一种基于稀疏矩阵、卷积神经网络的图片压缩方法技术

本发明专利技术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。本发明专利技术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。

A method of image compression based on sparse matrix and convolutional neural network

The invention discloses a method of sparse matrix compression, convolutional neural network based image, which comprises the following steps: the image is converted into two-dimensional matrix data, using convolutional neural network evaluation, optimization and construction of sparse matrix image, and then through the optimization of convolutional neural network compression scheme, select the optimal compression scheme for sparse matrix image compression, finally get the high compression ratio and low distortion of the compressed image. The invention solves the problem of compression is more than low, the decline in the quality of image compression, the image recognition problem and difficult to use, and the compression method can be optimized according to the image content, choose the appropriate construction and image compression method, make the image feature extraction and compression method with self optimization and learning ability.

【技术实现步骤摘要】
一种基于稀疏矩阵、卷积神经网络的图片压缩方法
本专利技术涉及图片处理
，尤其涉及一种基于稀疏矩阵、神经网络的图片压缩方法。
技术介绍
图片压缩技术是图像处理技术中的重要
，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。某些特定本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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，...

【专利技术属性】
技术研发人员：蓝科，王纯斌，王伟才，覃进学，
申请(专利权)人：成都四方伟业软件股份有限公司，
类型：发明
国别省市：四川,51