CN112004092A - 一种基于改进图像块分类算法的bp神经网络图像压缩方法 - Google Patents
一种基于改进图像块分类算法的bp神经网络图像压缩方法 Download PDFInfo
- Publication number
- CN112004092A CN112004092A CN202010635602.XA CN202010635602A CN112004092A CN 112004092 A CN112004092 A CN 112004092A CN 202010635602 A CN202010635602 A CN 202010635602A CN 112004092 A CN112004092 A CN 112004092A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- block
- image block
- method based
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007906 compression Methods 0.000 title claims abstract description 30
- 230000006835 compression Effects 0.000 title claims abstract description 30
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013144 data compression Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明涉及现代通信网络图像数据压缩技术,具体是一种基于改进图像块分类算法的BP神经网络图像压缩方法。本发明解决了现有通信网络图像数据压缩技术压缩性能较差的问题。一种基于改进图像块分类算法的BP神经网络图像压缩方法,该方法是采用如下步骤实现的:步骤1:计算出各个图像块的均方误差SMSE和整幅图像的均方误差FIMSE;步骤2:将图像块划分成三种图像子块;步骤3:对分类后的图像子块归一化处理;步骤4:训练BP神经网络得到压缩数据集即完成图像数据编码过程;步骤5:对步骤2分类的图像子块分别进行不同程度压缩;步骤6:进行解码图像重建。本发明适用于现代通信网络环境复杂、特殊和恶劣工程领域的复杂图像识别与特征分析。
Description
技术领域
本发明涉及现代通信网络图像数据压缩技术,具体是一种基于改进图像块分类算法的BP神经网络图像压缩方法。
背景技术
图像传输技术在众多的信息通信方法中已成为重要的通信技术,但由于图像信息巨大的数据量,造成数据传输时极其占用传输带宽,最终导致图像传输和保存也因此经历了诸多困难。因此,为了有效利用现代通信网络和存储设备空间,无论是图像数据传输还是存储,有必要对图像数据进行压缩处理。
当前图像压缩主要分为两类:一类是通过图像数据的统计冗余特点全部恢复图像原来的数据而不引起失真能完整的还原数据的无损压缩,但由于图像特征变化不一、压缩数据统计冗余度的理论限制等,导致该方法在图像压缩比上很难控制到很低;另一类是利用了人眼对图像中某些因素不敏感的特点进行的一种解压缩数据与原来图像数据有差异却又非常近似的但会丢失部分数据且无法恢复的有损压缩,常用的方法包括小波变换、小波包分解等。由于采用的是对整幅图像仍统一压缩法,因此仍然导致图像重要细节信息的损失。
然而实践表明,小波变换、小波包分解等图像压缩算法对图像重要细节的保持能力仍需提高。基于此,有必要发明一种全新的图像压缩技术,以解决现有现代通信网络图像数据压缩技术压缩性能较差的问题。
发明内容
本发明为了解决现有通信网络图像数据压缩技术压缩性能较差的问题,提供了一种基于改进图像块分类算法的BP神经网络图像压缩方法。
本发明是采用如下技术方案实现的:
一种基于改进图像块分类算法的BP神经网络图像压缩方法,该方法是采用如下步骤实现的:
步骤1:根据图像子块的均值SIM,计算出各个图像块的均方误差SMSE和整幅图像的均方误差FIMSE;
步骤2:利用改进的图像块分类算法合理选取图像块的分类阈值δ将图像块划分成三种图像子块,即图像平滑块、目标块、边缘块;
步骤3:对分类后的图像子块归一化处理,使每个像素点的像素值适用于BP神经网络的输入数据集0~1之间的要求;
步骤4:采用内存需求最大、收敛速度最快的Levenberg-Marquardt算法训练BP神经网络得到压缩数据集即完成图像数据编码过程;
步骤5:根据训练后的BP神经网络对步骤2分类的图像子块分别进行不同程度压缩;
步骤6:依据步骤5压缩数据集通过图像数据反归一化和图像块恢复进行解码图像重建。
与现有通信网络图像数据压缩技术相比,本发明所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法具有如下优点:一、本发明将改进的图像块分类算法引入到BP神经网络图像压缩中,由于改进的图像块分类算法对各参数的取值是建立在图像块均方误差和图像块分布特征科学分析的基础上进行合理取值,因此其压缩性能更好。二、本发明将图像块分类阈值δ引入到改进的图像块分类算法中,利用图像子块、各个图像块的均方误差和整幅图像的均方误差提高分类阈值δ选取的准确性。三、本发明通过合理选取分类阈值δ,将分类后的图像子块分别进行不同程度压缩,最终使图像细节保持能力都得到很大改善。
本发明有效解决了现有通信网络图像数据压缩技术压缩性能较差的问题,适用于现代通信网络环境复杂、特殊和恶劣工程领域的复杂图像识别与特征分析。
附图说明
图1是本发明的改进的分类算法的流程示意图。
图2是本发明的步骤6中压缩数据后解码图像重建示意图。
具体实施方式
一种基于改进图像块分类算法的BP神经网络图像压缩方法,该方法是采用如下步骤实现的:
步骤1:根据图像子块的均值SIM,计算出各个图像块的均方误差SMSE和整幅图像的均方误差FIMSE;
步骤2:利用改进的图像块分类算法合理选取图像块的分类阈值δ将图像块划分成三种图像子块,即图像平滑块、目标块、边缘块;
步骤3:对分类后的图像子块归一化处理,使每个像素点的像素值适用于BP神经网络的输入数据集0~1之间的要求;
步骤4:采用内存需求最大、收敛速度最快的Levenberg-Marquardt算法训练BP神经网络得到压缩数据集即完成图像数据编码过程;
步骤5:根据训练后的BP神经网络对步骤2分类的图像子块分别进行不同程度压缩;
步骤6:依据步骤5压缩数据集通过图像数据反归一化和图像块恢复进行解码图像重建。
所述步骤1中,根据图像子块行列大小以及像素点对应的像素值,计算图像子块的均值SIM。
所述步骤2中,利用整幅图像的均方误差FIMSE作为分类阈值δ,将图像块划分成平滑块、目标块、边缘块三种图像子块。
所述步骤3中,对分类后的8bits的二维灰度图像,将每个像素值除以255将图像数据进行归一化使其处于BP神经网络的输入数据集0~1之间。
所述步骤4中,训练函数采用Levenberg-Marquardt算法中的性能评价指标均方误差及MEX计算方法训练BP神经网络并得到压缩数据集即完成图像数据编码过程。
所述步骤5中,根据训练后的BP神经网络对步骤2分类的图像边缘块则采取不压缩而直接保存到压缩数据的方法,对平滑块和目标块选用合适的隐含层单元数量进行压缩。
所述步骤6中,依据步骤5压缩数据集参照编码过程中的图像数据集进行归一化和图像块划分过程进行图像块恢复得到解码图像重建。
Claims (7)
1.一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:该方法是采用如下步骤实现的:
步骤1:根据图像子块的均值SIM,计算出各个图像块的均方误差SMSE和整幅图像的均方误差FIMSE;
步骤2:利用改进的图像块分类算法合理选取图像块的分类阈值δ将图像块划分成三种图像子块,即图像平滑块、目标块、边缘块;
步骤3:对分类后的图像子块归一化处理,使每个像素点的像素值适用于BP神经网络的输入数据集0~1之间的要求;
步骤4:采用内存需求最大、收敛速度最快的Levenberg-Marquardt算法训练BP神经网络得到压缩数据集即完成图像数据编码过程;
步骤5:根据训练后的BP神经网络对步骤2分类的图像子块分别进行不同程度压缩;
步骤6:依据步骤5压缩数据集通过图像数据反归一化和图像块恢复进行解码图像重建。
2.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤1中,根据图像子块行列大小以及像素点对应的像素值,计算图像子块的均值SIM。
3.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤2中,利用整幅图像的均方误差FIMSE作为分类阈值δ,将图像块划分成平滑块、目标块、边缘块三种图像子块。
4.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤3中,对分类后的8bits的二维灰度图像,将每个像素值除以255将图像数据进行归一化使其处于BP神经网络的输入数据集0~1之间。
5.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤4中,训练函数采用Levenberg-Marquardt算法中的性能评价指标均方误差及MEX计算方法训练BP神经网络并得到压缩数据集即完成图像数据编码过程。
6.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤5中,根据训练后的BP神经网络对步骤2分类的图像边缘块则采取不压缩而直接保存到压缩数据的方法,对平滑块和目标块选用合适的隐含层单元数量进行压缩。
7.根据权利要求1所述的一种基于改进图像块分类算法的BP神经网络图像压缩方法,其特征在于:所述步骤6中,依据步骤5压缩数据集参照编码过程中的图像数据集进行归一化和图像块划分过程进行图像块恢复得到解码图像重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010635602.XA CN112004092A (zh) | 2020-07-04 | 2020-07-04 | 一种基于改进图像块分类算法的bp神经网络图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010635602.XA CN112004092A (zh) | 2020-07-04 | 2020-07-04 | 一种基于改进图像块分类算法的bp神经网络图像压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112004092A true CN112004092A (zh) | 2020-11-27 |
Family
ID=73466440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010635602.XA Pending CN112004092A (zh) | 2020-07-04 | 2020-07-04 | 一种基于改进图像块分类算法的bp神经网络图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112004092A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328755A (zh) * | 2021-05-11 | 2021-08-31 | 内蒙古工业大学 | 一种面向边缘计算的压缩数据传输方法 |
CN115761020A (zh) * | 2022-11-23 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于神经网络自动构建的影像数据压缩方法 |
-
2020
- 2020-07-04 CN CN202010635602.XA patent/CN112004092A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328755A (zh) * | 2021-05-11 | 2021-08-31 | 内蒙古工业大学 | 一种面向边缘计算的压缩数据传输方法 |
CN113328755B (zh) * | 2021-05-11 | 2022-09-16 | 内蒙古工业大学 | 一种面向边缘计算的压缩数据传输方法 |
CN115761020A (zh) * | 2022-11-23 | 2023-03-07 | 重庆市地理信息和遥感应用中心 | 一种基于神经网络自动构建的影像数据压缩方法 |
CN115761020B (zh) * | 2022-11-23 | 2023-05-30 | 重庆市地理信息和遥感应用中心 | 一种基于神经网络自动构建的影像数据压缩方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111641832A (zh) | 编码方法、解码方法、装置、电子设备及存储介质 | |
CN112004092A (zh) | 一种基于改进图像块分类算法的bp神经网络图像压缩方法 | |
CN113554720A (zh) | 一种基于多方向卷积神经网络的多光谱图像压缩方法及系统 | |
CN111179144B (zh) | 一种多进制秘密信息多次嵌入的高效信息隐藏方法 | |
EP3818502A1 (en) | A method, an apparatus and a computer program product for image compression | |
CN111970509B (zh) | 一种视频图像的处理方法、装置与系统 | |
CN112734867A (zh) | 一种基于空谱特征分离提取的多光谱图像压缩方法及系统 | |
CN111754592A (zh) | 一种基于特征通道信息的端到端多光谱遥感图像压缩方法 | |
CN113132735A (zh) | 一种基于视频帧生成的视频编码方法 | |
CN110062231A (zh) | 基于多层卷积神经网络的图像压缩方法 | |
CN115278257A (zh) | 一种图像压缩方法、装置、电子设备及存储介质 | |
Chuang et al. | Adaptive grayscale image coding scheme based on dynamic multi-grouping absolute moment block truncation coding | |
CN112702600B (zh) | 一种图像编解码神经网络分层定点化方法 | |
CN115442609A (zh) | 特征数据编解码方法和装置 | |
CN114245126B (zh) | 一种纹理协同的深度特征图压缩方法 | |
CN116155873A (zh) | 一种云边协同的图像处理方法、系统、设备及介质 | |
CN111107360B (zh) | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 | |
Xu et al. | Low complexity rate-adaptive deep joint source channel coding for wireless image transmission using tensor-train decomposition | |
CN104113394A (zh) | 通信调制信号的压缩及解压方法 | |
CN114882133B (zh) | 一种图像编解码方法、系统、设备及介质 | |
CN114554175B (zh) | 一种基于分类重排的二维点云距离图像的无损压缩方法 | |
Lee et al. | End-to-End Learning-Based Wireless Image Recognition Using the PyramidNet in Edge Intelligence | |
CN117915107B (zh) | 图像压缩系统、图像压缩方法、存储介质与芯片 | |
Hu et al. | Grayscale image coding using optimal pixel grouping and adaptive multi-grouping division block truncation coding | |
CN110099279B (zh) | 一种基于硬件的可调节有损压缩的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201127 |
|
WD01 | Invention patent application deemed withdrawn after publication |