[发明专利]基于CNN与GEP的分形图像压缩编码方法

说明书

本发明公开了一种基于CNN与GEP的分形图像压缩编码方法，包括：将待压缩图像分别分割成互不交叠的多个值域子块和交叠的多个定义域子块，多个值域子块组成值域块池，多个定义域子块组成定义域块池；利用最优的卷积神经网络模型分别对值域块池和定义域块池进行分类，得到相应的值域块分类池和定义域块分类池；利用最优的基因表达式编程模型计算值域块分类池中每个值域子块集与定义域块分类池中同类别的定义域子块集间对应的变换参数，以实现分形图像压缩编码。本发明能大大提高压缩编码的速度，减少编码时间，并获得高压缩比，可达到实际使用需求。

技术领域

本发明涉及一种编码方法。更具体地说，本发明涉及一种基于CNN与GEP的分形图像压缩编码方法，属于分形图像压缩编码技术领域。

背景技术

目前，图像压缩标准主要采用的是离散余弦变换(DCT)、小波变换(DWT)等技术，技术成熟，但压缩比不高。而分形图像压缩技术是一种与传统压缩技术完全不同的编码方法，它主要通过分形的自相似性和迭代函数系统IFS来实现。Barnsley首次将IFS(IteratedFunction System)理论应用到图像压缩编码，获得了极高的压缩比，但编码过程需要人工参与。Jacquin提出了基于分块迭代函数系统(PIFS)方案，编码过程能自动进行，但是其算法运算量巨大，造成编码时间过长，从而局限了它的实用性。

为了提高分形图像的编码质量，减少搜索的时间和范围，人们应用变换技术、进化算法等技术与分形图像编码进行结合，提出了许多改进的分形图像压缩算法，如：把离散变换、小波变换等方法与分形图像进行混合编码，或将遗传算法、蚁群算法、基因表达式编程等优化方法与分形图像结合，利用优化算法的寻优精度进行自动分类，实现类内的匹配搜索，提高编码速度，减少方块效应。这种分形混合编码在一定程度上提高编码的速度和求解的精度，解码所产生的方块效应得到一定的改进。但是，巨大的计算量仍然制约着编码的速度与时间。为此，人们在多种并行平台上，提出了分形图像压缩的并行算法，大大提高了压缩的编码速度，减少了编码的时间，但是仍然达不到人们的实际需求。

Lecun等人提出的卷积神经网络(Convolutional Neural Networks，简称CNN)是第一个真正多层结构学习的算法，它利用空间相对关系减少参数数目以提高BP训练性能。神经网络包含若干个卷积层、多个最大池化层和全连接层，每个卷积层都有一个激活ReLU函数，池化层采用最大池化。通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过神经网络完成分类等任务。

基因表达式编程(Gene Expression programming，简称GEP)是葡萄牙学者Candida提出的一种新型的进化计算算法，是遗传算法家族的新成员。它具有极强的函数发现能力和很高的效率，并且在函数发现时不需要任何先验知识，无需预存函数模型的类型，避免了传统算法建模时事先选定函数类型的盲目性。GEP在解决复杂问题的时候，比传统的遗传编程方法效率高出2～4个数量级。

随着GPU(Graphic Processing Unit，图形处理器)统一架构CUDA等编程模型的出现，CPU/GPU系统已被广泛应用于图形图像处理，并取得了良好的效果。我们结合分形图像压缩编码，构建基于CPU/GPU的新型并行计算模型和并行编程模式。

综上所述，随着深度学习人工智能技术和基因表达式编程最优化方法的提出，给建立分形图像压缩编码方法提供了良好的理论与技术基础。因此，如果能将深度卷积神经网络和基因表达式编程两种优化方法有机结合，并在CPU/GPU平台上，利用CPU/GPU的新型并行计算模型和并行编程模式，构建一种基于卷积神经网络和基因表达式编程的分形图像压缩编码方法，那么将能大大提高压缩编码的速度，减少编码时间，达到实际需求。

发明内容

本发明的一个目的是提供一种分形图像压缩编码方法，其能大大提高压缩编码的速度，减少编码时间，并获得高压缩比，可达到实际需求。