CN109949380A - 图像压缩方法、系统及存储介质 - Google Patents
图像压缩方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109949380A CN109949380A CN201910107395.8A CN201910107395A CN109949380A CN 109949380 A CN109949380 A CN 109949380A CN 201910107395 A CN201910107395 A CN 201910107395A CN 109949380 A CN109949380 A CN 109949380A
- Authority
- CN
- China
- Prior art keywords
- image
- compression
- population
- individual
- ratio
- 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
Abstract
本发明公开了一种图像压缩方法、系统及存储介质,所述方法包括:根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围;按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像;根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例;按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像。本发明可以按照原始图像的图像参数对原始图像进行针对性的裁剪、压缩,压缩效率较高,压缩质量较好,而且针对不同图像参数的原始图像,可以按照其具体图像参数,获取最优压缩比例进行压缩,可广泛应用于图像处理领域中。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像压缩方法、系统及存储介质。
背景技术
现有技术中,在上传图像时,经常需要进行图像压缩,例如在网页上传图像时,一般使用canvas图像容器对图像进行压缩后再上传。canvas是HTML5提供的一种图形容器,可以利用脚本对canvas容器对象,进行相关的图形绘制和获取图形的相关格式图像。canvas图像容器对图像的压缩过程,分为绘制和压缩两个步骤,首先将接收到的原始图像绘制在canvas图像容器上,然后再按比例对所绘制的原始图像进行压缩后得到压缩图像。这种压缩方式存在以下问题:这种方式将原始图像直接按照原比例绘制在canvas图像容器上,导致后续压缩效率较低,压缩质量较差。而且这种方式一般是按照固定的比例对原始图像进行相关的压缩,但是直接按照固定的比例对各种大小、质量、分辨率不同的原始图像进行压缩,会导致压缩质量较差,无法获得不同原始图像的最优压缩图像。
发明内容
为了解决上述的技术问题,本发明的目的是提供一种压缩效率较高,压缩质量较好的图像压缩方法、系统及存储介质。
一方面,本发明实施例提供了一种图像压缩方法,包括以下步骤:
根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围;
按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像;
根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例;
按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像。
进一步,所述图像压缩方法还包括以下步骤:
判断所述压缩图像是否符合要求,若是,则输出所述压缩图像,若否,将所述压缩图像作为新的原始图像,重新执行所述图像压缩方法,直到获得的所述压缩图像符合要求或者所述图像压缩方法的总执行次数达到预设最大次数。
进一步,所述图像参数包括图像大小、图像质量和图像分辨率,所述裁剪比例包括宽度裁剪比例和高度裁剪比例,所述根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围这一步骤,其具体为:
根据原始图像的图像大小、图像质量和图像分辨率,计算获得所述原始图像的宽度裁剪比例和高度裁剪比例,并根据原始图像的图像大小和图像质量,计算获得原始图像的压缩比例范围。
进一步,所述根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例这一步骤,具体包括:
建立一用于寻优的种群,并根据所述压缩比例范围,对所述种群的种群个体进行初始化;
分别在横向维度和纵向维度上,采用寻优算法计算获得各所述种群个体的横向最优解和纵向最优解;
从各所述种群个体的初始化值、横向最优解和纵向最优解中选择最优值更新各所述种群个体的值;
从所有种群个体的更新后的值中,选择最优值作为所述第一图像的最优压缩比例。
进一步,所述建立一用于寻优的种群,并根据所述压缩比例范围,对所述种群的种群个体进行初始化这一步骤,具体为:
建立一m×n的矩阵作为用于寻优的种群,并根据所述压缩比例范围,将所述种群的种群个体初始化为所述压缩比例范围内的随机值;其中,所述种群个体指种群的各元素。
进一步,所述从各所述种群个体的初始化值、横向最优解和纵向最优解中选择最优值更新各所述种群个体的值这一步骤,具体为:
分别将各所述种群个体的初始化值、横向最优解和纵向最优解作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,赋值给各所述种群个体。
进一步,所述从所有种群个体的更新后的值中,选择最优值作为所述第一图像的最优压缩比例这一步骤,其具体为:
分别将所有种群个体的更新后的值作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,并将该最优值作为所述第一图像的最优压缩比例。
进一步,所述分别在横向维度和纵向维度上,采用寻优算法计算获得各所述种群个体的横向最优解和纵向最优解这一步骤,具体为:
分别在横向维度和纵向维度上,采用余弦正弦寻优算法迭代计算各所述种群个体的更新值,直到达到预设的总迭代次数后,获得各所述种群个体的横向最优解和纵向最优解;
其中,所述正弦余弦算法为:以随机个体为主体导向,做正弦函数的曲线运动,同时以最优个体为辅助导向,做余弦函数的曲线运动。
另一方面,本发明实施例还提供了一种图像压缩系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如本发明实施例所述的图像压缩方法。
另一方面,本发明实施例还提供了一种存储介质,其存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如本发明实施例所述的图像压缩方法。
本发明实施例根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围,然后按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像,以及根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例后,按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像,从而可以按照原始图像的图像参数对原始图像进行针对性的裁剪、压缩,压缩效率较高,压缩质量较好。而且针对不同图像参数的原始图像,可以按照其具体图像参数,获取最优压缩比例进行压缩,解决了现有方案中按照固定比例进行压缩所导致的压缩质量差的问题,对不同原始图像,均可以获得较好的压缩效果。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明具体实施例的图像压缩方法的流程图;
图2是本发明具体实施例在横向维度上采用余弦正弦寻优算法进行寻优的原理示意图;
图3是本发明具体实施例的图像压缩系统的电子框图。
具体实施方式
对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
方法实施例
图1是本实施例的一种图像压缩方法的流程图,本实施例提供的图像压缩方法由计算机、计算机系统、计算机群组、服务器或者服务器系统等智能执行主体执行,以实现对图像的压缩处理。参照图1,本实施例的图像压缩方法具体包括以下步骤S1~S4:
S1、根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围。
本实施例中,图像参数包括图像大小、图像质量和图像分辨率,裁剪比例包括宽度裁剪比例和高度裁剪比例。步骤S1中,根据原始图像的图像参数获得裁剪比例及压缩比例范围的方式有多种,可以从图像参数中选择两个以上参数作为裁剪比例及压缩比例范围的获取方式,例如,本实施例中,步骤S1具体为:根据原始图像的图像大小、图像质量和图像分辨率,计算获得所述原始图像的宽度裁剪比例和高度裁剪比例,并根据原始图像的图像大小和图像质量,计算获得原始图像的压缩比例范围。
更具体的,本实施例中,根据原始图像的图像大小、图像质量和图像分辨率,计算获得所述原始图像的宽度裁剪比例和高度裁剪比例的方式,具体如下:
根据下式,计算原始图像的宽度裁剪比例A:
根据下式,计算原始图像的高度裁剪比例B:
另外,本实施例中,根据原始图像的图像大小和图像质量,计算获得原始图像的压缩比例范围的方式具体如下:
根据下式,计算原始图像的压缩比例范围的最大值δ后,获得原始图像的压缩比例范围(0,δ]:
其中,s表示原始图像的图像大小,q表示原始图像的图像质量,w*h表示原始图像的分辨率,其中w表示宽度方向的分辨率,h表示高度方向的分辨率,S表示图像大小的最大阈值,Q表示图像质量的最大阈值,W*H表示图像分辨率的最大阈值,W表示宽度方向的分辨率的最大阈值,H表示高度方向的分辨率的最大阈值。这里,图像大小的最大阈值S、图像质量的最大阈值Q以及图像分辨率的最大阈值W*H均为预先设定的最大值,具体根据图像的实际压缩环境或者压缩需求进行设定。
以上给出了本实施例计算宽度裁剪比例A、高度裁剪比例B和压缩比例范围的详细计算公式实例,在实际应用中,可以对以上计算公式进行微调,获得其它计算宽度裁剪比例A、高度裁剪比例B和压缩比例范围(0,δ]的方式,例如在计算宽度裁剪比例时,还可以乘以一预先设定的比例系数,或者在计算过程中,只采用其中的S、W参数或者Q、W参数进行计算等。相似的,对高度裁剪比例B和压缩比例范围(0,δ]的计算公式也可以进行简单变形,从而得到其它计算公式。
S2、按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像。在具体应用中,对图像进行压缩可以采用图形容器来实现,因此,本步骤对原始图像进行裁剪后,可以将所获得的第一图像绘制在图形容器上,从而进行下一步的压缩操作。例如,本步骤中对原始图像进行裁剪的步骤,表现为按照步骤S1获得的宽度裁剪比例A和高度裁剪比例B将原始图像绘制在图形容器上,即,本步骤首先对原始图像进行了裁剪获得第一图像后,再将裁剪后得到的第一图像绘制在图形容器上,降低了后续压缩处理步骤的计算量,从而可以提高后续压缩处理步骤的压缩效率。本实施例中,所采用的图形容器可以采用现有技术中的任意图形容器,例如,将本方法应用在网页中进行图像上传压缩时,可以采用canvas图像容器。
S3、根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例;
本步骤中,根据步骤S1计算获得的压缩比例范围(0,δ],采用寻优算法在压缩比例范围(0,δ]中寻找获得一最优的值作为第一图像的最优压缩比例,从而对每个待压缩的原始图像,通过步骤S2进行裁剪获得第一图像后,均可以通过本步骤的寻优算法获得该原始图像对应的第一图像的最优压缩比例,而不是采用同一的压缩比例进行压缩,从而本步骤可以满足各种大小、质量、分辨率不同的原始图像的压缩需求,对不同的原始图像,都可以计算获得其最优压缩比例,从而每个原始图像都可以获得最好的压缩效果。
S4、按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像。
具体应用中,采用图形容器进行图像压缩,则本步骤表现为将步骤S3寻优获得的第一图像的最优压缩比例输入到图形容器后,图形容器按照该最优压缩比例对其在步骤S2中所绘制的、按照宽度裁剪比例A和高度裁剪比例B进行裁剪后的第一图像进行压缩,从而输出一压缩图像,图形容器输出的压缩图像即为本方法所获得的原始图像的最优压缩图像。
进一步作为优选的实施方式,本实施例的图像压缩方法还包括以下步骤S5:
S5、判断所述压缩图像是否符合要求,若是,则输出所述压缩图像,若否,将所述压缩图像作为新的原始图像,重新执行所述图像压缩方法,直到获得的所述压缩图像符合要求或者所述图像压缩方法的总执行次数达到预设最大次数。
本实施例中,判断所述压缩图像是否符合要求,具体可以是判断压缩图像的图像大小是否小于设定的大小阈值,判断压缩图像的分辨率是否小于设定的分辨率阈值,或者判断压缩图像的图像质量是否处于设定的阈值区间等。例如设定大小阈值为500K,当获得的压缩图像的图像大小为450K时,判断其符合要求。或者,设定分辨率阈值为800*600,当获得的压缩图像的分辨率小于800*600时,判断其符合要求。
若判断压缩图像不符合要求,则需要对压缩图像进行进一步的压缩,因此,将压缩图像作为新的原始图像,重新返回步骤S1,再次执行本实施例的图像压缩方法,直到图形容器输出的压缩图像符合要求,或者,本实施例的图像压缩方法的总执行次数达到预设最大次数后,结束压缩处理过程,获得最后一次图形容器输出的压缩图像作为压缩结果。这里,预设最大次数指预先设定的本图像压缩方法的最大迭代次数。通过对压缩图像设定具体要求以及设定最大迭代次数,设定了本方法的寻优结束的条件。
将压缩图像作为新的原始图像,重新返回步骤S1的过程中,步骤S1所计算的裁剪比例以及压缩比例范围为该压缩图像的裁剪比例以及压缩比例范围,其具体计算过程,采用的是该压缩图像的图像参数,例如本实施例中提到的图像大小、图像质量和图像分辨率。因此,步骤S3中对压缩比例范围(0,δ]进行寻优的过程中,δ的值会根据压缩图像的图像大小和图像质量,自适应调整。本步骤在判断压缩图像不符合要求后,将压缩图像作为新的原始图像,返回步骤S1重新计算裁剪比例以及压缩比例范围,再重新采用寻优算法计算获得压缩图像的最优压缩比例,从而对压缩图像再次进行压缩,直到满足要求为止,引入了动态反馈机制,可以对所获得的较大的压缩图像进行合理的再次压缩。
综上,本实施例的图像压缩方法,通过根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围,然后按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像,以及根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例后,按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像,从而可以将原始图像,按照原始图像的图像参数进行针对性的裁剪、压缩,压缩效率较高,压缩质量较好。而且针对不同图像参数的原始图像,可以按照其具体图像参数,获取最优压缩比例进行压缩,解决了现有方案中按照固定比例进行压缩所导致的压缩质量差的问题,对不同原始图像,均可以获得较好的压缩效果,获得压缩质量好的最优压缩图像。
进一步作为优选的实施方式,本实施例中,所述步骤S3,具体包括以下步骤S31~S34:
S31、建立一用于寻优的种群,并根据所述压缩比例范围,对所述种群的种群个体进行初始化。本步骤中,对所述种群的种群个体进行初始化,具体是指将种群个体初始化为压缩比例范围(0,δ]内的随机值。
步骤S31,具体为:建立一m×n的矩阵作为用于寻优的种群,并根据所述压缩比例范围,将所述种群的种群个体初始化为所述压缩比例范围内的随机值;其中,所述种群个体指种群的各元素。本实施例中所建立的种群P如下式所示,其中,种群个体用Pij(i=1,2,…m,j=1,2…n)表示,种群个体的总数为m×n个:
其中,每一个种群个体Pij均被初始化为压缩比例范围(0,δ]内的随机值。
另外,如前所述,在本方法的迭代执行过程中,压缩比例范围(0,δ]会自适应改变,相应的,本步骤S31中,对种群个体Pij进行初始化时,不再是一一对每个Pij重新赋予随机值,而是将Pij的值与自适应改变后的δ进行比较,若Pij的值小于等于自适应改变后的δ,则维持Pij的值不变,反之,将Pij初始化为自适应改变后的δ。
S32、分别在横向维度和纵向维度上,采用寻优算法计算获得各所述种群个体的横向最优解和纵向最优解。具体到本实施例所建立的种群P中,横向维度指种群个体Pij所处的矩阵的行,横向维度采用Ph=[Pi1,Pi2,...,Pin]来表示,纵向维度指种群个体Pij所处的矩阵的列,纵向维度采用Pv=[P1j,P2j,...,Pmj]来表示。通过在横向维度和纵向维度上分别采用寻优算法对种群个体进行寻优,可以链式传播整个种群进行寻优,提高寻优计算的精准度和速度。
S33、从各所述种群个体的初始化值、横向最优解和纵向最优解中选择最优值更新各所述种群个体的值。
本步骤具体为:分别将各所述种群个体的初始化值、横向最优解和纵向最优解作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,赋值给各所述种群个体。具体执行过程中,针对已经有相关的图像压缩记录的压缩比例,直接获取其对应的压缩效果进行对比,不再根据该压缩比例重复进行图像压缩操作后再去计算压缩效果,降低算法的计算量。压缩效果具体可以通过前述包括图像大小、图像质量和图像分辨率在内的图像参数来进行评价。例如,选择压缩后的图像大小最小的压缩图像对应的压缩比例作为最优值,或者选择压缩后的图像质量最高的压缩图像对应的压缩比例作为最优值,或者选择压缩后的图像分辨率最接近预设分辨率阈值的压缩图像对应的压缩比例作为最优值。
通过在横向维度和纵向维度上分别寻找获得种群个体的最优解,避免了单一维度寻优导致存在寻优盲点的情况,结合种群个体的初始化值,选择最优值,更新种群个体的值,实现了多个维度寻优的方式,择优保留了寻优获得的最优值。
S34、从所有种群个体的更新后的值中,选择最优值作为所述第一图像的最优压缩比例。
本步骤具体为:分别将所有种群个体的更新后的值作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,并将该最优值作为所述第一图像的最优压缩比例。类似的,具体执行过程中,针对已经有相关的图像压缩记录的压缩比例,直接获取其对应的压缩效果进行对比,不再根据该压缩比例重复进行图像压缩操作后再去计算压缩效果,降低算法的计算量。另外,这里的压缩效果,具体也可以通过前述包括图像大小、图像质量和图像分辨率在内的图像参数来进行评价。例如,选择压缩后的图像大小最小的压缩图像对应的压缩比例作为最优值,或者选择压缩后的图像质量最高的压缩图像对应的压缩比例作为最优值,或者选择压缩后的图像分辨率最接近预设分辨率阈值的压缩图像对应的压缩比例作为最优值。
本实施例通过步骤S31~S34在横向维度和纵向维度上进行寻优,可以链式传播整个种群进行寻优,经过有限次的迭代计算,快速准确获取限定范围内的最优值,提高寻优计算的精准度和速度,而且通过横向维度和纵向维度的导航指引,可以自适应纠正寻优计算方向,定位获得最优解,加快了本步骤的寻优速度,又可以避免寻优算法陷入局部最优解,提高了算法的求解精度。
进一步作为优选的实施方式,所述步骤S32,具体为:
分别在横向维度和纵向维度上,采用余弦正弦寻优算法迭代计算各所述种群个体的更新值,直到达到预设的总迭代次数后,获得各所述种群个体的横向最优解和纵向最优解;
其中,所述正弦余弦算法为:以随机个体为主体导向,做正弦函数的曲线运动,同时以最优个体为辅助导向,做余弦函数的曲线运动。其中随机个体和最优个体指种群个体所处横向维度或纵向维度中的随机个体和最优个体。例如,在横向维度上计算横向最优解时,以种群横向维度中的随机个体为主体导向,做正弦函数的曲线运动,同时以种群横向维度中的最优个体为辅助导向,做余弦函数的曲线运动。反之,在纵向维度上计算纵向最优解时,以种群纵向维度中的随机个体为主体导向,做正弦函数的曲线运动,同时以种群纵向维度中的最优个体为辅助导向,做余弦函数的曲线运动。更具体的,所述余弦正弦寻优算法的计算公式为:
其中,P(t)表示所述种群个体的当前值,P(t+1)表示所述种群个体的更新后的值,r1、r2均为取值在[0,2π]上的随机数,其中t表示当前的迭代次数,T表示预设的总迭代次数,α和β均表示取值在[-1,1]区间上的随机数,Pbest表示所述种群个体所处的横向维度或纵向维度中的最优个体,Prand表示从所述种群个体所处的横向维度或纵向维度中选取的除所述种群个体和最优个体之外的一随机个体,Dsin表示所述种群个体与横向维度或纵向维度的所述最优个体之间的距离,Dcos表示所述种群个体与横向维度或纵向维度的所述随机个体之间的距离。
其中,所述最优个体通过以下方式获得:
将所述种群个体所处的横向维度或纵向维度的所有种群个体的值作为压缩比例输入到图形容器,获得图形容器输出的压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优个体。
根据以上计算公式可知,随着迭代次数t的增加,a逐渐减小,随机个体Prand对P(t+1)的影响减弱;b逐渐变大,最优个体Pbest对P(t+1)的影响增强,使种群中的个体逐渐向同一个全局最优解聚拢,保证算法的收敛性。由此可见,本实施例的余弦正弦寻优算法以随机个体作为主体导向,做正弦函数的曲线运动,来搜索全局的未知最优解,同时以最优个体为辅助导向,做余弦函数的曲线运动,来缩小寻优的范围,并指导纠正随机个体的寻优方向,避免偏离最优解,加快算法的寻优速度,使得种群的寻优效率得到保证。具体的,通过在横向维度采用上述的余弦正弦寻优算法进行寻优,可以保证寻优效率,而在纵向维度上也采用上述的余弦正弦寻优算法进行寻优,让种群个体的个体信息能够广泛传播,有利于让横向维度上停滞的种群个体通过纵向维度的计算跳出局部最优,避免算法早熟。最后,通过在横向维度和纵向维度上均采用余弦正弦寻优算法进行寻优的方式,避免了单一维度寻优所导致的寻优盲点的问题。
需要注意,本步骤中,为避免种群个体的更新值超出压缩比例范围(0,δ],因此,在计算所述种群个体的更新值的过程中,当计算获得的种群个体的更新值处于压缩比例范围(0,δ]内时,采用该更新值更新种群个体的当前值,反之,保留种群个体的当前值不变。其具体更新原理如下:
即,在横向维度和纵向维度上,对种群个体进行更新的过程中,均需要满足更新后的值仍然处于压缩比例范围(0,δ]内的要求,从而保证算法的收敛性。
本实施例中,步骤S32,具体包括两个计算过程:一、在横向维度上,采用余弦正弦寻优算法计算获得各所述种群个体的更新值,直到达到预设的总迭代次数后,获得各所述种群个体的横向最优解;二、在纵向维度上,采用余弦正弦寻优算法计算获得各所述种群个体的更新值,直到达到预设的总迭代次数后,获得各所述种群个体的纵向最优解。
计算过程一具体如下:
在横向维度[Pi1,Pi2,...,Pin]上,根据下式,采用余弦正弦寻优算法迭代计算种群个体Pij的更新值,直到达到预设的总迭代次数后,获得所述种群个体Pij的横向最优解:
其中,Ph(t)表示所述种群个体Pij的当前值,Ph(t+1)表示所述种群个体Pij的更新后的值,下标h表示横向维度,r1、r2均为取值在[0,2π]上的随机数,其中t表示当前的迭代次数,T表示预设的总迭代次数,α和β均表示取值在[-1,1]区间上的随机数,表示所述种群个体Pij所处的横向维度中的最优个体,表示从所述种群个体Pij所处的横向维度中选取的除所述种群个体Pij和最优个体之外的一随机个体,表示所述种群个体Pij与横向维度的所述最优个体之间的距离,表示所述种群个体Pij与横向维度的所述随机个体之间的距离。
图2展示了在横向维度上采用余弦正弦寻优算法进行寻优的原理示意图,结合计算过程一的计算公式可知,该计算过程中,正弦函数以随机个体为主体导向,其导向坐标为Psin,搜索范围较大,容易发掘寻优盲点;余弦函数以最优个体为辅助导向,其导向坐标为Pcos,能够纠正随机个体的寻优方向Psin。种群个体Ph(t)在Psin和Pcos两个导航方向相辅相成的作用下,快速计算出下一个更新值Ph(t+1),使算法能够较快精准地寻找到下一迭代的寻优方向。
计算过程二具体如下:
在纵向维度[P1j,P2j,...,Pmj]上,根据下式,采用余弦正弦寻优算法迭代计算种群个体Pij的更新值,直到达到预设的总迭代次数后,获得所述种群个体Pij的纵向最优解:
其中,Pv(t)表示所述种群个体Pij的当前值,Pv(t+1)表示所述种群个体Pij的更新后的值,下标v表示纵向维度,r1、r2均为取值在[0,2π]上的随机数,其中t表示当前的迭代次数,T表示预设的总迭代次数,α和β均表示取值在[-1,1]区间上的随机数,表示所述种群个体Pij所处的纵向维度中的最优个体,表示从所述种群个体Pij所处的纵向维度中选取的除所述种群个体Pij和最优个体之外的一随机个体,表示所述种群个体Pij与纵向维度的所述最优个体之间的距离,表示所述种群个体Pij与纵向维度的所述随机个体之间的距离。
与横向维度上的寻优过程相似,在纵向维度上采用余弦正弦寻优算法迭代计算种群个体Pij的更新值,可以快速计算出下一个更新值Pv(t+1),使算法能够较快精准地寻找到下一迭代的寻优方向。
系统实施例
参照图3,本实施例提供了一种图像压缩系统,包括:至少一个处理器;至少一个存储器,用于存储至少一个程序;当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如本发明实施例所述的图像压缩方法。可以按照原始图像的图像参数对原始图像进行针对性的裁剪、压缩,压缩效率较高,压缩质量较好。而且针对不同图像参数的原始图像,可以按照其具体图像参数,获取最优压缩比例进行压缩,获得压缩质量好的最优压缩图像。
本实施例的处理器可以采用微处理器、嵌入式处理器、或者采用专用的图形处理器GPU等实现。存储器和处理器之间可以通过总线或其它方式连接,图3中通过总线连接。另外,该系统还包括输入单元、显示单元等,输入单元可用于接收输入的数字或文字等字符信息,从而产生对系统的参数设置或者功能控制相关的信号,例如输入图像大小的最大阈值S、图像质量的最大阈值Q、图像分辨率的最大阈值W*H或者输入余弦正弦寻优算法的总迭代次数T等设定值。显示单元包括显示屏等显示设备,用于显示图像压缩结果。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如上述方法实施例所述的图像压缩方法对应的程序指令。处理器通过运行存储在存储器中的软件程序以及指令,从而执行系统的各种功能应用以及数据处理,实现上述的图像压缩方法。
存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
本实施例的图像压缩系统,可执行前述方法实施例所提供的图像压缩方法,可执行不限于该方法的任意组合实施步骤,具备该方法相应的功能和有益效果。
另外,本发明实施例还提供了一种存储介质,其存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行本发明实施例所述的图像压缩方法。可以按照原始图像的图像参数对原始图像进行针对性的裁剪、压缩,压缩效率较高,压缩质量较好。而且针对不同图像参数的原始图像,可以按照其具体图像参数,获取最优压缩比例进行压缩,获得压缩质量好的最优压缩图像。
本实施例提供的存储介质,可执行前述方法实施例所提供的图像压缩方法,可执行不限于该方法的任意组合实施步骤,具备该方法相应的功能和有益效果。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体与另一个实体区分开来,而不一定要求或者暗示这些实体之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种图像压缩方法,其特征在于,包括以下步骤:
根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围;
按照所述裁剪比例,对所述原始图像进行裁剪后,获得第一图像;
根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例;
按照所述最优压缩比例,对所述第一图像进行压缩后获得压缩图像。
2.根据权利要求1所述的图像压缩方法,其特征在于,所述图像压缩方法还包括以下步骤:
判断所述压缩图像是否符合要求,若是,则输出所述压缩图像,若否,将所述压缩图像作为新的原始图像,重新执行所述图像压缩方法,直到获得的所述压缩图像符合要求或者所述图像压缩方法的总执行次数达到预设最大次数。
3.根据权利要求1所述的图像压缩方法,其特征在于,所述图像参数包括图像大小、图像质量和图像分辨率,所述裁剪比例包括宽度裁剪比例和高度裁剪比例,所述根据原始图像的图像参数,获得所述原始图像的裁剪比例以及压缩比例范围这一步骤,其具体为:
根据原始图像的图像大小、图像质量和图像分辨率,计算获得所述原始图像的宽度裁剪比例和高度裁剪比例,并根据原始图像的图像大小和图像质量,计算获得原始图像的压缩比例范围。
4.根据权利要求1至3任一项所述的图像压缩方法,其特征在于,所述根据所述压缩比例范围,采用寻优算法计算获得所述第一图像的最优压缩比例这一步骤,具体包括:
建立一用于寻优的种群,并根据所述压缩比例范围,对所述种群的种群个体进行初始化;
分别在横向维度和纵向维度上,采用寻优算法计算获得各所述种群个体的横向最优解和纵向最优解;
从各所述种群个体的初始化值、横向最优解和纵向最优解中选择最优值更新各所述种群个体的值;
从所有种群个体的更新后的值中,选择最优值作为所述第一图像的最优压缩比例。
5.根据权利要求4所述的图像压缩方法,其特征在于,所述建立一用于寻优的种群,并根据所述压缩比例范围,对所述种群的种群个体进行初始化这一步骤,具体为:
建立一m×n的矩阵作为用于寻优的种群,并根据所述压缩比例范围,将所述种群的种群个体初始化为所述压缩比例范围内的随机值;其中,所述种群个体指种群的各元素。
6.根据权利要求4所述的图像压缩方法,其特征在于,所述从各所述种群个体的初始化值、横向最优解和纵向最优解中选择最优值更新各所述种群个体的值这一步骤,具体为:
分别将各所述种群个体的初始化值、横向最优解和纵向最优解作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,赋值给各所述种群个体。
7.根据权利要求4所述的图像压缩方法,其特征在于,所述从所有种群个体的更新后的值中,选择最优值作为所述第一图像的最优压缩比例这一步骤,其具体为:
分别将所有种群个体的更新后的值作为压缩比例对所述第一图像进行压缩获得压缩图像后,选择压缩效果最好的压缩图像对应的压缩比例作为最优值,并将该最优值作为所述第一图像的最优压缩比例。
8.根据权利要求4所述的图像压缩方法,其特征在于,所述分别在横向维度和纵向维度上,采用寻优算法计算获得各所述种群个体的横向最优解和纵向最优解这一步骤,具体为:
分别在横向维度和纵向维度上,采用余弦正弦寻优算法迭代计算各所述种群个体的更新值,直到达到预设的总迭代次数后,获得各所述种群个体的横向最优解和纵向最优解;
其中,所述正弦余弦算法为:以随机个体为主体导向,做正弦函数的曲线运动,同时以最优个体为辅助导向,做余弦函数的曲线运动。
9.一种图像压缩系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-8任一项所述的图像压缩方法。
10.一种存储介质,其存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-8任一项所述的图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107395.8A CN109949380B (zh) | 2019-02-02 | 2019-02-02 | 图像压缩方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107395.8A CN109949380B (zh) | 2019-02-02 | 2019-02-02 | 图像压缩方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949380A true CN109949380A (zh) | 2019-06-28 |
CN109949380B CN109949380B (zh) | 2023-02-03 |
Family
ID=67007868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910107395.8A Active CN109949380B (zh) | 2019-02-02 | 2019-02-02 | 图像压缩方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949380B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210389A (zh) * | 2020-01-10 | 2020-05-29 | 北京华捷艾米科技有限公司 | 一种图像缩放处理方法及装置 |
CN111553884A (zh) * | 2020-04-02 | 2020-08-18 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711296B1 (en) * | 1998-02-26 | 2004-03-23 | Japan As Represented By Secretary Of Agency Of Industrial Science And Technology | Apparatus for performing loss-less compression-coding of adaptive evolution type on image data |
CN101068358A (zh) * | 2007-05-24 | 2007-11-07 | 北京航空航天大学 | 一种面向图像压缩的小波基分类构造方法 |
CN102594360A (zh) * | 2012-02-01 | 2012-07-18 | 浪潮(北京)电子信息产业有限公司 | 一种计算机数据压缩方法及装置 |
US20140212033A1 (en) * | 2011-12-05 | 2014-07-31 | Guangzhou Ucweb Computer Technology Co., Ltd. | Image compression mehtod, image compression device and mobile terminal |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
CN106210742A (zh) * | 2016-07-15 | 2016-12-07 | 东北大学 | 基于共性特征的批量图像压缩传输与还原的系统及方法 |
CN108062779A (zh) * | 2017-12-26 | 2018-05-22 | 杭州健培科技有限公司 | 一种用于胸部断层扫描放射影像的无损压缩方法 |
CN108460769A (zh) * | 2018-03-12 | 2018-08-28 | 北京达佳互联信息技术有限公司 | 图像处理方法及终端设备 |
-
2019
- 2019-02-02 CN CN201910107395.8A patent/CN109949380B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711296B1 (en) * | 1998-02-26 | 2004-03-23 | Japan As Represented By Secretary Of Agency Of Industrial Science And Technology | Apparatus for performing loss-less compression-coding of adaptive evolution type on image data |
CN101068358A (zh) * | 2007-05-24 | 2007-11-07 | 北京航空航天大学 | 一种面向图像压缩的小波基分类构造方法 |
US20140212033A1 (en) * | 2011-12-05 | 2014-07-31 | Guangzhou Ucweb Computer Technology Co., Ltd. | Image compression mehtod, image compression device and mobile terminal |
CN102594360A (zh) * | 2012-02-01 | 2012-07-18 | 浪潮(北京)电子信息产业有限公司 | 一种计算机数据压缩方法及装置 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
CN106210742A (zh) * | 2016-07-15 | 2016-12-07 | 东北大学 | 基于共性特征的批量图像压缩传输与还原的系统及方法 |
CN108062779A (zh) * | 2017-12-26 | 2018-05-22 | 杭州健培科技有限公司 | 一种用于胸部断层扫描放射影像的无损压缩方法 |
CN108460769A (zh) * | 2018-03-12 | 2018-08-28 | 北京达佳互联信息技术有限公司 | 图像处理方法及终端设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210389A (zh) * | 2020-01-10 | 2020-05-29 | 北京华捷艾米科技有限公司 | 一种图像缩放处理方法及装置 |
CN111210389B (zh) * | 2020-01-10 | 2023-09-19 | 北京华捷艾米科技有限公司 | 一种图像缩放处理方法及装置 |
CN111553884A (zh) * | 2020-04-02 | 2020-08-18 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
CN111553884B (zh) * | 2020-04-02 | 2023-02-17 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109949380B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10353705B2 (en) | Arithmetic processing device for deep learning and control method of the arithmetic processing device for deep learning | |
US8924888B2 (en) | Dynamic data object insertion | |
CN104995657B (zh) | 用于调整图像大小的系统和方法 | |
KR100594073B1 (ko) | 내장형 시스템의 디지털 영상 스케일링방법 | |
US9760543B2 (en) | Graphical tile-based layout | |
US10169412B2 (en) | Selectivity estimation for query execution planning in a database | |
CN109949380A (zh) | 图像压缩方法、系统及存储介质 | |
CN111046939A (zh) | 基于注意力的cnn类别激活图生成方法 | |
US10332291B2 (en) | Content aware image editing | |
JP2020035195A (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
US20180091871A1 (en) | Apparatus for embedding digital watermark and method for embedding digital watermark | |
US11496374B2 (en) | Sampling in sliding windows with tight optimality and time decayed design | |
CN110188131A (zh) | 一种频繁模式挖掘方法及装置 | |
CN103188520B (zh) | 一种图像调整方法和装置 | |
US10380721B2 (en) | Adjusting blurry vector-based lines during movement | |
CN109711051B (zh) | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 | |
CN117762515A (zh) | 一种基于混合遗传算法的页面加载方法及系统 | |
US9311896B2 (en) | Glyph rendering | |
CN109255004A (zh) | 面向地理空间数据的精度保证的在线交互式可视化方法 | |
US11392806B2 (en) | Differentiable rasterizer for vector font generation and editing | |
US20110206294A1 (en) | Image Processing Apparatus, Image Processing Method, and Program | |
Li et al. | Video flickering removal using temporal reconstruction optimization | |
CN107564105B (zh) | 一种针对不光滑表面考虑面积和法向量的网格简化方法 | |
KR102329116B1 (ko) | 부분 글자 스타일 변경이 가능한 폰트 생성 장치 및 방법 | |
CN117523035B (zh) | 水平井剖面中曲线变密填充方法、装置、设备及存储介质 |
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 |