[发明专利]基于神经网络与SVM的图像编码方法

说明书

技术领域

本发明属于计算机技术领域，特别涉及一种基于神经网络与SVM的图像编码方法。

背景技术

随着通信与信息技术的迅速发展，人们对于传输内容的要求早已从文本数据、语音数据扩展到了图像及视频。图像信息是我们平时接触到的一大类信息，我们经常需要对图像进行快速的存储和传输，这时压缩技术必不可少。传输同样的图像而占用更小的带宽，或者存储同样的图像而占用更小的存储空间，都是非常有意义的。

当今人们已经提出众多有效的关于图像压缩方法和技术，如其中的Huffman编码、游程编码、算术编码、字典编码、小波编码、神经网络压缩(编码)方案及它们的结合等。但基于支持向量机SVM图像压缩(编码)方法目前没见报道。

由于各种需要储存的数字数据指数级增长，网上要传输的数据越来越多，因此图像数据压缩(编码)研究者、信息编码研究者工作者有义务和责任不断改进、发展已有的图像数据压缩(编码)理论、方法和技术，创造出新的更为有效的图像数据压缩(编码)方法和信息编码方法。

发明内容

本发明的任务在于提出一种基于虚拟信源建模的数据压缩(编码)思想，通过用BP神经网络和SVM对信源两次建模，给出了基于神经网络和SVM的新的图像编码(压缩)方法，此方法可视为由一种“基于SVM的图像编码(压缩)方案”嵌套“基于神经网络的无损数据压缩方法”而成。

其技术解决方案是：

一种基于神经网络与SVM的图像编码方法，包括下述步骤：

a.压缩

a1.把所有要处理的图像数据视为由虚拟信源Y₁产生的字符串γ₁；

a2.建立虚拟信源Y₁的神经网络模型；

a3.用模型参数去编码γ₂由虚拟信源产生的字符串；

a4.建立虚拟信源Y₂的SVM模型；

a5.用SVM模型参数去编码γ₃由虚拟信源产生的字符串γ₂；

b.解压缩

b1.恢复SVM模型参数；

b2.恢复虚拟信源的SVM模型；

b3.虚拟信源的SVM模型结合特别变换构建字符串的恢复映射；

b4.完全恢复虚拟信源Y₂产生的字符串γ₂；

b5.恢复神经网络模型参数；

b6.恢复虚拟信源Y₁的神经网络模型；

b7.虚拟信源Y₁的神经网络模型结合特别变换构建字符串的恢复映射；

b8.完全恢复虚拟信源Y₁产生的字符串γ₁；

上述步骤a3中，所述模型参数，其数据量少于原始字符串的数据量；上述步骤a5中，所述SVM模型参数，其数据量少于原始字符串的数据量。

上述虚拟信源是一映射：

其中，映射Y：设A＝{(x₁，…，x_i，…，x₁₂)|x_i＝0，1}把(x₁，…，x_i，…，x₁₂)按二进制数x₁x₂…x_i…x₁₂的大小倒序排列，即排为有序点a₁＝(1，1，…，1)，a₂＝(1，…，1，0)，a₃＝(1，…，1，0，1)，…，a₄₀₉₅＝(0，…，0，1)，a₄₀₉₆＝(0，…，0，0)。假定待压缩的0与1的字符串γ＝c₁…c₄₉₁₅₂，c_j＝0 or 1，其中γ的长度为49152，记B＝{b_j|b_j＝(c_12x(j-1)+1，…，c_12×j)，1≤j≤4096}。注：b_j中的c_i要转换为0与1数的形式。定义Y为A到B的映射

Y：A→B

Y：a_i→b_i，i＝1，…，4096，a_i∈A，b_i∈B

即b_i＝Y(a_i)，i＝1，…，4096。