[发明专利]一种基于元学习的云图像集编码方法

说明书

本发明公开了一种基于元学习的云图像集编码方法，包括：将云存储的图像划分为多个类别；将每一类别下的图像聚类为多个云图像集；针对每一类别，利用该类别下的部分云图像集生成第一隐变量集合；利用第一隐变量集合学习部分云图像集的基本参数和微调参数；为该类别下的任一新云图像集生成第二隐变量集合；将第一隐变量集合学习到的基本参数和微调参数迁移给新云图像集，并基于第二隐变量集合为新云图像集仅学习相应的微调参数，得到新云图像集的基本参数和最终学习到的微调参数，完成新云图像集的编码。本发明无需重新生成全新编码参数，只在现有云图像集学习到的基本参数和微调参数基础上为同一类新云图像集学习微调参数，因此计算复杂度较低。

技术领域

本发明属于云计算和大数据领域，具体涉及一种基于元学习的云图像集编码方法。

背景技术

二十一世纪以来，随着互联网、大数据和云计算等相关产业的飞速发展，数字图像、视频和语音等多媒体数据也呈现出爆炸式的增长。据全球最大社交网络服务公司Facebook报告，其存储的照片已经接近三千多亿张，并正以每天三亿多张的速度剧增。由于图像、视频需要较多的空间进行存储，因而规模巨大的多媒体大数据为云存储等方面带来了极大的压力。为此，学术界和工业界一直在研究新的数字图像压缩技术。

由于云服务器中存储的大量图像中包含很多相同场景下拍摄的照片，这些照片具有很大的相似性。不过，若使用传统的JPEG、JPEG-2000、H.264帧内编码、HEVC帧内编码技术以及H.266帧内编码方法对它们进行压缩，会存在存储空间大、编码效率不够高的问题。那么，很有必要利用图像之间的相似性，使用视觉内容分析技术进行分析，建立对应的视觉模型或视觉联系，这样会有助于消除相似图像间的视觉冗余，提升编码性能。通常使用最小树形图技术将很多相似图像放在一个树形图中，然后对这个树形图的每个分支采用视频编码方法，生成相应的云图像集。目前，有以下几种云图像集编码方法。

第一种是基于物体库的云图像构建方法。例如，吴炜等人提出的基于物体库的云图像编码方法，该方法在获取编码文件时，通过云图像中的编码信息和物体库中的物体图像获取候选参考编码图像，并将候选参考编码图像作为编码参考图像对其进行HEVC帧内编码，考虑了图像中的物体信息，减少了编码文件中包含的物体冗余信息。

第二种是基于三维点云的编码方法。例如，Shao T、Liu D、Li H等人于2015年9月在ICIP国际会议上发表的论文“Inter-picture prediction based on 3D point cloudmodel”中提出的基于三维点云的云图像预测方法。该方法要求从云端采集某一特定兴趣点(如地标建筑)的图像，生成该建筑对应的三维点云模型。在三维点云模型的基础上，采用光照补偿和帧间预测技术对标志性建筑的相似图像进行压缩。

第三种是基于多参考图像选择的编码方法。例如，沙丽娜于2021年6月发表的博士学位论文“图像集压缩与图像删除技术研究”中提出的基于多参考图像选择的云图像集编码方法，该方法将所在层数比当前图像的层数更小的所有图像组成的集合，作为当前图像的候选参考图像集；然后使用每个候选参考图像，对当前图像进行预测编码，计算出相应的率失真代价，并根据所有的率失真代价确定当前图像的多个参考图像；最后使用类视频压缩技术完成图像集编码。

第四种方法是用于具有单优先级的相似图像的编码方法。例如，沙丽娜于2021年6月发表的博士学位论文“图像集压缩与图像删除技术研究”中提出的单优先级相似图像的压缩编码方法。该方法为每个图像只分配一个优先级，采用深度和单优先级约束最小树形图生成技术，为相似图像组成的集合确定相应的树形图，然后根据获得的深度和单优先级约束最小树形图，通过类视频压缩技术完成云图像集编码。

然而，以上方法都是对每一个云图像集使用最小树形图技术，获得当前编码图像的参考图像，并使用类视频编码方法进行压缩，完成云图像集的编码。在这些方法中，对于一个新的云图像集，无法利用已编码云图像集的编码信息，而是必须使用各自的技术重新对该新的云图像集进行编码，从而导致计算复杂度较大。

发明内容