CN114463450A - 基于人工智能的计算机图像压缩方法及系统 - Google Patents

Abstract

本发明涉及图像压缩技术领域，具体涉及基于人工智能的计算机图像压缩方法及系统。该方法包括：获取待压缩图像的灰度图像及其四个方向的差异图像；获取并集图像以及其中像素值为零的第一像素点和像素值非零的第二像素点，根据第一像素点的邻域像素点中第二像素点的数量、以及第二像素点的邻域像素点中第一像素点的数量获取灰度图像中重复像素点的数量；以重复像素点在灰度图像中的数量比例作为待压缩图像的空间重复度；获取压缩并集图像和待压缩图像所需的比特数得到空间冗余度；根据空间重复度和空间冗余度获取待压缩图像的可压缩程度；利用可压缩程度选择每张待压缩图像的最优压缩方法。本发明能够根据图像的空间冗余的多少选取最优的压缩方法。

Description

基于人工智能的计算机图像压缩方法及系统

技术领域

本发明涉及图像压缩技术领域，具体涉及基于人工智能的计算机图像压缩方法及系统。

背景技术

信息时代数据量大增，人们平时生活中存储或者传输的各种数据在一定情况下都需要进行压缩，图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术，是将数据压缩技术应用于数字图像领域。

图像压缩能够减少用于存储图像的存储空间，或减少传输过程中的带宽需求。图像压缩时多是基于空间冗余的，但是不同冗余程度的图像选用不同的压缩方式后压缩效果不同，目前使用的压缩方式大多是无选择的，不能进行空间最大化利用。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的计算机图像压缩方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的计算机图像压缩方法，该方法包括以下步骤：

获取待压缩图像的灰度图像，从所述灰度图像上下左右四个方向分别进行邻域作差，得到对应的四张差异图像；

根据四张差异图像的像素值并集获取并集图像，获取并集图像中像素值为零的第一像素点和像素值非零的第二像素点，根据所述第一像素点的邻域像素点中第二像素点的数量、以及所述第二像素点的邻域像素点中第一像素点的数量获取所述灰度图像中重复像素点的数量；以所述重复像素点在所述灰度图像中的数量比例作为所述待压缩图像的空间重复度；

获取所述并集图像中像素值小于预设阈值的第三像素点的数量，依据所述第三像素点的数量获取压缩并集图像所需的第一比特数，同时获取将所述待压缩图像直接压缩所需的第二比特数，根据第一比特数和第二比特数获取所述待压缩图像的空间冗余度；

根据空间重复度和空间冗余度获取待压缩图像的可压缩程度；对可压缩程度相同的多张待压缩图像分别利用不同的压缩方法进行压缩，并获取对应的压缩效果，利用可压缩程度和压缩效果选择每张待压缩图像的最优压缩方法。

优选的，所述差异图像的获取方法为：

根据所述灰度图像构建像素矩阵，分别从矩阵四个方向开始的第一行或者列依次与相邻行或者列进行作差，得到新的一行或者一列，组成所述差异图像。

优选的，所述第一像素点的获取方法为：

遍历所述并集图像，获取像素值为零的第一像素点在并集图像中的图像坐标，同时记录第一像素点的数量。

优选的，所述获取所述灰度图像中重复像素点的数量，包括：

对于每个第一像素点，记录其邻域像素点中第二像素点的数量，进而得到每个第一像素点对应在所述灰度图像中的重复像素点的初步数量；

根据所述第二像素点的邻域像素点中第一像素点的数量获取每个第二像素点的重复计算次数，根据所述初步数量与所有第二像素点的重复计算次数获取重复像素点的数量。

优选的，所述初步数量的获取方法为：

对于每个第一像素点，将其四个邻域像素点中第二像素点的数量加上该第一像素点本身数量的和，作为该第一像素点对应在灰度图像中的局部重复像素点的数量，所有第一像素点对应的局部重复像素点的数量之和为所述初步数量。

优选的，所述重复像素点的数量的获取方法为：

对于每个第二像素点，获取其四个邻域像素点中第一像素点的数量，将该数量减一即为该第二像素点被重复计算的次数，将所述初步数量减去所有第二像素点被重复计算的次数之和，得到重复像素点的数量。

优选的，所述第一比特数的获取方法为：

获取第三像素点压缩所需的比特数与第三像素点的数量之间的乘积，以及除了第三像素点以外的剩余像素点所需的比特数与剩余像素点的数量之间的乘积，以上述两个乘积的和作为所述第一比特数。

优选的，所述压缩效果的获取方法为：

获取待压缩图像直接存储所需的第一字节数，和压缩后存储所需的第二字节数，以第一字节数和第二字节数的比值作为所述压缩效果。

第二方面，本发明另一个实施例提供了一种基于人工智能的计算机图像压缩系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的计算机图像压缩方法的步骤。

本发明实施例至少具有如下有益效果：

通过对图像进行四个方向的作差计算，获取差异图像以及差异图像的并集图像，根据并集图像中每个像素值为零的像素点的邻域像素值为零的数量、以及像素值不为零的邻域像素值为零的数量获取原图像中重复像素点的数量，获取重复像素点的数量占比作为空间重复度；另外计算压缩并集图像所需比特数与直接压缩所需的比特数的比值，得到空间冗余度；根据空间重复度和空间冗余度得到可压缩程度，进而据此选取合适的压缩算法对原图像进行压缩。本发明实施例能够根据图像的空间冗余的多少选取最优的压缩方法，使待压缩图像在存储或传输时空间利用最大化或者宽带损耗最优化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于人工智能的计算机图像压缩方法的步骤流程图；

图2为本发明一个实施例采集的待压缩图像的灰度图像；

图3为待检测图像的灰度直方图；

图4为并集图像的灰度直方图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的计算机图像压缩方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的计算机图像压缩方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的计算机图像压缩方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取待压缩图像的灰度图像，从灰度图像上下左右四个方向分别进行邻域作差，得到对应的四张差异图像。

具体的步骤包括：

1.对采集的待压缩图像进行灰度化处理，获取待压缩图像的灰度图像，如图2所示。

2.获取差异图像。

根据灰度图像构建像素矩阵，分别从矩阵四个方向开始的第一行或者列依次与相邻行或者列进行作差，得到新的一行或者一列，组成差异图像。

对于大部分图像而言，当前像素与其邻域像素之间存在相关性。对于大部分物体，都必须在一定范围内拥有或近似的颜色或亮度才能引起人类的视觉兴奋，否则如果像素之间相互独立，灰度值随机出现，则只能表现为无意义的图像，如电视接收故障时出现的雪花点。因此可以通过邻域作差获取代表待压缩图像的差异图像进行压缩。

根据灰度图像构建图像的像素值矩阵m*n，并对矩阵分别进行四个方向的作差计算，得到对应的四张差异图像。

具体的过程如下：

通过从最右方向进行相邻列依次做差获取第一差异图像：

从第n列开始，即i＝n开始，使矩阵的第i列的像素值减去第i-1列对应的像素值，每进行一次运算令i＝i-1，直到i＝2为止，其中i∈[2,n]。

通过从最左方向进行相邻列依次做差获取第二差异图像：

从第1列开始，即i＝1开始，使矩阵的第i列的像素值减去第i+1列对应的像素值，每进行一次运算令i＝i+1，直到i＝n-1为止，其中i∈[1,n-1]。

通过从最上方向进行相邻行依次做差获取第三差异图像：

从第1行开始，即j＝1开始，使矩阵的第j行像素值减去第j+1行对应的像素值，每进行一次运算令j＝j+1，直到j＝m-1为止，其中j∈[1,m-1]。

通过从最下方向进行相邻行依次做差获取第四差异图像：

从第m行开始，即j＝m开始，使矩阵的第j行像素值减去第j-1行对应的像素值，每进行一次运算令j＝m-1，直到j＝2为止，其中j∈[2,m]。

差异图像中像素值为0，说明待压缩图像中相减的两个像素值出现了重复，例如，当第一差异图像中像素值为0的像素点，则在待压缩图像中对应的像素点与其左邻域像素点的像素值重复，即出现了冗余。

步骤S002，根据四张差异图像的像素值并集获取并集图像，获取并集图像中像素值为零的第一像素点和像素值非零的第二像素点，根据第一像素点的邻域像素点中第二像素点的数量、以及第二像素点的邻域像素点中第一像素点的数量获取灰度图像中重复像素点的数量；以重复像素点在灰度图像中的数量比例作为待压缩图像的空间重复度。

具体的步骤包括：

1.根据四张差异图像的像素值并集获取并集图像，获取并集图像中的第一像素点和第二像素点。

对比四张差异图像的像素值求并集，同一位置处以最大像素值作为并集图像该点的像素值，得到并集图像。

遍历并集图像，获取像素值为零的第一像素点在并集图像中的图像坐标，同时记录第一像素点的数量s，其余像素点为第二像素点。

并集图像中像素值为0，说明待压缩图像中对应坐标点处的4邻域像素值与该坐标点的像素值相同。

2.获取灰度图像中的重复像素点的初步数量。

对于每个第一像素点，记录其邻域像素点中第二像素点的数量，进而得到每个第一像素点对应在灰度图像中的重复像素点的初步数量。

具体的，对于每个第一像素点，将其四个邻域像素点中第二像素点的数量加上该第一像素点本身数量的和，作为该第一像素点对应在灰度图像中的局部重复像素点的数量，所有第一像素点对应的局部重复像素点的数量之和为初步数量。

当第一像素点的四邻域像素点中全为第二像素点时，对应在待压缩图像中，该第一像素点以及四邻域像素点共5个像素点的像素值相同；当第一像素点的四邻域像素点中存在第一像素点时，两个第一像素点都要进行邻域像素点的计数，此时每个第一像素点值不计算其他第一像素点，只计算每个第一像素点的四个邻域像素点中第二像素点的数量，再加上该第一像素点本身数量，即1，作为该第一像素点对应在灰度图像中的局部重复像素点的数量，所有第一像素点对应的局部重复像素点的数量之和为初步数量。

具体的计算公式为：

其中，K₁表示初步数量，k_x表示第x个第一像素点四邻域中第二像素点的数量。

3.获取灰度图像中重复像素点的数量。

根据第二像素点的邻域像素点中第一像素点的数量获取每个第二像素点的重复计算次数，根据初步数量与所有第二像素点的重复计算次数获取重复像素点的数量。

具体的，对于每个第二像素点，获取其四个邻域像素点中第一像素点的数量，将该数量减一即为该第二像素点被重复计算的次数，将初步数量减去所有第二像素点被重复计算的次数之和，得到重复像素点的数量。

两个并不相邻但是四邻域又重叠的第一像素点在计算局部重复像素点时会将第二像素点的数量重复计数，按照上述计数方法，第二像素点四邻域中有多少个第一像素点，该第二像素点就被计数了多少次，而该第二像素点只需计数一次，因此，获取第二像素点四邻域中第一像素点的数量，将其减一即为该第二像素点被重复计算的次数。

用W_y来记录第y个第二像素点四邻域中第一像素点的数量，则待压缩图像中所有第二像素点被重复计算的次数K₂为：

其中，N表示待压缩图像中的像素点总数量。

需要说明的是，待压缩图像、四张差异图像以及并集图像的图像大小一致，像素点数量相同。

将初步数量与所有第二像素点被重复计算的次数相减，得到重复像素点的数量：

K＝K₁-K₂

其中，K表示重复像素点的数量。

4.以重复像素点在灰度图像中的数量比例作为待压缩图像的空间重复度。

其中，y₁表示空间重复度。

步骤S003，获取并集图像中像素值小于预设阈值的第三像素点的数量，依据第三像素点的数量获取压缩并集图像所需的第一比特数，同时获取将待压缩图像直接压缩所需的第二比特数，根据第一比特数和第二比特数获取待压缩图像的空间冗余度。

具体的步骤包括：

1.获取并集图像中像素值小于预设阈值的第三像素点的数量，进而得到压缩并集图像所需的第一比特数。

获取第三像素点压缩所需的比特数与第三像素点的数量之间的乘积，以及除了第三像素点以外的剩余像素点所需的比特数与剩余像素点的数量之间的乘积，以上述两个乘积的和作为第一比特数。

一张图像的像素点灰度值在0～255之间，需要8bit编码，0～16的像素值只需要用4bit即可完成编码，像素值越小需要的编码比特数越少。待压缩图像的像素值范围较宽，而并集图像的灰度值会在一个较小区间内，通过相减操作，大大缩小了像素值的动态范围，缩小了编码所需要的比特数。

分别获取待检测图像和并集图像的灰度直方图，如图3和图4所示，可以看出待压缩图像的像素值在0～255之间，需要8bit编码，而并集图像的大部分的像素在0～50之间，其中像素值在0～32之间的像素占所有像素的96％，像素值在0～16之间的像素占92％。而0～16的像素值只需要用4bit即可完成编码。

获取并集图像中像素值小于预设阈值的第三像素点的数量，在本发明实施例中预设阈值为16，即获取并集图像中像素值处于0～16的像素点数量P，其中，并集图像中像素值处于0～16的P个像素点只需要用4bit即可完成编码，剩余像素点则需要8bit编码，因而第一比特数的计算方法为：

W₁＝4P+8(N-P)＝8N-4P

其中，W₁表示第一比特数，N表示并集图像中所有像素点的数量。

2.获取待压缩图像的空间冗余度。

获取将待压缩图像直接压缩所需的第二比特数W₂＝8N，根据第一比特数和第二比特数获取待压缩图像的空间冗余度：

化简得

其中，y₂表示空间冗余度。

步骤S004，根据空间重复度和空间冗余度获取待压缩图像的可压缩程度；对可压缩程度相同的多张待压缩图像分别利用不同的压缩方法进行压缩，并获取对应的压缩效果，利用可压缩程度和压缩效果选择每张待压缩图像的最优压缩方法。

具体的步骤包括：

1.根据空间重复度和空间冗余度获取待压缩图像的可压缩程度。

由上述步骤，可以得到空间重复度y₁越大，空间冗余程度越高；同样，空间冗余度y₂越大，空间冗余程度越大，由于y₁和y₂的重要程度接近，因此将其权重设置相同均为1。则可压缩程度Y为：

Y＝y₁×y₂

当可压缩程度Y越大，说明该图像的空间冗余越多，更需要进行压缩处理；当可压缩程度Y越小，说明该图像的空间冗余越少，更不需要进行压缩处理。

2.获取可压缩程度相同的多张待压缩图像，分别利用不同的压缩方法进行压缩，并获取对应的压缩效果。

作为一个示例，本发明实施例中的不同压缩方法为：哈夫曼编码、行程编码、算数编码、DCT编码、预测编码以及游程编码。

对于可压缩程度相同的每张待压缩图像，获取待压缩图像直接存储所需的第一字节数，和压缩后存储所需的第二字节数，以第一字节数和第二字节数的比值作为压缩效果。

作为一个示例，可压缩程度为Y_A的多张待压缩图像，选取其中一张待压缩图像A为例，获取当前待压缩图像A存储所需的字节数N_A，并使用上述六种压缩算法对待压缩图像A进行压缩，并分别获取压缩后的图像存储所需的字节数X_Ak，再计算相应的压缩效果T_Ak：

其中，T_Ak表示利用第k种压缩方法对待压缩图像A进行压缩后的压缩效果，X_Ak表示利用第k种压缩方法对待压缩图像A进行压缩后所需的字节数。

在本发明实施例中工由6种压缩方法，因此k∈[1,6]。

3.利用可压缩程度和压缩效果选择每张待压缩图像的最优压缩方法。

对于可压缩程度相同的多张待压缩图像，分别计算利用每种压缩方法得到的每张待压缩图像的压缩效果，对于每种压缩方法，获取其对应压缩效果的平均值作为该可压缩程度的待压缩图像利用该压缩方法的平均压缩效果，得到

并将其进行归一化处理。

将待压缩图像的可压缩程度作为输入，将其可压缩程度的最大平均压缩效果对应的压缩方法作为标签，训练神经网络，该神经网络为卷积神经网络(DNN)，结构为Encoder-FC的结构，网络所用损失函数为交叉熵损失函数。

对于新获取的待压缩图像，计算其可压缩程度并输入训练完成的神经网络中，得到推荐的最优压缩方法。

综上所述，本发明实施例获取待压缩图像的灰度图像，从灰度图像上下左右四个方向分别进行邻域作差，得到对应的四张差异图像；根据四张差异图像的像素值并集获取并集图像，获取并集图像中像素值为零的第一像素点和像素值非零的第二像素点，根据第一像素点的邻域像素点中第二像素点的数量、以及第二像素点的邻域像素点中第一像素点的数量获取灰度图像中重复像素点的数量；以重复像素点在灰度图像中的数量比例作为待压缩图像的空间重复度；获取并集图像中像素值小于预设阈值的第三像素点的数量，依据第三像素点的数量获取压缩并集图像所需的第一比特数，同时获取将待压缩图像直接压缩所需的第二比特数，根据第一比特数和第二比特数获取待压缩图像的空间冗余度；根据空间重复度和空间冗余度获取待压缩图像的可压缩程度；对可压缩程度相同的多张待压缩图像分别利用不同的压缩方法进行压缩，并获取对应的压缩效果，利用可压缩程度和压缩效果选择每张待压缩图像的最优压缩方法。本发明实施例能够根据图像的空间冗余的多少选取最优的压缩方法。

本发明实施例还提出了一种基于人工智能的计算机图像压缩系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于人工智能的计算机图像压缩方法在上述给出了详细描述，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于人工智能的计算机图像压缩方法，其特征在于，该方法包括以下步骤：

获取待压缩图像的灰度图像，从所述灰度图像上下左右四个方向分别进行邻域作差，得到对应的四张差异图像；

根据四张差异图像的像素值并集获取并集图像，获取并集图像中像素值为零的第一像素点和像素值非零的第二像素点，根据所述第一像素点的邻域像素点中第二像素点的数量、以及所述第二像素点的邻域像素点中第一像素点的数量获取所述灰度图像中重复像素点的数量；以所述重复像素点在所述灰度图像中的数量比例作为所述待压缩图像的空间重复度；

获取所述并集图像中像素值小于预设阈值的第三像素点的数量，依据所述第三像素点的数量获取压缩并集图像所需的第一比特数，同时获取将所述待压缩图像直接压缩所需的第二比特数，根据第一比特数和第二比特数获取所述待压缩图像的空间冗余度；

根据空间重复度和空间冗余度获取待压缩图像的可压缩程度；对可压缩程度相同的多张待压缩图像分别利用不同的压缩方法进行压缩，并获取对应的压缩效果，利用可压缩程度和压缩效果选择每张待压缩图像的最优压缩方法。

2.根据权利要求1所述的基于人工智能的计算机图像压缩方法，其特征在于，所述差异图像的获取方法为：

根据所述灰度图像构建像素矩阵，分别从矩阵四个方向开始的第一行或者列依次与相邻行或者列进行作差，得到新的一行或者一列，组成所述差异图像。

3.根据权利要求1所述的基于人工智能的计算机图像压缩方法，其特征在于，所述第一像素点的获取方法为：

遍历所述并集图像，获取像素值为零的第一像素点在并集图像中的图像坐标，同时记录第一像素点的数量。

4.根据权利要求1所述的基于人工智能的计算机图像压缩方法，其特征在于，所述获取所述灰度图像中重复像素点的数量，包括：

对于每个第一像素点，记录其邻域像素点中第二像素点的数量，进而得到每个第一像素点对应在所述灰度图像中的重复像素点的初步数量；

根据所述第二像素点的邻域像素点中第一像素点的数量获取每个第二像素点的重复计算次数，根据所述初步数量与所有第二像素点的重复计算次数获取重复像素点的数量。

5.根据权利要求4所述的基于人工智能的计算机图像压缩方法，其特征在于，所述初步数量的获取方法为：

对于每个第一像素点，将其四个邻域像素点中第二像素点的数量加上该第一像素点本身数量的和，作为该第一像素点对应在灰度图像中的局部重复像素点的数量，所有第一像素点对应的局部重复像素点的数量之和为所述初步数量。

6.根据权利要求4所述的基于人工智能的计算机图像压缩方法，其特征在于，所述重复像素点的数量的获取方法为：

对于每个第二像素点，获取其四个邻域像素点中第一像素点的数量，将该数量减一即为该第二像素点被重复计算的次数，将所述初步数量减去所有第二像素点被重复计算的次数之和，得到重复像素点的数量。

7.根据权利要求1所述的基于人工智能的计算机图像压缩方法，其特征在于，所述第一比特数的获取方法为：

获取第三像素点压缩所需的比特数与第三像素点的数量之间的乘积，以及除了第三像素点以外的剩余像素点所需的比特数与剩余像素点的数量之间的乘积，以上述两个乘积的和作为所述第一比特数。

8.根据权利要求1所述的基于人工智能的计算机图像压缩方法，其特征在于，所述压缩效果的获取方法为：

获取待压缩图像直接存储所需的第一字节数，和压缩后存储所需的第二字节数，以第一字节数和第二字节数的比值作为所述压缩效果。

9.基于人工智能的计算机图像压缩系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～8任意一项所述方法的步骤。

Images