[发明专利]基于过拟合卷积自编码网络的图像压缩编码方法

权利要求书

1.一种基于过拟合卷积自编码网络的图像压缩编码方法，其特征在于，包括：

S1，构建卷积自编码网络

S11，搭建编码子网络，其结构依次为：第一卷积层→ReLU激活层→第二卷积层→第三卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层；

S12，搭建解码子网络，其结构依次为：第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第四卷积层→ReLU激活层→第一转置卷积层→ReLU激活层→第二转置卷积层→ReLU激活层→第三转置卷积层→Sigmoid激活层；

S13，设置卷积自编码网络的各层参数，将第一、第二、第三和第四卷积层的卷积核均设置为3，输入通道数分别为1、8、32、32，输出通道数分别为8、16、32、32，步长均为1；将第一、第二和第三转置卷积层的卷积核分别设置为4、4、3，输入通道数分别为32、16、8，输出通道数分别为16、8、1，步长分别为2、2、1；

S2，生成训练数据集

选取要压缩的n幅高清自然图像，对图像进行预处理，将所选的每幅图像进行前景和背景区域划分后转换成YUV420p数据格式图像，n≥500；

将每幅图像输入到编码器中进行编码，得到编码后的图像编码码流；将编码后的图像编码码流输入到解码器中进行解码，得到多幅解码后的重建图像；

将所有YUV420p数据格式图像与解码后的重建图像构成一个训练数据集；

S3，训练卷积自编码网络

初始化卷积自编码网络，将训练数据集输入到卷积自编码网络中，在网络中遍历训练集，采用随机梯度下降法，对卷积自编码网络的参数进行迭代更新，直至图像损失loss值的均值收敛后终止迭代，得到训练好的卷积自编码网络；

步骤S3中迭代更新卷积神经网络参数的方法如下：

第一步，将卷积神经网络的参数均初始化为高斯随机数，所述高斯随机数的均值为0，方差为1；

第二步，按照下式，计算所有图像损失loss值的均值：

其中，表示所有图像损失值的均值，表示卷积自编码网络生成的所有图像，y表示所有上述图像对应的训练集中的标签图像，∑表示求和操作，θ表示卷积神经网络中需要被迭代更新的参数，N表示批处理的大小，为Charbonnier惩罚函数，表示卷积自编码网络生成的第i幅图像，y⁽ⁱ⁾表示与上述图像对应的训练集中的标签图像；

第三步，按照下式，更新卷积自编码网络中的每一个参数值，直至图像损失loss值的均值收敛：

其中，θ′_x表示卷积自编码网络中第x个参数更新后的值，θ_x表示卷积自编码网络中第x个参数更新前的值，表示求导操作；

S4，利用卷积自编码网络对高清自然图像进行编解码

提取一幅未被选择过的高清自然图像输入到训练好的卷积自编码网络中，得到编解码后的图像。

2.根据权利要求1所述的基于过拟合卷积自编码网络的图像压缩编码方法，其特征在于，所选取的n幅高清自然图像中，每幅图像的长不小于1280像素，宽不小于720像素，且长和宽均为8的倍数。

3.根据权利要求1所述的基于过拟合卷积自编码网络的图像压缩编码方法，其特征在于，对图像进行前景和背景区域划分的方法为：

将第一图像下采样，得到第二图像，并预先设定需要划分的图像类别，基于所述的第二图像，确定第二图像的每一个宏块的图像类别，根据确定后的每一个宏块的图像类别情况，做区域联通处理，获取最终的图像区域划分。

4.根据权利要求3所述的基于过拟合卷积自编码网络的图像压缩编码方法，其特征在于，所述的图像类别包括人脸、运动宏块、字幕和平坦宏块、极度可压缩宏块。