[发明专利]基于神经网络的数字档案馆图像压缩、存储、恢复方法

权利要求书

1.一种基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，包括如下步骤：

步骤1：将像素为H×W的3通道彩色图像的灰度矩阵转换成向量；

步骤2：设计一个输入层与输出层神经元数量相同且隐含层的神经元的数量远小于输入层神经元数量的3层的全连接神经网络；

步骤3：采集彩色图像数据，在训练数据上通过反向传播算法求解这个无约束优化问题，训练步骤2中设计的全连接神经网络；该神经网络的损失函数是输入与输出的误差平方和；该神经网络的训练目标是损失函数的最小化；

步骤4：将待压缩的彩色图像输入步骤3训练好的全连接神经网络中，进行从输入层到隐含层的转换并提取对应的隐含层数据，得到压缩后的图像数据；

步骤5：在关系型数据库中新建与隐含层的神经元的数量相同的浮点类型的数值型字段，将步骤四中得到的压缩后的图像数据进行存储；

步骤6：将压缩后的图像数据，进行隐含层到输出层的转换，即可进行图像数据的恢复。

2.根据权利要求1所述的基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，所述步骤1的具体方法为：对像素为H×W的3通道彩色图像进行向量化处理；彩色图像的3个通道按照红绿蓝的排列顺序对应着3个尺寸均为H×W的灰度值矩阵R、G、B，将这三个矩阵依次按行展开成3个灰度值向量，每个向量的长度都是H×W，再把这三个向量拼接成一个长度为3×H×W的灰度值向量；将这个长为3×H×W的灰度值向量记为x。

3.根据权利要求1所述的基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，所述步骤2的具体方法为：设计一个3层的全连接神经网络，输入层和输出层的神经元的数量均是3×H×W，中间层的神经元的数量是M，为了达到压缩图像的目的，要求M远小于3×H×W；在对神经网络进行训练之前各层的参数都是未知的。

4.根据权利要求3所述的基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，所述为了确保较高的图像压缩率，M的值不超过3×H×W的1/10。

5.根据权利要求3所述的基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，所述3层的全连接神经网络，该神经网络的输入层到隐含层的转换过程为：设隐含层有M个神经元， M个神经元的非线性激活函数是：

，

则从输入层到隐含层的转换公式为：

其中，行1列的矩阵存储隐含层个神经元的输出值，W是行列参数矩阵，b是行1列的参数矩阵，其中参数矩阵W、b及个神经元的非线性激活函数：的参数都为未知待求量。

6.根据权利要求3所述的基于神经网络的数字档案馆图像压缩、存储、恢复方法，其特征在于，所述3层的全连接神经网络，该神经网络的隐含层到输出层转换过程为：设输出层有3×H×W个神经元，它们的非线性激活函数是：

则从隐含层到输出层的转换公式为：

其中， 行1列的矩阵存储输出层个神经元的输出值，是行列参数矩阵，是行1列的参数矩阵，是代表从压缩后的数据中恢复的行1列的图像数据矩阵；其中参数矩阵、及输出层的个神经元的非线性激活函数的参数都为未知待求量。