[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

说明书

本发明公开了一种基于神经网络自动构建的影像数据压缩方法，包括步骤：待压缩影像数据预处理；初始化神经网络种群；神经网络种群的迭代训练与更新；神经网络种群演化；导出数据完成压缩。其显著效果是：通过神经网络对影像数据进行编码和重建，将影像数据压缩存储至神经网络的参数中，大幅减少了数据占用的存储空间；具有更强的通用性和易用性，能够用于压缩各种类型、不同规模、不同复杂度的影像数据集。

技术领域

本发明涉及到影像数据处理技术领域，具体涉及一种基于神经网络自动构建的影像数据压缩方法。

背景技术

随着科学技术的发展，智能终端、监控摄像头、遥感卫星等传感器的数量快速增加，使得影像数据的规模也呈爆炸式增长，同时这些传感器的分辨率越来越高，拍摄的影像数据占用的空间也越来越大，使得存储和传输这些影像数据都需要付出较高的代价，降低这些影像数据存储空间的压缩方法具有很高的经济价值和实用价值。

传统的影像数据压缩方法主要分为无损压缩方法和有损压缩方法，无损影像数据压缩方法通过消除数据中的冗余信息，利用编码替代数据中重复出现的长编码，达到降低数据存储空间的目的。解压缩的过程是利用压缩文件中保存的长编码对应关系，将编码还原为长编码，从而恢复原始的数据。当影像内容简单时，无损数据压缩方法具有较好的压缩效果，但当影像数据内容变复杂时，无损数据压缩方法的压缩效果则会明显降低。

有损影像数据压缩方法是利用人眼自动使用相近颜色填补丢失颜色的机制，通过算法删除影像中人眼不敏感的颜色变化，以减少数据的存储空间，压缩后的影像数据无法还原。有损影像数据压缩方法能够压缩复杂的影像数据，但需要大幅压缩影像数据存储空间时，压缩后影像数据的信息损失严重。

综上，传统的影像数据压缩方法压缩和解压速度较快，且具有较强的通用性，能够被应用于处理不同类型的影像数据，但在处理大规模复杂影像数据，且需要保证影像质量时，传统的影像数据压缩方法则会出现数据压缩率低的问题。

此外，随着近年影像处理和深度学习技术的发展，有研究人员基于编码解码的思想设计神经网络用于压缩影像数据。基于深度学习的影像数据压缩方法能够大幅提高影像数据的压缩比，这类方法存在如下缺陷：一是通常针对某一类影像、某一个影像数据集甚至某一张影像设计特定的网络结构，而设计神经网络是一件专业性较强的工作；二是已有的神经网络都是针对一批数据手动设计的神经网络，当数据规模不断变化时，设计人员难以根据数据集的情况设计出大小合适的神经网络，而且设计的神经网络都需要花很长的时间来进行测试调整，这使得人工设计的深度神经网络不具有通用性，难以被应用到压缩不同类型、不同规模、不同复杂度的影像数据集。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于神经网络自动构建的影像数据压缩方法，该方法基于神经网络自动构建技术为不同的数据集自动演化生成不同的神经网络，通过神经网络对影像数据进行压缩和解压，兼具高压缩比和高通用性的优点。

为达到上述目的，本发明采用的技术方案如下：

一种基于神经网络自动构建的影像数据压缩方法，其关键在于，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：