基于四元数神经网络的彩色图像无损压缩与解压缩方法技术

技术编号：41099781 阅读：3 留言：0更新日期：2024-04-25 13:56

本发明专利技术提供了一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，属于图像处理和机器学习技术领域。该方法包括如下步骤：网络模型构建；网络模型训练；图像无损压缩；图像无损解压缩。该方法利用四元数神经网络来提取彩色图像的多层级四元数隐变量，并以提取的多层级四元数隐变量作为条件实现了对彩色图像的准确条件概率估计，进一步实现对彩色图像的高性能无损压缩与解压缩。本发明专利技术不仅具有优异的压缩性能，其压缩用时亦较短，具有很好的应用价值。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于图像处理和机器学习，具体涉及一种基于四元数神经网络的彩色图像无损压缩与解压缩方法。

技术介绍

1、随着医学、遥感、互联网和多媒体等技术的快速发展，海量的彩色图像正以迅猛的速度被人们生成、传递与存储。图像信息中包含有大量的视觉上无用或是冗余等信息，为了更好的传输与存储这些图像数据，进行图像压缩是一项重要的技术手段。目前传统的图像压缩方法已基本到达了其性能天花板，难以实现较大提升。像jpeg算法是1992年提出，于1994年成为了iso的标准，jpeg2000则是在2000年制定的标准。近些年来，随着深度计算理论与gpu硬件资源的快速发展，基于深度计算的图像压缩方法成了研究热点。当前已涌现出了大量高性能的深度计算图像压缩算法，其性能已超越了传统的图像压缩方法。无损压缩可以在不损失信息的前提下，减少存储数据量，因此在遥感、医学图像领域得到更多的关注与应用。

2、在深度学习方法中，前向编码与熵模型均可使用神经网络来实现。神经网络引入了激活函数(activation function)从而具有强大的非线性特征学习能力，因此不同于传统图像压缩方法，在前向编码中，通过深层神经网络可以学习到深层特征，这些深层特征更为紧凑、包含的信息更为丰富且具有良好的分布特性。

3、但是利用卷积神经网络来进行彩色图像的特征学习存在一个明显的问题，即：彩色图像的多个通道是独立与卷积核进行运算，其结果随后被简单的加起来，这种运算模式使得彩色图像多个通道之间丰富的信息被丢失了。因此使用卷积神经网络来学习得到的图像特征不够紧凑。</p>

技术实现思路

1、为解决上述问题，本专利技术提供了一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，以期利用四元数神经网络更好的从彩色图像中提取四元数隐变量特征信息，并利用提取的多层级四元数隐变量特征信息，构建彩色图像的概率分布，利用算术编码实现对彩色图像的无损压缩。

2、为实现上述目的，本专利技术采用了如下技术方案：

3、一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，包括以下步骤：

4、步骤一，网络模型构建；利用四元数神经网络构建无损压缩与解压缩网络模型，并构建用于网络学习的损失函数；

5、步骤二，网络模型训练；构建训练图像数据集，将图像数据集中的图像数据逐批次输入步骤一构建的无损压缩与解压缩网络模型，逐批次累加计算损失函数的输出，利用损失函数与无损压缩与解压缩网络模型的导数关系，更新无损压缩与解压缩网络模型参数，重复上述训练过程，不断更新无损压缩与解压缩网络模型参数直至无损压缩与解压缩网络模型收敛；

6、步骤三，图像无损压缩；将图像x转换成四元数矩阵，其中xr，xg，xb分别为彩色图像的红色，绿色，蓝色通道的矩阵表示，为彩色图像的四元数矩阵表示，a，f，c表示3个虚数，将四元数矩阵输入至收敛的无损压缩与解压缩网络模型，经无损压缩与解压缩网络网络模型运算输出m层的四元数隐变量序列以及各层的条件概率分布其中，m为自然数，表示第i层的四元数隐变量，利用算术编码依次生成从第m层至第1层的四元数隐变量的无损压缩编码数据比特，最后生成图像x的无损压缩编码数据比特；

7、步骤四，图像无损解压缩；利用先验均匀分布和算术译码恢复第m层的四元数隐变量将第m层的四元数隐变量输入到译码网络，重建得到第m-1层的条件概率分布利用算术译码恢复第m-1层的四元数隐变量依次逐步恢复得到第1层的四元数隐变量以及图像x的第1层的条件概率分布最终实现对图像x的解压缩。

8、本专利技术实现的有益效果在于：

9、采用本专利技术的图像压缩与解压缩方法，可以得到优异的彩色图像无损压缩性能，同时具备良好的时间开销，且该方法应用范围广泛。

本文档来自技高网...

【技术保护点】

1.一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，所述无损压缩与解压缩网络模型采用M层级的结构，前一层网络的输出是后一层网络的输入，从而构建级联结构；每一层级内，无损压缩与解压缩网络模型包含相应的四元数神经网络编码器、降维网络、量化器、条件概率评估网络、四元数神经网络译码器；所述四元数神经网络编码器采用四元数卷积残差网络来进行构建，所述四元数卷积残差网络采用多层级深度网络结构；所述四元数神经网络编码器的输出经过降维网络与量化器实现数据降维与量化，其中，降维网络利用C*1*1大小的四元数卷积神经网络来实现，其中C为自然数；所述条件概率评估网络用于实现对各层级特征信息的概率模型参数评估，各层条件概率评估网络用于对上一层的四元数隐变量的条件概率分布评估；所述四元数神经网络译码器以当前层的四元数隐变量以及上一层级的四元数神经网络译码器的输出作为输入，逐步重建层级特征。

3.根据权利要求2所述的一种基于四元数神经网络的彩色图像无损压缩与解压缩

4.根据权利要求1所述的一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，最大化学习到的图像X的条件概率分布，等价于最小化各层级四元数隐变量与图像X的负对数似然函数，损失函数即为多个图像条件概率分布的负对数似然函数的平均值，其中，损失函数Ls为：

5.根据权利要求1所述的一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，第M层的四元数隐变量采用无参数的均匀分布，直接由算术译码恢复第M层的四元数隐变量；第m层的隐变量1≤m≤M-1，其条件概率分布由第m+1层四元数神经网络译码器的输出作为输入，并得到其条件概率分布函数的参数值，第m层的四元数隐变量的条件概率分布采用混合逻辑斯谛分布；

...

【技术特征摘要】

1.一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于四元数神经网络的彩色图像无损压缩与解压缩方法，其特征在于，所述无损压缩与解压缩网络模型采用m层级的结构，前一层网络的输出是后一层网络的输入，从而构建级联结构；每一层级内，无损压缩与解压缩网络模型包含相应的四元数神经网络编码器、降维网络、量化器、条件概率评估网络、四元数神经网络译码器；所述四元数神经网络编码器采用四元数卷积残差网络来进行构建，所述四元数卷积残差网络采用多层级深度网络结构；所述四元数神经网络编码器的输出经过降维网络与量化器实现数据降维与量化，其中，降维网络利用c*1*1大小的四元数卷积神经网络来实现，其中c为自然数；所述条件概率评估网络用于实现对各层级特征信息的概率模型参数评估，各层条件概率评估网络用于对上一层的四元数隐变量的条件概率分布评估；所述四元数神经网络译码器以当前层的四元数隐变量以及上一层级的四元数神经网络译码器的输出作为输入，逐步重建层级特征。

3.根据权利要求...

【专利技术属性】
技术研发人员：冯旭祥，李安，黄鹏，王正晟，何元春，唐梦月，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人