[发明专利]一种基于语义分析的深度学习图像压缩方法

摘要

本发明提出一种基于语义分析的深度学习图像压缩方法，属于图像有损压缩技术领域。包括：步骤1，对输入的图像使用卷积神经网络CNN对图像进行特征提取，标识每个像素的语义重要程度；步骤2，将输入图像进行分块，压缩比特分配对每个图像块依据其语义重要程度计算对应的压缩比例；步骤3，使用基于CNN和循环神经网络LSTM的网络结构对图像按照计算好的压缩比例进行压缩和恢复。本发明将深度学习在图像语义分析和图像压缩领域的应用相结合，根据语义重要程度分配图像不同区域的压缩比特，以实现基于语义重要度分析的图像压缩效果，提高图像中人眼关注区域的视觉质量，整张图片占据的空间更小，在物联网图像处理方面有很好的应用价值。

主权项

1.一种基于语义分析的深度学习图像压缩方法，其特征在于，包括如下步骤：/n步骤1，对输入的图像使用语义分析网络标识每个像素的语义重要程度；/n所述的语义分析网络中在卷积神经网络的最后一个卷积层使用全局平均池化层，将得到的特征图转换为特征向量，将特征向量的加权线性和输入至softmax层得到最终的分类；/n其中，设图像经过卷积神经网络得到g个特征图f_u，g为类别数量，对每个特征图进行全局平均池化，设权重是每个特征图f_u被分类为类别c的概率，将各特征图全局平均池化的结果与对应的类别c的权重相乘求和得到图像属于类别c的概率P_c；将概率P_c输入softmax层，得到分类得分R_c；选取得分最高的类别作为预测分类结果；/n通过对网络训练不断优化权重得到最终训练完备的权重后，对输入的图像进行分类，设预测的分类结果为c，将输入图像的各特征图f_u与相乘求和获得图像H_c，将H_c上采样至原图像的大小，得到输入图像的语义重要性图，语义重要性图为取值为0到255的灰度图，像素的灰度值表示像素属于类别c的概率；/n步骤2，将输入图像进行分块，对每个图像块依据其语义重要程度计算对应的压缩比例；/n设图像被分为N块，图像的平均压缩等级为则所有图像块的压缩等级之和为对每个图像块，根据块内像素点的灰度值之和得到图像块的语义重要性值，则图像块i的语义重要程度L_i的计算方法是：图像块i的语义重要性值/图像的所有图像块的语义重要性值之和；i＝1,2,…,N；得到图像块i的压缩等级表示向下取整；/n步骤3，使用基于卷积神经网络CNN和循环神经网络LSTM进行图像压缩。/n