[发明专利]一种基于深度学习模型的静态图像压缩方法

说明书

一种基于深度学习模型的静态图像压缩方法，数据挖掘与机器学习领域，涉及用于图像的有损压缩，主要是利用多层稀疏自动编码和K‑means算法实现以上功能。本发明进行图像数据有损压缩的主要流程为图像分块、图像分类、PSO参数寻优和模型训练、模型测试四个步骤。本发明的创新点主要体现在提出了一种由稀疏自动编码器和BP神经网络混合而成的多层稀疏自动编码(MSAE)神经网络。多层稀疏自动编码神经网络的特征提取效果以及对图像有损压缩的效果都高于传统神经网络。成功的将深度学习的方法引入了图像压缩领域，并取得了优于人工神经网络的效果。

技术领域

本发明属于数据挖掘与机器学习领域，涉及用于对图像数据的有损压缩。

背景技术

随着大数据时代的来临，数据正以前所未有的速度增长和累积，数据处理技术正在经历一次全新的变革。首先，数据的体量不断扩大，数据集合的规模已经从GB、TB到了PB，而网络大数据甚至以EB和ZB等单位来计数；其次，网络大数据类型繁多，包括结构化数据、半结构化数据和非结构化数据.在现代互联网应用中，呈现出非结构化数据大幅增长的特点；再次，网络大数据往往呈现出突发涌现等非线性状态演变现象，因此难以对其变化进行有效评估和预测.另一方面，网络大数据常常以数据流的形式动态、快速地产生，具有很强的时效性。随着大数据时代的来临数据压缩技术也在不断发展,因为存储设备的空间毕竟是有限的,而图片，游戏、音频、视频在计算机中应用中越来越普遍，但它们又非常占据空间,所以压缩技术前景非常广阔并且不断在发展。

关于数据的压缩算法虽早已有研究，如游程编码、差分编码、LZW算法、哈夫曼编码、JPEG、JPEG200、ZIP等，这些压缩算法虽然能够压缩数据，使其能够便于存储和传输，但面对当今极大量的、结构复杂、增长速度极快的数据，越来越显得力不从心。本研究课题以大数据为研究背景，通过研究数据压缩算法，提出把深度学习模型用于数据的压缩，从而提高数据的压缩比，降低数据冗余，方便数据传输和存储，具有重大的意义。

发明内容

本发明首先对五张原始灰度图像进行分块，然后把具有相同特征的块儿聚集到一类形成训练数据集，接着把每一个训练数据集输入到相对应的多层稀疏自动编码器(MSAE，Multilayer Sparse Auto-Encoder)模型中进行训练，并在训练过程中使用粒子群优化(PSO)算法进行参数寻优，最后使用测试样本对模型的性能进行测试并分析实验结果。本发明提出的MSAE是指稀疏自动编码器和BP神经网络混合构成的一个神经网络，稀疏自动编码器能够将输入层的数据稀疏的映射到隐含层，得到稀疏的特征便于神经网络来学习数据的特征。通过将稀疏自动编码器的输出输入到BP网络中，然后通过BP网络的误差反传进一步调节自动稀疏编码器的网络权重。

为实现上述的发明目的，本发明采用下述的技术方案：

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。