[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

说明书

本发明公开了一种基于稀疏矩阵、卷积神经网络的图片压缩方法，包括以下步骤：将图像转换成二维矩阵数据，利用卷积神经网络评估、优化和构建稀疏矩阵图像，再通过卷积神经网络优选压缩方案，用选取出的最优压缩方案对稀疏矩阵图像进行压缩处理，最后得到高压缩比高、失真少的压缩图像。本发明解决了现有压缩技术压缩比低、压缩后图片质量下降太多，使图像难以使用和识别的问题，并且本压缩方法能够根据图片内容进行优化，自行选择合适的图像构建和压缩方法，使图片特征提取和压缩方法具备自行优化和学习的能力。

技术领域

本发明涉及图片处理技术领域，尤其涉及一种基于稀疏矩阵、神经网络的图片压缩方法。

背景技术

图片压缩技术是图像处理技术中的重要技术领域，图片压缩可以有效的减小文件大小、节约存储空间、减轻网络传输压力。

目前常见压缩技术有JPG、PNG、RAR等，JPG、PNG等算法是专为图片格式文件进行压缩，可以将原有的位图压缩至10％-70％的大小，目前已经在计算机业界广泛应用，操作系统和应用软件通常将这些算法作为默认支持的通用标准，但不足的是这两种算法会根据不同的压缩比，质量有不同程度的损失。RAR等技术适用于任何文件，均可进行压缩，但压缩比主要依赖于原文件的数据规律性，越无规律的数据越难压缩。RAR也可以作为图片压缩，但效果不如只针对图片压缩的技术。

目前业界大多压缩算法的压缩比不够高，通常可以将原有的位图压缩至10％-70％的大小，少部分方法可以压缩到1％-5％，但随之而来的是对图片内容有限定或图像的质量下降较多。某些特定行业的应用的图片压缩算法拥有高效的压缩比，但存在压缩后质量下降太多，图片经过压缩后，质量下降太多，难以使用和识别的问题。

某些特定行业的应用的图片压缩算法拥有高效的压缩比，同时质量也较好，但无法做到根据图片内容自适应算法。它只能针对某种特殊行业的特殊图片，针对该行业的图片的规律进行特定的优化，这类算法限定了图片的内容和应用场景，无法做到对任意内容的图片进行高效高质量的压缩。例如天文领域的夜空拍摄图片，图片中仅有少部分亮星，其余皆为深色，针对该类图片的特点可编制特定算法进行高效压缩，但该算法无法推广到任意内容的图片使用。

综上所述，现有的图片压缩的系统和方法中都不具备一种拥有极高效的压缩比，压缩后质量下降较小，同时又能智能的根据不同图片进行算法改进的系统和方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种拥有极高压缩比、且压缩后失真少的图片压缩方法，并且本方法可智能的根据图片内容自行优化，具备学习能力。

本发明的目的是通过以下技术方案来实现的：一种基于稀疏矩阵、神经网络的图片压缩方法，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；

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，同时将图像数据和使用的压缩方案作为神经网络输入数据，反馈值作为压缩方案的参数；