[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

说明书

本发明公开了一种基于神经网络的数字档案馆图像压缩、存储、恢复方法，包括：将像素为H×W的3通道彩色图像的灰度矩阵转换成向量；设计输入层与输出层神经元数量一致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；训练设计的全连接神经网络；将待压缩的彩色图像输入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；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，将压缩后的图像数据进行存储；将压缩后的图像数据，进行隐含层到输出层的转换，恢复图像数据；该方法占用更少的数据库存储空间，压缩、恢复过程是接近无损的。

技术领域

本发明属于图像处理领域，具体涉及一种基于神经网络的数字档案馆图像压缩、存储、恢复方法。

背景技术

随着多媒体数据库特别是图像库的广泛使用，图像检索技术对现代数字档案馆建设具有十分重要的意义。

在数字档案馆中，一个典型场景下的图像检索流程涉及到3项具体的技术及其实现：图像的压缩、图像在数据库中的存储、压缩后图像数据的恢复。图像采用何种压缩方法决定了图像在数据库中的存储及相似度计算方法的选型。业界主流的图像压缩方法是将图像以jpg格式保存在文件中，jpg既是一种图像文件格式，也是一种图像压缩技术，jpg格式的图像文件可以以二级制数据流的形式直接存储在关系型数据库中,压缩后的图像数据相对于压缩前有较大的质量损失，以现有的技术无法从压缩后的数据恢复到压缩前的状态。

上述以jpg压缩技术为核心的图像压缩、图像存储、图像恢复流程，存在的缺陷是：jpg压缩是有损压缩，压缩率越高，图像质量的损失也就越严重，jpg图像的计算及存储的效率与图像质量不可兼顾，为了确保较高的计算效率以及占用较少的存储空间，而采用较高的压缩率，使得图像的质量损失严重，为了降低图像质量的损失而采用较低的压缩率，又会导致较低的计算效率以及占用更多的存储空间。其它常见的有损图像压缩技术也会存在类似的问题。

为了解决以jpg压缩技术为代表的传统图像压缩技术存在的上述缺陷，本专利创新性地提出了一种新的近似无损的图像压缩方法：设计一个3层的全连接神经网络，输入是原始图像的灰度值向量，输出是一个尺寸与输入一致且数值非常接近的灰度值向量，正常情况下的图像的像素都不低于100万像素，因此输入层和输出层的神经元的数量都不会低于100万，为了达到图像压缩的目的，中间的隐含层的神经元的数量远低于100万，图像从输入层转换到隐含层的过程中，神经元数量急剧降低，达到了数据压缩的目的，从隐含层转换到输出层，神经元的数量又恢复到与原始图像保持一致且输出值与原始灰度向量非常接近，这就意味着从隐含层的数据可以近似无损地恢复为原始图像数据。在海量的图像上训练这个3层的神经网络，训练完成后，对于新的待压缩的图像，首先将这这张图象输入进该神经网络中并进行从输入层到输出层的转换，并提取对应的隐含层数据，就得到了这张图象的无损压缩数据，该图像压缩后数据可以直接以浮点类型的形式存储在数据库中。提取对应的输出数据，就是从压缩后的数据恢复得到的图像数据，3层神经网络的训练确保了该图像的原始数据与压缩后恢复的数据非常接近，质量上的损失相较于传统的有损图像压缩技术非常小。

发明内容

针对现有技术的以上缺陷或改进需求，本发明要解决的是现有技术中以jpg压缩技术为核心的图像压缩、图像存储、图像恢复流程，存在的缺陷是：jpg压缩是有损压缩，压缩率越高，图像质量的损失也就越严重，jpg图像的计算及存储的效率与图像质量不可兼顾的问题。

为了实现上述目的，本发明涉及一种基于神经网络的数字档案馆图像压缩、存储、恢复方法，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；