[发明专利]一种基于深度学习模型的静态图像压缩方法

权利要求书

1.一种基于深度学习模型的静态图像压缩方法，包括如下步骤：

步骤一：图像分块

把图像分成若干个8*8维的图块；

步骤二：图块聚类

使用K-means聚类算法把上述步骤一所分成的具有相同特征的图块聚集在一起，形成训练数据集；

步骤三：PSO参数寻优与模型训练

采用多层稀疏自动编码器(MSAE)模型，用粒子群优化(PSO)算法来确定该模型的隐含层的层数和神经元个数两个参数，并把所述具有相同特征的图块输入到该模型中完成图像的压缩和解压缩；

步骤四：模型测试

采用上述步骤一至步骤三，分别进行图像的8倍、16倍、32倍压缩实验，并在不同测试样本和训练样本下，把测试样本图像作为三个MSAE网络的测速集，测试该模型的压缩和解压效果。

2.根据权利要求1所述的一种基于深度学习模型的静态图像压缩方法，其特征在于：上述步骤二中所述相同的特征包括边缘区域特征、平坦区域特征和纹理区域特征。

3.根据权利要求2所述的一种基于深度学习模型的静态图像压缩方法，其特征在于：所述边缘区域是图像灰度变化明显的区域，标志着图像特征的剧烈转变；所述平坦区域是图像中灰度变化平缓的区域，是图像的背景或者是图像的单一特征；所述纹理区域是图像中的灰度呈一定形状分布的区域，标志着图像的纹理特征。

4.根据权利要求1-3任一项所述的一种基于深度学习模型的静态图像压缩方法，其特征在于：利用所述K-means聚类算法把所述图块按照区域特征、平坦区域特征和纹理区域特征分成三类。

5.根据权利要求1所述的一种基于深度学习模型的静态图像压缩方法，其特征在于：在上述步骤三种，定义压缩倍数R＝N_O/N_C，其中N_O为原始数据的维数，N_C为压缩后数据的维数即最后一层隐含层的个数。

6.根据权利要求1所述的一种基于深度学习模型的静态图像压缩方法，其特征在于：利用五幅图像Lena、Baboon、Jet、Peppers、Sailboat分别作为测试样本和训练样本，进行模型测试。