和白平衡处理;所述的备选压缩算法包括COO、CSR、DIA、ELL和HYB。
3.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S12中,所述的备选图像稀疏矩阵的计算,包括以下子步骤:
S121:构建区域中心,在二维矩阵中随机找到像素点(x1,y1),检验该点是否有颜色值,若有则该点作为区域中心(x1,y1);
S122:构建分布函数,根据区域中心构建分布函数,其概率密度函数为:
其中μ1,μ2,σ1,σ2都是常数,μ1,μ2代表位置(x1,y1),σ1,σ2,ρ代表类椭圆切面的长宽深;
S123:根据卷积神经网络优化后的反馈值作为常数,带入概率密度函数,检验区域中心(x1,y1),并扩展矩阵N*M区域内的像素是否符合该颜色,若符合将区域中心(x1,y1)的值设置为X*Y,并将结果反馈给卷积神经网络;
S124:重复S131~S133过程P次,其中P为随机数,P<M*N*0.01,则构建了一个W*H的稀疏矩阵。
4.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S14中,所述的稀疏矩阵图像进行优化包括以下子步骤:
S141:构建输入层,其中大小为N*M的矩阵,N、M为图像的长和宽,每一个矩阵的值是该像素的值;
S142:构建卷积层,其中默认采用8滤波矩阵滤波,步长为1,激活函数为Relu;
S143:构建池化层,其中池化函数采用MAX,池化矩阵大小为2*2,默认步长为2,增加边参数为2;
S144:再次构建卷积层,默认采用16滤波矩阵滤波,步长为1,激活函数为Relu;
S145:再次构建池化层,其中池化函数采用AVE,池化矩阵大小为10*10,默认步长为2,增加边参数为2;
S146:再次构建卷积层,默认采用4滤波矩阵滤波,步长为1,激活函数为Relu;
S147:再次构建池化层,池化函数采用MAX,池化矩阵大小为5*5,默认步长为2,增加边参数为2;
S148:构建多层感知器层,构建3个平行的多层感知器层,使用regression激活函数,其中反馈值为3个值域为[0,1]的数,分别代表σ1,σ2,p。
5.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S21中,所述的根据图像的大小构建神经网络,提取和分析图像特征包括以下子步骤:
S211:建立算法:TH=C1/S+C2/S,其中TH为图像还原度,S为原图像像素个数,C1为超出原图范围的像素个数,C2为原图有但新图像没有的像素个数;
S212:建立算法:BW=ΣDi,其中BW为边缘吻合度,Di为每一个原图像边缘的点到新图像边缘的最小距离;
S213:设定区域数量为P;
S214:建立算法:L=(TH+ln(BW))*P,其中:L为评估结果,BW为边缘吻合度,ln为以e为底的log函数,P为区域数量,L越小表明效果越佳。
6.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S22中,所述的采用稀疏矩阵压缩方法压缩数据包括以下子步骤:
S221:根据优化后的图像再次构建卷积神经网络,提取并分析图像特征;
S222:将COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案,优化后的反馈值作为压缩方案的参数,分析方案的数据特征,构建合适的压缩方案;
S223:通过训练使卷积神经网络自行判断得出适合的压缩方案;
S224:每次训练结果将反馈回卷积神经网络。
7.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S222中,所述的COO,CSR,DIA,ELL,HYB五种稀疏矩阵压缩方案实施包括以下子步骤:
S2221:构建COO算法:将每个元素用行号,列号,数值的三元组来表示,对应矩阵右边的一列;
S2222:构建CSR算法:设定矩阵为N*M,每一个值为X11~XNM,合计N*M个,其中有S个值不为0,则构建3个新矩阵A1,A2,A3,长度均为C1,C2,C3,其中C1=S,C2=S,C3<S,A1的值依次是原矩阵中不为0的值,A2的值是每个不为0的值的列号,A2的值是指定在哪个索引位置进行换行;
S2223:构建DIA算法:按对角线方式存储,列代表对角线,行代表行,并省略全零的对角线,假设矩阵为N*M,每一个值为X11~XNM,合计N*M个,若其中X1b~XN(m-b)的对角线为0,则全部移除,上方三角形矩阵左移动,下方三角形右移动,形成了一个新的N*(M-1)的矩阵,如果矩阵中存在大量的为0的对角线,则可以省略较多;
S2224:构建ELL算法:利用两个和原始矩阵相同行数的矩阵来存储,第一个矩阵存的是列号,第二个矩阵存的是数值;这两个矩阵每一行都是从头开始放,如果没有元素了就用个标志比如*结束;
S2225:构建HYB算法:将每一行多出的数据用COO单独存储起来,HYB算法和COO算法和ELL算法一致;
S2226:根据公式:L=A/S,计算算法的压缩效率,其中L为压缩效率,A为压缩后矩阵数据大小,S为压缩前的矩阵数据大小。
8.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,所述的一种基于稀疏矩阵、神经网络的图片压缩方法还包括图片的还原步骤,它包括以下子步骤:
S31:获取压缩后的数据;
S32:构建还原图像,解压压缩后的数据,提取构建图像部分有效数据,根据内部消息构建图像,所述的内部消息包括区域的默认等级和每个区域的坐标;
S33:利用去噪、增加边缘、白平衡处理作为参数对图像进行优化,获得还原后的图像。
9.根据权利要求8所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S32中,所述的构建还原图像通过解压压缩后的数据,提取其中构建图像部分的数据,利用内部的信息,包括区域的默认等级、每个区域坐标,构建图像;构建还原图像采用的算法是稀疏矩阵压缩算法的逆算法。
10.根据权利要求8所述的一种基于稀疏矩阵、神经网络的图片压缩方法,其特征在于,在步骤S33中,根据去噪、增加边缘和白平衡参数,在还原图像时对图像进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447083.2A CN107301668B (zh) | 2017-06-14 | 2017-06-14 | 一种基于稀疏矩阵、卷积神经网络的图片压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447083.2A CN107301668B (zh) | 2017-06-14 | 2017-06-14 | 一种基于稀疏矩阵、卷积神经网络的图片压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301668A true CN107301668A (zh) | 2017-10-27 |
CN107301668B CN107301668B (zh) | 2019-03-15 |
Family
ID=60134699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710447083.2A Active CN107301668B (zh) | 2017-06-14 | 2017-06-14 | 一种基于稀疏矩阵、卷积神经网络的图片压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301668B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN109376762A (zh) * | 2018-09-13 | 2019-02-22 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN109740023A (zh) * | 2019-01-03 | 2019-05-10 | 中国人民解放军国防科技大学 | 基于双向位图的稀疏矩阵压缩存储方法 |
CN109903350A (zh) * | 2017-12-07 | 2019-06-18 | 上海寒武纪信息科技有限公司 | 图像压缩方法及相关装置 |
WO2019136750A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能计算辅助处理装置、方法、存储介质、及终端 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN110880194A (zh) * | 2019-12-03 | 2020-03-13 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络的图像压缩方法 |
CN110909801A (zh) * | 2019-11-26 | 2020-03-24 | 山东师范大学 | 基于卷积神经网络的数据分类方法、系统、介质及设备 |
CN111307170A (zh) * | 2018-12-12 | 2020-06-19 | 比亚迪股份有限公司 | 无人驾驶车辆行驶规划方法、装置、设备及介质 |
CN111667542A (zh) * | 2019-03-08 | 2020-09-15 | 辉达公司 | 适用于人工神经网络的用于处理压缩数据的解压缩技术 |
CN112749782A (zh) * | 2019-10-31 | 2021-05-04 | 上海商汤智能科技有限公司 | 数据处理方法及相关产品 |
CN115147501A (zh) * | 2022-09-05 | 2022-10-04 | 深圳市明源云科技有限公司 | 图片解压方法、装置、终端设备以及存储介质 |
WO2022205987A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国电信股份有限公司 | 图像处理方法、系统、编码端和计算机可读存储介质 |
US11948279B2 (en) | 2020-11-23 | 2024-04-02 | Samsung Electronics Co., Ltd. | Method and device for joint denoising and demosaicing using neural network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6798914B1 (en) * | 1999-05-07 | 2004-09-28 | Galaxy Ip Source, Llc | Neural-network-based method of image compression |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN103559696A (zh) * | 2013-09-29 | 2014-02-05 | 南京邮电大学 | 一种基于压缩感知的图像融合方法 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
-
2017
- 2017-06-14 CN CN201710447083.2A patent/CN107301668B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6798914B1 (en) * | 1999-05-07 | 2004-09-28 | Galaxy Ip Source, Llc | Neural-network-based method of image compression |
CN102891999A (zh) * | 2012-09-26 | 2013-01-23 | 南昌大学 | 一种基于压缩感知的联合图像压缩/加密方法 |
CN103559696A (zh) * | 2013-09-29 | 2014-02-05 | 南京邮电大学 | 一种基于压缩感知的图像融合方法 |
CN103871058A (zh) * | 2014-03-12 | 2014-06-18 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903350A (zh) * | 2017-12-07 | 2019-06-18 | 上海寒武纪信息科技有限公司 | 图像压缩方法及相关装置 |
CN108062780B (zh) * | 2017-12-29 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
WO2019136750A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能计算辅助处理装置、方法、存储介质、及终端 |
CN109376762A (zh) * | 2018-09-13 | 2019-02-22 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN111307170A (zh) * | 2018-12-12 | 2020-06-19 | 比亚迪股份有限公司 | 无人驾驶车辆行驶规划方法、装置、设备及介质 |
CN109740023A (zh) * | 2019-01-03 | 2019-05-10 | 中国人民解放军国防科技大学 | 基于双向位图的稀疏矩阵压缩存储方法 |
CN111667542A (zh) * | 2019-03-08 | 2020-09-15 | 辉达公司 | 适用于人工神经网络的用于处理压缩数据的解压缩技术 |
CN111667542B (zh) * | 2019-03-08 | 2023-06-20 | 辉达公司 | 适用于人工神经网络的用于处理压缩数据的解压缩技术 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN112749782A (zh) * | 2019-10-31 | 2021-05-04 | 上海商汤智能科技有限公司 | 数据处理方法及相关产品 |
CN110909801B (zh) * | 2019-11-26 | 2020-10-09 | 山东师范大学 | 基于卷积神经网络的数据分类方法、系统、介质及设备 |
CN110909801A (zh) * | 2019-11-26 | 2020-03-24 | 山东师范大学 | 基于卷积神经网络的数据分类方法、系统、介质及设备 |
CN110880194A (zh) * | 2019-12-03 | 2020-03-13 | 山东浪潮人工智能研究院有限公司 | 一种基于卷积神经网络的图像压缩方法 |
US11948279B2 (en) | 2020-11-23 | 2024-04-02 | Samsung Electronics Co., Ltd. | Method and device for joint denoising and demosaicing using neural network |
WO2022205987A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国电信股份有限公司 | 图像处理方法、系统、编码端和计算机可读存储介质 |
CN115147501A (zh) * | 2022-09-05 | 2022-10-04 | 深圳市明源云科技有限公司 | 图片解压方法、装置、终端设备以及存储介质 |
CN115147501B (zh) * | 2022-09-05 | 2022-12-02 | 深圳市明源云科技有限公司 | 图片解压方法、装置、终端设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107301668B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301668A (zh) | 一种基于稀疏矩阵、卷积神经网络的图片压缩方法 | |
CN107609587B (zh) | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 | |
US10872271B2 (en) | Training image-processing neural networks by synthetic photorealistic indicia-bearing images | |
Gai et al. | New image denoising algorithm via improved deep convolutional neural network with perceptive loss | |
Huang et al. | Underwater image enhancement via adaptive group attention-based multiscale cascade transformer | |
CN108765338A (zh) | 基于卷积自编码卷积神经网络的空间目标图像复原方法 | |
CN110310343A (zh) | 图像处理方法及装置 | |
CN113392711B (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及系统 | |
CN110782458B (zh) | 一种非对称编码网络的物体图像3d语义预测分割方法 | |
CN108537747A (zh) | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 | |
CN114972107A (zh) | 基于多尺度堆叠式注意力网络的低照度图像增强方法 | |
CN108564166A (zh) | 基于带对称跨层连接的卷积神经网络半监督特征学习方法 | |
Hasoon et al. | Image enhancement using nonlinear filtering based neural network | |
Singh et al. | Low-light image enhancement for UAVs with multi-feature fusion deep neural networks | |
CN110781936B (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
CN113762062A (zh) | 专注度评估方法、装置、计算机设备和存储介质 | |
CN113361589A (zh) | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 | |
Verma et al. | A new compression technique using an artificial neural network | |
CN117078553A (zh) | 一种基于多尺度深度学习的图像去雾方法 | |
Yadav et al. | Underwater image enhancement using convolutional neural network | |
CN110378466A (zh) | 基于神经网络差分的量化方法及系统 | |
He et al. | A night low‐illumination image enhancement model based on small probability area filtering and lossless mapping enhancement | |
CN114387190B (zh) | 一种基于复杂环境下的自适应图像增强方法及系统 | |
US20220164934A1 (en) | Image processing method and apparatus, device, video processing method and storage medium | |
CN113657415B (zh) | 一种面向示意图的对象检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |