[发明专利]一种高质量的图像压缩方法

说明书

本发明提供一种高质量的图像压缩方法，将聚类压缩算法与深度神经网络压缩算法相结合；先将原始图像输入到聚类压缩算法中，确定聚类簇数K，对图像的像素值进行K类聚类，聚类后得到输出数据为X，此时图像压缩比为n:1，将数据X输入到深度神经网络压缩算法中，进行两层编码和两层解码，每一层都需要通过均方误差函数来调节本层的网络参数，使误差达到最小或变化很小；编码层的最终输出数据为Hsubgt;1/subgt;；解码层最终输出数据为Xsupgt;1/supgt;，Xsupgt;1/supgt;也是整个图像压缩算法的输出；将Xsupgt;1/supgt;与X输入到均方误差函数中得到整个图像压缩方法的误差Lsubgt;1/subgt;；深度神经网络部分压缩比为m:1，通过此步压缩提升压缩图片的压缩质量；整个算法压缩比为nm:1。

技术领域

本发明涉及数据压缩技术领域，具体涉及一种高质量的图像压缩方法。

背景技术

图像压缩致力于以少量的信息量表示图片本身的信息，并在解压缩后可以较完整的还原图像本身。从1948年至今图像压缩一直都是图像处理领域的基础课题。数字化时代的来临、爆发式增长的图像信息给图像压缩方法带来了挑战。

传统的图像压缩方法已经不能满足现如今的需求。深度学习的迅猛发展使图像压缩方法得到了提高。图像压缩算法不能一味追求高压缩比，也需注重解压缩质量。单独使用聚类算法用于图像压缩时达不到目前所需高压缩比的要求，而仅使用单层深度学习中的神经网络对图像压缩时得到的图像质量在一些场景下达不到目标需求。为此，本发明提出一种高质量的图像压缩方法。

发明内容

为解决上述问题，本发明提出了一种高质量的图像压缩方法，将聚类算法与深度学习算法相结合。用聚类算法对图像的像素进行压缩，提升压缩速度，压缩比为n:1；用深度学习中的两层神经网络对图像尺寸进行压缩，压缩比为m:1；总体压缩比为nm：1。通过比较，在相同最终压缩比的条件下，联合压缩的质量比只使用聚类压缩算法的质量高；比只使用深度神经网络的压缩速度快。

本发明提供了如下的技术方案。

一种高质量的图像压缩方法，按照以下步骤进行：

步骤1)采用K-means算法进行颜色聚类，将原始图像进行压缩，经过聚类算法后压缩比为n:1；

1.1、提取图像的RGB像素矩阵A1，A2，A3；

1.2、确定聚类簇数K；

1.3、统计A1，A2和A3的像素分布，按照像素的分布规律采用聚类算法将矩阵A1，A2和A3的像素值分别分为K类，

1.4、用此K类簇的中心值取代所有的像素值得到输出数据X；

步骤2)将步骤1)输出数据X输入到两层深度神经网络压缩算法进行两层编码得到压缩数据H₁，经过两层解码层后得到的解压缩数据为X¹，经过深度神经网络压缩算法压缩比为m:1；

步骤3)将数据X和数据X¹输入到均方误差函数中，得到整个压缩算法的误差L₁，整体算法达到的压缩比为nm:1。

优选的，两层神经网络压缩算法的具体步骤如下：

输入：经过K-means算法的图像的像素矩阵

输出:解压缩后的像素矩阵

第一次层编码：

2.1、初始化权重W₁和偏置b₁，然后通过公式(1)计算隐藏层的输出H；

2.2、初始化权重W₂和偏置b₂，解码是从H到A，通过公式(2)计算A；