【技术实现步骤摘要】
基于卷积神经网络的图像压缩优化方法
本专利技术涉及到卷积神经网络领域、图形图像领域及移动终端领域。具体涉及基于卷积神经网络的压缩优化方法。
技术介绍
图像是对客观事物的一种相似性的、生动的描述，是对客观对象的一种比较直观的表示方式。它包含了被描述对象的有关信息，是人们最主要的信息来源。据统计，一个人获得的信息大约有75％来自视觉。进入信息化时代人们将越来越依靠计算机获取和利用信息，而数字化后的多媒体信息具有数据海量性，与当前硬件技术所能提供的计算机存储资源和网络带宽之间有很大的差距。这样，就对信息的存储和传输造成了很大困难，成为阻碍人们有效获取和利用信息的一个瓶颈问题。图像信息作为计算机上最重要的资源，对其进行有效的压缩处理无疑将给人们带来巨大的好处。近年来，深度学习，如卷积神经网络(CNNs)，在图像处理和计算机视觉方面取得了很大的成功，特别是在诸如识别和理解等高级视觉应用中。这些网络在感知度量上往往优于最先进的工程编解码器，如BPG、WebP和JPEG2000。除了在自然图像上实现更高的压缩比外，它们还可以很容易...
【技术保护点】
1.一种基于卷积神经网络的图像压缩优化方法，其特征是，构建包括编码器E、解码器d和对抗网络GAN的网络模型，编码器E为卷积神经网络，解码器d为进行上采样处理的卷积神经网络和进行恢复原始图像维度的反卷积神经网络，由一个discriminator卷积神经网络和一个反卷积神经网络generator构成生成式对抗网络GAN，q为算数运算器，将原始图像x经编码器E编码为特征图w，然后经量化器q量化为
【技术特征摘要】
1.一种基于卷积神经网络的图像压缩优化方法，其特征是，构建包括编码器E、解码器d和对抗网络GAN的网络模型，编码器E为卷积神经网络，解码器d为进行上采样处理的卷积神经网络和进行恢复原始图像维度的反卷积神经网络，由一个discriminator卷积神经网络和一个反卷积神经网络generator构成生成式对抗网络GAN，q为算数运算器，将原始图像x经编码器E编码为特征图w，然后经量化器q量化为再经解码器d，最后经GAN生成图像其中，需首先进行所述网络模型的训练；然后对所述网络模型进行剪枝优化；最后对网络模型进行再训练，利用训练好的网络模型实现图像压缩。
2.如权利要求1所述的基于卷积神经网络的图像压缩优化方法，其特征是，剪枝优化具体步骤是：读取训练好的网络模型数据，取一层卷积神经网络的卷积核K，在谷歌开源深度学习框架TensorFlow中卷积核K为四维张量：卷积核高filter_height,卷积核宽filter_width,输入通道数in_channels,输出通道数out_chann...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。