一种高压缩比的图像压缩方法技术

本发明专利技术一种高压缩比的图像压缩方法，涉及数据压缩技术领域，根据图像特征，对多个待压缩图像进行拼接，获取拼接后待压缩的图像；根据拼接后待压缩的图像，获取图像的像素值，得到像素矩阵X(x1、x2、

【技术实现步骤摘要】
一种高压缩比的图像压缩方法


[0001]本专利技术涉及数据压缩
，尤其涉及一种高压缩比的图像压缩方法。

技术介绍

[0002]在大数据时代的背景下，数字图像已成为医学检测分析、人脸识别、无人机和卫星图像分析等众多领域中的重要应用。庞大的数字图像数据量，如果不进行处理，对传输带宽和存储设备都会带来极大的挑战，成本代价也会很高，因此需要对数字图像进行压缩，减少图像的特征冗余及文件大小。图像压缩分为有损压缩和无损压缩两种。
[0003]传统的图像压缩算法较多都采用的是固定的变化方式和量化编码框架，比如：离散小波变化和离散余弦变换，利用量化编码来处理图像以减少图像冗余，当大量数字图像需要传输时，若不减少图像的冗余，由于带宽的限制，就可能会导致图像出现模糊现象。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的主要目的在于提供一种高压缩比的图像压缩方法，可以将待压缩图像进行拼接统一压缩，经过实验验证了在解压缩质量的相差不大的条件下，可以实现比单张压缩更高的压缩比，更近一步减少图像空间冗余，减少人力物力消耗。
[0005]为达到上述目的，本专利技术采用以下技术方案，一种高压缩比的图像压缩方法，包括：
[0006]根据图像特征，对多个待压缩图像X进行拼接，获取拼接后待压缩的图像；
[0007]读取拼接后待压缩的图像的像素值，得到对应的像素矩阵X；
[0008]构建关于图像压缩神经网络模型，将像素矩阵X输入到参数调节后的图像压缩神经网络模型的编码层，进行预处理后输入到压缩层进行压缩，得到压缩后的像素矩阵H，，i<j，H＝sigmoid(∑
j
(W1x
j
+b1))，其中W1为压缩层的权重，b2为压缩层的偏置，x
j
为像素矩阵X中第j列；
[0009]将压缩后的像素矩阵H输入到参数调节后的图像压缩神经网络模型的解码层进行解压，将隐藏层和解码层连接的权重W2和输入的偏置b2进行初始化，得到压缩后的像素输出矩阵A，a
j
表示像素矩阵A中的第j列；
[0010]其中，所述参数调节后的图像压缩神经网络模型，是通过基于均方误差对所述图像压缩神经网络模型的参数进行反向传播调节获得。
[0011]具体的，所述待压缩图像的拼接根据图像的纹理特征、相似程度，其中相似程度采用SSIM处理。
[0012]具体的，所述sigmoid为激活函数:
[0013][0014]具体的，所述均方误差的计算公式为：
[0015][0016]其中，d取值范围为[1,j]，a
d
表示矩阵A中的第d列，x
d
表示矩阵X中的第d列。
[0017]具体的，所述反向传播调节图像压缩神经网络模型参数的权重W和偏置b由下列公式实现：
[0018][0019][0020]其中，a是一个常数，表示学习率，即梯度下降法中的步长，参数W1、b1、W2、b2由上述公式更新为公式中表示求偏导。
[0021]具体的，将拼接压缩后的图像按拼接方法进行拆分为单张图像即算法解压缩恢复的图像A，与未拼接压缩的图像即未经压缩的无失真图像X进行对比，作为SSIM输入的两张图像：
[0022]SSIM(X,A)＝[l(X,A)]α
[c(X,A)]β
[s(X,A)]γ
[0023]l(X,A)是亮度比较，c(X,A)是对比度比较，s(X,A)是结构比较，α、β、γ为一数值，且α>0,β>0,γ>0，SSIM取值为0～1间的实数，值越大表示图像质量越好。
[0024]具体的，所述压缩比的计算公式为：
[0025][0026]其中，j为未压缩图片的像素矩阵X列的大小，i为压缩后像素矩阵H列的大小。
[0027]本专利技术的有益效果：
[0028]本文提出了一种高压缩比的图像压缩方法，将多个待压缩的图像拼接后再进行压缩与解压，使用SSIM标准进行验证，解压缩质量相差不大的情况下，拼接图像压缩可以实现比单张图像压缩更高的压缩比，更近一步减少图像空间冗余，减少人力物力消耗。
附图说明
[0029]图1是本专利技术实施例中未压缩的原图；
[0030]图2是本专利技术实施例中解压缩后的图像；
[0031]图3是本专利技术实施例中拼接压缩的原图像；
[0032]图4是本专利技术实施例中拼接解压缩后的图像；
[0033]图5是本专利技术中拼接图像压缩的流程图。
具体实施方式
[0034]下面结合附图和实施方式对本专利技术作进一步说明。
[0035]实施例1：
[0036]参阅图1
‑
5，一种高压缩比的图像压缩方法，包括：
[0037]根据图像特征，对多个待压缩图进行拼接，获取拼接后待压缩的图像；
[0038]读取拼接后待压缩的图像的像素值，得到对应的像素矩阵X；
[0039]构建关于图像压缩神经网络模型，将像素矩阵X输入到参数调节后的图像压缩神经网络模型的编码层，进行预处理后输入到压缩层进行压缩，得到压缩后的像素矩阵，H＝sigmoid(∑
j
(W1x
j
+b1))，其中W1为压缩层的权重，b1为压缩层的偏置，x
j
为像素矩阵X中第j列；
[0040]将压缩后的像素矩阵H输入到参数调节后的图像压缩神经网络模型的解码层进行解压，将隐藏层和解码层连接的权重W2和输入的偏置b2进行初始化，得到压缩后的像素输出矩阵A，a
j
表示像素矩阵A中的第j列；
[0041]其中，参数调节后的图像压缩神经网络模型，是通过基于均方误差对所述图像压缩神经网络模型的参数进行反向传播调节获得。
[0042]待压缩图像的拼接根据图像的纹理特征、相似程度，其中相似程度采用SSIM处理。
[0043]其中的sigmoid为激活函数:
[0044][0045]其中的均方误差的计算公式为：
[0046][0047]其中，d取值范围为[1,j]，a
d
表示矩阵A中的第d列，x
d
表示矩阵X中的第d列。
[0048]以及反向传播调节图像压缩神经网络模型参数的权重W和偏置b由下列公式实现：
[0049][0050][0051]其中，a是一个常数，表示学习率，即梯度下降法中的步长，参数W1、b1、W2、b2由上述公式更新为公式中表示求偏导。
[0052]将拼接压缩后的图像按拼接方法进行拆分为单张图像即算法解压缩恢复的图像A，与未拼接压缩的图像即未经压缩的无失真图像X进行对比，作为SSIM输入为两张图像：
[0053]SSIM(X,A)＝[l(X,A)]α
[c(X,A)]β
[s(X,A)]γ
[0054]l(X,A)是亮度比较，c(X,A)是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高压缩比的图像压缩方法，其特征在于，包括：根据图像特征，对多个待压缩图像进行拼接，获取拼接后待压缩的图像；读取拼接后待压缩的图像的像素值，得到对应的像素矩阵X；构建关于图像压缩神经网络模型，将像素矩阵X输入到参数调节后的图像压缩神经网络模型的编码层，进行预处理后输入到压缩层进行压缩处理，得到压缩后的像素矩阵H，H＝sigmoid(∑
j
(W1x
j
+b1))，其中W1为压缩层的权重，b1为压缩层的偏置，x
j
为像素矩阵X中第j列；将压缩后的像素矩阵H输入到参数调节后的图像压缩神经网络模型的解码层进行解压，将隐藏层和解码层连接的权重W2和输入的偏置b2进行初始化，得到压缩后的像素输出矩阵A；其中，所述参数调节后的图像压缩神经网络模型，是通过基于均方误差对所述图像压缩神经网络模型的参数进行反向传播调节获得。2.根据权利要求1所述一种高压缩比的图像压缩方法，其特征在于，所述待压缩图像的拼接根据图像的纹理特征、相似程度，其中相似程度采用SSIM处理。3.根据权利要求1所述一种高压缩比的图像压缩方法，其特征在于，所述sigmoid为激活函数:4.根据权利要求1所述一种高压缩比的图像压缩方法，其特征在于，所述均方误差的计算公式为：其中，d取值范围为[1，j]，a
d
表示矩阵A中的第d...

【专利技术属性】
技术研发人员：梁彦霞，赵萌，刘欣，姜静，卢光跃，何华，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：