一种图像编码方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术公开了一种图像编码方法、装置、计算机设备和存储介质。该方法包括：对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L；根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量的权重值进行学习训练，得到最佳模式库；获取待编码的目标图像，并对所述目标图像进行分块处理，得到至少一个测试矢量；根据所述最佳模式库，对所述至少一个测试矢量进行编码，得到与所述目标图像对应的编码结果。使用本发明专利技术的技术方案，可以提高模式库训练的速度和效率，提高SOM算法的性能。

An image coding method, device, computer equipment and storage medium

【技术实现步骤摘要】
一种图像编码方法、装置、计算机设备和存储介质
本专利技术实施例涉及图像处理技术，尤其涉及一种图像编码方法、装置、计算机设备和存储介质。
技术介绍
图像编码也称图像压缩，是指在满足一定质量的条件下，以较少比特数表示图像或图像中所包含信息的技术。图像编码在图像处理、特征提取等领域都有广泛的应用。SOM(Self-organizingmap,自组织映射)算法是应用于图像编码的一种常见算法，在SOM算法中，用随机值或从输入中随机采样对连接权重进行初始化，网格中的每个节点都被赋予一个位置。数据输入后，测量输入向量和所有节点权向量之间的距离，与输入向量距离最小的节点为获胜节点。在训练的过程中,不断对获胜结点的连接权值作调整,同时对获胜结点的邻域结点的连接权值作调整；随着训练的进行,这个邻域范围不断缩小,直到最后,只对获胜结点进行细微的连接权值调整。其中，邻域函数的作用就是确定邻域节点的范围，现有技术中邻域函数多采用指数函数。但是，在输入的样本图像较为复杂的情况下，邻域函数采用指数函数收敛较慢，容易导致过调整，使模式库训练速度慢，训练效率低，影响SOM算法的性能。
技术实现思路
本专利技术实施例提供一种图像编码方法、装置、计算机设备和存储介质，以实现提高模式库训练的速度和效率，提高SOM算法性能。第一方面，本专利技术实施例提供了一种图像编码方法，该方法包括：对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L；根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库；其中NE(t)＝NE(t-1)*(C1-C2*t)；C1和C2为常数，t为训练次数；获取待编码的目标图像，并对所述目标图像进行分块处理，得到至少一个测试矢量；根据所述最佳模式库，对所述至少一个测试矢量进行编码，得到与所述目标图像对应的编码结果。第二方面，本专利技术实施例还提供了一种图像编码装置，该装置包括：训练图像分块模块，用于对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L；模式矢量训练模块，用于根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库；其中NE(t)＝NE(t-1)*(C1-C2*t)；C1和C2为常数，t为训练次数；目标图像分块模块，用于获取待编码的目标图像，并对所述目标图像进行分块处理，得到至少一个测试矢量；测试矢量编码模块，用于根据所述最佳模式库，对所述至少一个测试矢量进行编码，得到与所述目标图像对应的编码结果。第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术实施例中任一所述的图像编码方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本专利技术实施例中任一所述的图像编码方法。本专利技术实施例通过在训练图像分块后的L个训练矢量中选择N个模式矢量，并根据L个训练矢量和邻域函数NE(t)＝NE(t-1)*(C1-C2*t)，对N个模式矢量的权重值进行调整，最终得到最佳模式库，将待编码的图像进行分块处理，根据最佳模式库对测试矢量进行编码，最终得到待编码图像的编码结果。解决了现有技术中邻域函数选用指数函数时收敛较慢，影响模式库训练的速度和效率的问题，实现了提高模式库训练的速度和效率，以及提高SOM算法性能的效果。附图说明图1是本专利技术实施例一中的一种图像编码方法的流程图；图2是本专利技术实施例二中的一种图像编码方法的流程图；图3是本专利技术实施例三中的一种图像编码方法的流程图；图4a是适用于本专利技术实施例中的一种最佳模式库的训练方法的流程图；图4b是适用于本专利技术实施例中的一种根据最佳模式库进行图像压缩的方法的流程图；图5是本专利技术实施例四中的一种图像编码装置的结构示意图；图6是本专利技术实施例五中的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的一种图像编码方法的流程图，本实施例可适用于对复杂的样本图像进行训练，并根据训练出的模式库进行图像编码的情况，该方法可以由图像编码装置来执行，该装置可以由软件和/或硬件实现，并一般可以集成在服务器中。如图1所示，本专利技术实施例的技术方案，具体包括如下步骤：S110、对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L。其中，训练图像可以为用于训练最佳模式库的样本图像，在一个具体的示例中，训练图像可以选用Lena图像、Boat图像以及Peppers图像等，但本实施例对训练图像的具体类型不进行限制。分块处理可以为将图像切分为图像块，以对图像块进行后续处理，本实施例对分块处理的具体策略不进行限制。训练矢量可以为对训练图像进行分块处理后得到的图像块，模式矢量可以为从训练矢量中选取用于训练得到模式库的图像块。在本专利技术实施例中，将训练图像分块后得到的图像块作为训练矢量，选择若干训练矢量作为模式矢量。将获得的模式矢量以三维立体结构排列。其中，模式矢量的数量远远小于训练矢量的数量。在本专利技术一个可选的实施例中，在L个训练矢量中选择N个训练矢量作为模式矢量，可以包括：在L个训练矢量中，随机选择，或者按序间隔选择N个训练矢量作为模式矢量。在本专利技术实施例中，对选择模式矢量的方式不进行限制，可以在训练矢量中随机选择若干训练矢量作为模式矢量，也可以按照一定的顺序规则间隔选择若干训练矢量作为模式矢量。S120、根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库。其中NE(t)＝NE(t-1)*(C1-C2*t)；C1和C2为常数，t为训练次数；其中，邻域函数的作用可以是确定邻域矢量的范围，也即邻域半径。在训练的初始阶段，邻域半径较大，随着训练过程中训练次数的增加，邻域半径开始缩小，最终在训练后期，只需对获胜模式矢量进行细微的调整。邻域函数的选择对于最佳模式库的训练效果有较大的影响，为了适应图像编码的需求，需要适当提高训练的速度和效率，因此需要适当加快邻域函数的收敛速度。但是邻域函数收敛过快，会导致邻域函数失效，只能调整获胜模式矢量，降低了模式矢量的典型性。但是如果邻域函数收敛较慢，又会导致过调整，影响模式库训练的速度和本文档来自技高网...

【技术保护点】
1.一种图像编码方法，其特征在于，包括：/n对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L；/n根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库；/n其中NE(t)＝NE(t-1)*(C

【技术特征摘要】
1.一种图像编码方法，其特征在于，包括：
对训练图像进行分块处理，得到L个训练矢量，在L个训练矢量中选择N个训练矢量作为模式矢量，将N个模式矢量以三维立体结构排列，其中，N小于L；
根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库；
其中NE(t)＝NE(t-1)*(C1-C2*t)；C1和C2为常数，t为训练次数；
获取待编码的目标图像，并对所述目标图像进行分块处理，得到至少一个测试矢量；
根据所述最佳模式库，对所述至少一个测试矢量进行编码，得到与所述目标图像对应的编码结果。


2.根据权利要求1所述的方法，其特征在于，根据所述L个训练矢量，以及预设的邻域函数NE(t)，对N个模式矢量进行学习训练，得到最佳模式库，包括：
依次获取一个训练矢量作为当前处理矢量；
在所述N个模式矢量中获取与所述当前处理矢量的欧式距离最短的模式矢量，作为所述当前处理矢量的获胜模式矢量；
根据下述公式，对所述获胜模式矢量，以及所述获胜模式矢量邻域范围内的其他模式矢量进行权重值的调整；



其中，Wj(t)为第t次训练时的模式矢量j的权值，j*为获胜模式矢量，α(t)为第t次训练的学习率，为获胜模式矢量j*在第t次训练时的邻域函数值，j的取值范围为{0，1，2……N-1}；
在完成调整后，返回执行依次获取一个训练矢量作为当前处理矢量的操作，直至完成对全部L个训练矢量的处理。


3.根据权利要求2所述的方法，其特征在于，所述α(t)通过下式进行计算：



其中，B0为最大学习率，C0为衰减常数，t为训练次数。


4.根据权利要求1所述的方法，其特征在于，根据所述最佳模式库，对所述至少一个测试矢量进行编码，得到与所述目标图像对应的编码结果，包括：
依次获取一个测试矢量作为当前处理测试矢量；
计算所述当前处理测试矢量与所述最佳模式库中各模式矢量之间的欧氏距离；
获取与当前处理的测试矢量的欧式距离最短的目标模式矢量，根据所述目标模式矢量在所述最佳模式库中的存储位置，确定与所述当前处理测试矢量对应的编码值；
返回执行依次获取一个测试矢量作为当前处理测试...

【专利技术属性】
技术研发人员：任云，
申请(专利权)人：苏州思必驰信息科技有限公司，
类型：发明
国别省市：江苏;32