[发明专利]一种基于稀疏矩阵、卷积神经网络的图片压缩方法

权利要求书

1.一种基于稀疏矩阵、神经网络的图片压缩方法，其特征在于，所述的图片压缩方法包括以下步骤：

S1：采用神经网络对图像稀疏矩阵进行评估、优化，构建最优稀疏矩阵；

S2：采用神经网络选取最优压缩算法并对图像稀疏矩阵进行压缩处理，得到压缩图像；

其中，所述的图像稀疏矩阵的评估、优化和构建，包括以下子步骤：

S11：将待压缩图像转化为二维矩阵数据；

S12：采用神经网络对二维矩阵数据进行处理，得到备选图像稀疏矩阵；包括以下子步骤：

S121：构建区域中心，在二维矩阵中随机找到像素点(x1,y1)，检验该点是否有颜色值，若有则该点作为区域中心(x1,y1)；

S122：构建分布函数，根据区域中心构建分布函数，其概率密度函数为：其中μ₁,μ₂,σ₁,σ₂,ρ都是常数，μ₁,μ₂代表位置(x1,y1),σ₁,σ₂,ρ代表类椭圆切面的长宽深；

S123：根据卷积神经网络优化后的反馈值作为常数，带入概率密度函数，检验区域中心(x1,y1),并扩展矩阵N*M区域内的像素是否符合该颜色，若符合将区域中心(x1,y1)的值设置为X*Y，并将结果反馈给卷积神经网络；

S124：重复S121～S123过程P次，其中P为随机数，P<M*N*0.01,则构建了一个W*H的稀疏矩阵；

S13：采用神经网络和预设的评估指标对构建的备选的稀疏矩阵图像进行评估；

S14：采用神经网络和优化措施对构建的稀疏矩阵图像进行优化，并记录优化参数；所述的稀疏矩阵图像压缩处理，包括以下子步骤：

S21：根据图像的大小构建神经网络，提取和分析图像特征，图像数据和备选压缩方案作为神经网络的输入数据，反馈值作为压缩方案的参数；

S22：从备选压缩方案中选择一种压缩算法对稀疏矩阵图像进行压缩处理；

S23：将压缩方案和图像特征信息反馈回神经网络；

S24：重复步骤S22～S23，分析压缩方案的数据特征，通过学习使得神经网络具备自行判断某个数据适合用何种压缩方案，得到最优压缩方案及对应的压缩后的图像。

2.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法，其特征在于，所述的神经网络包括卷积神经网络；所述的评估指标包括图像还原度、边缘吻合度和区域数量；所述的优化措施包括去噪、增加边缘和白平衡处理；所述的备选压缩算法包括COO、CSR、DIA、ELL和HYB。

3.根据权利要求1所述的一种基于稀疏矩阵、神经网络的图片压缩方法，其特征在于，在步骤S14中，所述的稀疏矩阵图像进行优化包括以下子步骤：

S141：构建输入层，其中大小为N*M的矩阵，N、M为图像的长和宽，每一个矩阵的值是该矩阵所在的像素的值；

S142：构建卷积层，其中默认采用8滤波矩阵滤波,步长为1，激活函数为Relu；

S143：构建池化层，其中池化函数采用MAX，池化矩阵大小为2*2，默认步长为2，增加边参数为2；

S144：再次构建卷积层，默认采用16滤波矩阵滤波,步长为1，激活函数为Relu；

S145：再次构建池化层，其中池化函数采用AVE，池化矩阵大小为10*10，默认步长为2，增加边参数为2；

S146：再次构建卷积层，默认采用4滤波矩阵滤波,步长为1，激活函数为Relu；

S147：再次构建池化层，池化函数采用MAX，池化矩阵大小为5*5，默认步长为2，增加边参数为2；

S148：构建多层感知器层，构建3个平行的多层感知器层，使用regression激活函数，其中反馈值为3个值域为[0,1]的数，分别代表σ₁，σ₂，p。