本发明专利技术公开一种视频序列压缩编码方法，包括以下步骤：将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数；对待编码图像运用低维隐藏神经元参数进行运算处理，获得待编码图像的降维编码表示；对待编码图像的降维编码表示进行压缩处理，获得压缩编码结果。本发明专利技术对同一序列的待编码图像进行降维编码表示共用了相同维度的低维隐藏神经元参数，使得部分具有一定相关性的降维编码表示能够再进行进一步压缩，提升了视频的压缩比。也可以将序列中的图像(或将图像分块)根据其不同内容的相关性采用几组不同维度的隐藏神经元参数。神经元参数。神经元参数。
【技术实现步骤摘要】
一种视频序列压缩编码方法及装置
[0001]本专利技术涉及视频压缩
，尤其涉及一种视频序列压缩编码方法及装置。
技术介绍
[0002]自从1986年Rumelhart提出自动编码器的概念，并将其用于高维复杂数据处理，促进了神经网络的发展。自编码神经网络是一种无监督学习算法，它使用了反向传播算法，并让输出值等于输入值。其中，自编码器就是将原始数据进行编码，进行降低维度，发现数据之间的规律的过程。举例来说，假设某个自编码神经网络的输入x是一张10
×
10图像(共100个像素)的像素灰度值，于是n＝100，其隐藏层中有50个隐藏神经元，要求其输出也是100维。由于只有50个隐藏神经元，我们迫使自编码神经网络去学习输入数据的压缩表示，也就是说，它必须从50维的隐藏神经元激活度向量中重构出100维的像素灰度值输入x。从而使得压缩后的视频经解压后获得接近原图的解压缩图像。
[0003]然而，在视频压缩的自编码神经网络算法训练过程中，如果网络的输入数据是完全随机的，比如每一个输入都是一个跟其它特征完全无关的独立同分布高斯随机变量，那么这一压缩表示将会导致自编码器非常难学习。从而导致自编码器的训练过程较长及困难，影响视频压缩的效率。
[0004]鉴于此，实有必要提供一种视频序列压缩编码方法及装置以克服上述缺陷。
技术实现思路
[0005]本专利技术的目的是提供一种视频序列压缩编码方法及装置，旨在解决现有的视频压缩自编码学习中因相关性较低而导致自编码器训练过程较为困难的问题，提供一种简单的自编码神经网络学习方法，使得视频压缩的效率提升。
[0006]为了实现上述目的，本专利技术一方面是提供一种视频序列压缩编码方法，包括以下步骤：
[0007]将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数；
[0008]对所述待编码图像运用所述低维隐藏神经元参数进行运算处理，获得所述待编码图像的降维编码表示；
[0009]对所述待编码图像的降维编码表示进行压缩处理，获得压缩编码结果。
[0010]在一个优选实施方式中，在所述将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数步骤之前还包括步骤：
[0011]将所述视频序列中的所述待编码图像按照预设的规则进行预处理，从而提升所述待编码图像的相关性。
[0012]在一个优选实施方式中，在所述对所述待编码图像运用所述低维隐藏神经元参数进行运算处理，获得所述待编码图像的降维编码表示步骤后还包括步骤：
[0013]判断所述待编码图像的降维编码表示的相关性是否超过预设的相关性阈值，若结
果为是，则继续训练所述自编码器，从而对所述低维隐藏神经元参数进行调整。
[0014]在一个优选实施方式中，所述对所述待编码图像的降维编码表示进行压缩处理，获得压缩编码结果步骤中包括以下子步骤：
[0015]将所述待编码图像的降维编码表示分成多个待编码块；
[0016]对每个待编码块进行DCT变换，并在变换空间中仅保留其中的低频分量；
[0017]对所述每个待编码块进行基于DCT变换的反变换，获得仅含低频分量的待编码块；
[0018]将所述每个待编码块减去对应的所述仅含低频分量的待编码块，获得仅含有高频分量的待编码块；
[0019]将所述待编码块的低频分量与高频分量进行分别压缩。
[0020]在一个优选实施方式中，所述将所述待编码块的低频分量与高频分量进行分别压缩步骤中还包括步骤：
[0021]选定一个当前待编码块，通过运动搜索的方式搜索一个最接近的所述仅含有高频分量的待编码块，并设为所述当前待编码块的高频预测块；
[0022]根据所述高频预测块对所述当前待编码块进行预测。
[0023]本专利技术第二方面是提供一种视频序列压缩编码装置，包括：
[0024]参数训练模块，用于将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数；
[0025]降维运算模块，用于对所述待编码图像运用所述低维隐藏神经元参数进行运算处理，获得所述待编码图像的降维编码表示；
[0026]图像压缩模块，用于对所述待编码图像的降维编码表示进行压缩处理，获得压缩编码结果。
[0027]在一个优选实施方式中，所述视频序列压缩编码装置还包括：
[0028]预处理模块，用于将所述视频序列中的所述待编码图像按照预设的规则进行预处理，从而提升所述待编码图像的相关性。
[0029]在一个优选实施方式中，所述视频序列压缩编码装置还包括：
[0030]相关性判断模块，用于判断所述待编码图像的降维编码表示的相关性是否超过预设的相关性阈值，若结果为是，则继续训练所述自编码器，从而对所述低维隐藏神经元参数进行调整。
[0031]在一个优选实施方式中，所述图像压缩模块包括：
[0032]编码块分割单元，用于将所述待编码图像的降维编码表示分成多个待编码块；
[0033]编码块变换单元，用于对每个待编码块进行DCT变换，并在变换空间中仅保留其中的低频分量；
[0034]低频编码块获得单元，用于对所述每个待编码块进行基于DCT变换的反变换，获得仅含低频分量的待编码块；
[0035]高频编码块获得单元，用于将所述每个待编码块减去对应的所述仅含低频分量的待编码块，获得仅含有高频分量的待编码块；
[0036]编码块压缩单元，用于将所述待编码块的低频分量与高频分量进行分别压缩。
[0037]在一个优选实施方式中，所述图像压缩模块还包括：
[0038]高频预测块确定单元，用于选定一个当前待编码块，通过运动搜索的方式搜索一
个最接近的所述仅含有高频分量的待编码块，并设为所述当前待编码块的高频预测块；
[0039]高频预测块预测单元，用于根据所述高频预测块对所述当前待编码块进行预测。
[0040]本发对同一序列的待编码图像进行降维编码表示共用了相同维度的低维隐藏神经元参数，使得部分具有一定相关性的降维编码表示能够再进行进一步压缩，为了提升了视频的压缩比，也可以将序列中的图像(或将图像分块)根据其不同内容的相关性采用几组不同维度的隐藏神经元参数。
【附图说明】
[0041]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
[0042]图1为本专利技术提供的视频序列压缩编码方法的流程图；
[0043]图2为图1所示的视频序列压缩编码方法中一个优选实施例的流程图；
[0044]图3为图2所示的视频序列压缩编码方法中又一优选实施例的流程图；
[0045]图4为本专利技术提供的视频序列压缩编码装置的框架图；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种视频序列压缩编码方法，其特征在于，包括以下步骤：将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数；对所述待编码图像运用所述低维隐藏神经元参数进行运算处理，获得所述待编码图像的降维编码表示；对所述待编码图像的降维编码表示进行压缩处理，获得压缩编码结果。2.如权利要求1所述的视频序列压缩编码方法，其特征在于，在所述将视频序列中的待编码图像作为自编码器的训练输入，获得低维隐藏神经元参数步骤之前还包括步骤：将所述视频序列中的所述待编码图像按照预设的规则进行预处理，从而提升所述待编码图像的相关性。3.如权利要求1所述的视频序列压缩编码方法，其特征在于，在所述对所述待编码图像运用所述低维隐藏神经元参数进行运算处理，获得所述待编码图像的降维编码表示步骤后还包括步骤：判断所述待编码图像的降维编码表示的相关性是否超过预设的相关性阈值，若结果为是，则继续训练所述自编码器，从而对所述低维隐藏神经元参数进行调整。4.如权利要求1所述的视频序列压缩编码方法，其特征在于，所述对所述待编码图像的降维编码表示进行压缩处理，获得压缩编码结果步骤中包括以下子步骤：将所述待编码图像的降维编码表示分成多个待编码块；对每个待编码块进行DCT变换，并在变换空间中仅保留其中的低频分量；对所述每个待编码块进行基于DCT变换的反变换，获得仅含低频分量的待编码块；将所述每个待编码块减去对应的所述仅含低频分量的待编码块，获得仅含有高频分量的待编码块；将所述待编码块的低频分量与高频分量进行分别压缩。5.如权利要求4所述的视频序列压缩编码方法，其特征在于，将所述待编码块的低频分量与高频分量进行分别压缩步骤中还包括步骤：选定一个当前待编码块，通过运动搜索的方式搜索一个最接近的所述仅含有高频分量的待编码块，并设为所述当前待编码块的高频预测块；根据所述高频预测块对所述当前待编码块进行预测。6.一种视...
【专利技术属性】
技术研发人员：黄晓红，
申请(专利权)人：黄晓红，
类型：发明
国别省市：
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。