[发明专利]一种基于神经网络自动构建的影像数据压缩方法

权利要求书

1.一种基于神经网络自动构建的影像数据压缩方法，其特征在于，包括如下步骤：

步骤1、待压缩影像数据预处理：

将待压缩影像数据进行归一化处理，并对处理后的影像数据进行聚类分组；

步骤2、初始化神经网络种群：

对神经网络种群进行参数配置，根据配置的参数和步骤1获得的数据集随机初始化神经网络种群；

步骤3、神经网络种群的迭代训练与更新：

使用步骤1获得的数据集对神经网络种群通过迭代训练的方式进行压缩和解压，并根据解压结果与原始影像的误差对种群中神经网络的参数进行更新；

步骤4、神经网络种群演化：

依据种群中神经网络的训练结果，淘汰训练结果较差的神经网络，并随机从种群中挑选神经网络进行演化，当达到最大演化次数时进入步骤5，否则返回步骤3继续训练种群中的神经网络；

步骤5、导出数据完成压缩：

选取训练误差最小的神经网络，导出该神经网络的压缩模型对影像数据的编码，同时导出其解压模型的网络结构和参数，完成影像数据的压缩。

2.根据权利要求1所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：步骤1中对待压缩影像数据进行预处理的具体步骤如下：

步骤1.1、分析待压缩的影像数据集，根据影像的特征评估影像数据集需要划分的组数；

步骤1.2、将待压缩的影像数据集中的影像归一化处理；

步骤1.3、使用K-Means算法对影像数据集进行聚类分组，使得同一组内的影像数据相似。

3.根据权利要求2所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：使用K-Means算法对影像数据集进行聚类分组过程如下：

S1、从待压缩的影像数据集中随机选取3张影像作为聚类中心；

S2、计算待压缩的影像数据集中影像与聚类中心的距离，将影像的分组标记为距离较近的聚类中心；

S3、根据分组结果，更新聚类中心，返回步骤S2循环，直到聚类中心不再变化；

S4、根据聚类结果，将数据集中的影像分组为D₁,D₂,D₃。

4.根据权利要求1所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：步骤2中配置的参数包括神经网络种群中初始神经网络数量、神经网络种群中神经网络最大数量、种群演化最大次数、交叉演化的概率、变异演化的概率、每个批次输入神经网络的影像数量、神经网络参数的学习率。

5.根据权利要求1所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：步骤3中神经网络种群的迭代训练与更新的具体过程为：

步骤3.1、将步骤1聚类分组获得的影像数据集输入神经网络的压缩模型对影像数据进行下采样，然后生成影像数据的编码；

步骤3.2、将编码输入神经网络的解压模型对编码进行解码，输出重建后的影像数据；

步骤3.3、计算解压模型重建的影像数据与原始影像数据之间的误差；

步骤3.4、利用得到的误差计算神经网络中参数的更新梯度，通过反向传播对解压模型和压缩模型中的参数进行更新。

6.根据权利要求5所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：步骤3.3中解压模型重建的影像数据与原始影像数据之间的误差计算方式为：

L是L1与MSSSIM的混合损失函数，其中，α为平衡因子，L_MSSSIM为感知误差，L_l1为平均绝对误差，为MSSSIM中的高斯核。

7.根据权利要求1所述的基于神经网络自动构建的影像数据压缩方法，其特征在于：步骤4中神经网络种群演化的过程如下：

步骤4.1、根据步骤3种群中神经网络的训练结果，对神经网络种群中的神经网络进行排序；

步骤4.2、根据排序结果淘汰种群中误差较大的神经网络，被淘汰的神经网络不再参与后期的训练和演化；

步骤4.3、从种群中随机挑选未被淘汰的神经网络，对被挑选的神经网络进行演化以产生新的神经网络加入种群。