一种基于机器学习的定码率图像压缩方法技术

本发明专利技术涉及一种基于机器学习的定码率图像压缩方法，包括：构造包括多个训练图像和与训练图像对应的压缩参数类别的训练集；提取训练集中各个训练图像的灰度共生矩阵特征，训练支持向量机以获取M个分类器；训练后训练集中每个压缩参数类别分别对应一个M位编码；提取待压缩图像的灰度共生矩阵特征进行支持向量机分类得到待压缩图像的编码，根据待压缩图像的编码与压缩参数类别的编码的比对结果确定出待压缩图像的压缩参数类别进行图像压缩。本发明专利技术能够保证图像压缩算法压缩结果的压缩率，兼顾图像传输效率与压缩后图像的质量，最大程度地减少图像质量的损失。度地减少图像质量的损失。度地减少图像质量的损失。

【技术实现步骤摘要】
一种基于机器学习的定码率图像压缩方法


[0001]本专利技术属于图像处理
，具体涉及一种基于机器学习的定码率图像压缩方法。

技术介绍

[0002]目前，随着成像系统的发展，基于光电、射频等多种体制成像探测器采集的图像数据越来越丰富，成像通过数据链可回传至地面站点，使用人员可以根据不同的实时图像制定不同的方案，对于目标的精确检测识别具有重要意义。然而由于成像数据量大，不能直接将成像数据直接传输到地面，需要经过图像压缩的过程后再通过信道传输。然而，传统在进行图像传输时，图像压缩率越大、图像质量损失越严重，难以兼顾图像质量损失与图像压缩率、充分利用信道带宽。

技术实现思路

[0003]鉴于上述的分析，本专利技术旨在公开了一种基于机器学习的定码率图像压缩方法，解决现有技术中图像传输难以兼顾图像质量损失与图像压缩率的技术问题。
[0004]本专利技术公开了一种基于机器学习的定码率图像压缩方法，包括：
[0005]构造训练集步骤：在构造的训练集中，包括多个训练图像和与训练图像对应的压缩参数类别；所述压缩参数类别满足在对对应的训练图像压缩仿真时，压缩倍数满足定码率要求；
[0006]机器学习步骤：提取训练集中各个训练图像的灰度共生矩阵特征，训练支持向量机以获取M个分类器；训练后，训练集中每个压缩参数类别分别对应一个M位编码；
[0007]图像压缩步骤：提取待压缩图像的灰度共生矩阵特征进行支持向量机分类得到待压缩图像的编码，根据待压缩图像的编码与压缩参数类别的编码的比对结果确定出待压缩图像的压缩参数类别，进行图像压缩。
[0008]进一步地，所述机器学习步骤包括：
[0009]1)提取训练集中各个训练图像的灰度共生矩阵特征；
[0010]2)基于多分类任务将训练集中的N个类别的训练图像进行M次划分以获得M个训练图像子集；
[0011]3)针对任一训练图像子集，将训练图像子集中的各个训练图像的灰度共生矩阵特征输入支持向量机中进行训练学习获取M个分类器。
[0012]进一步地，对训练集中每个图像的灰度共生矩阵特征提取过程包括，
[0013]分别从图像不同角度的多个方向，统计多个距离的灰度共生矩阵获取图像的灰度共生矩阵集；
[0014]针对灰度共生矩阵集中的任一灰度共生矩阵分别提取多个特征；
[0015]将提取的所有特征进行张量拼接获取所述图像的灰度共生矩阵特征。
[0016]进一步地，所述灰度共生矩阵特征提取过程中，分别从0度、45度、90度和135度四
个方向，每个方向分别统计10个距离的灰度共生矩阵获取图像的灰度共生矩阵集。
[0017]进一步地，每个灰度共生矩阵分别提取对比度、相关性、能量和同质性四个特征。
[0018]进一步地，使用纠错输出码实现多分类任务，训练过程为编码过程；在训练集的基础上，提取训练集中各个训练图像的灰度共生矩阵特征；利用纠错输出码对训练集中的N个类别的训练图像进行M次划分获得M个训练图像子集。
[0019]进一步地，图像压缩过程包括：
[0020]提取待压缩图像的灰度共生矩阵特征；
[0021]将所述灰度共生矩阵特征进行支持向量机分类得到待压缩图像的编码；
[0022]计算待压缩图像的编码与任一压缩参数类别的编码之间的欧式距离，选择欧式距离最小的压缩参数类别作为待压缩图像的类别；
[0023]对压缩参数优化后，进行图像压缩。
[0024]进一步地，待压缩图像的灰度共生矩阵特征的提取包括：
[0025]分别从0度、45度、90度、135度四个方向，每个方向分别统计10个距离的灰度共生矩阵以获取待压缩图像的灰度共生矩阵集；针对待压缩图像的灰度共生矩阵集中的任一灰度共生矩阵分别提取对比度、相关性、能量性和同质性四个特征，将灰度共生矩阵集的所有特征进行张量拼接以获取待压缩图像的灰度共生矩阵特征。
[0026]进一步地，所述压缩参数优化为：将选择的欧式距离最小的压缩参数类别中的压缩参数减1后作为优化后的压缩参数进行图像压缩。
[0027]进一步地，所述压缩格式为JPEG。
[0028]本专利技术至少可实现以下有益效果之一：
[0029]本专利技术能够保证图像压缩算法压缩结果的压缩率，兼顾图像传输效率与压缩后图像的质量，能够最大程度地减少图像质量的损失，满足应用中的功耗、体积、传输带宽、处理资源等条件限制。
附图说明
[0030]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0031]图1为本专利技术实施例中的基于机器学习的定码率图像压缩方法流程图。
[0032]图2为本专利技术实施例中的机器学习过程的流程图；
[0033]图3为本专利技术实施例中的图像压缩过程的流程图。
具体实施方式
[0034]下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理。
[0035]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下
所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0038]本专利技术的一个实施例公开了一种基于机器学习的定码率图像压缩方法，如图1所示，包括：
[0039]步骤S1、构造训练集步骤：在构造的训练集中，包括多个训练图像和与训练图像对应的压缩参数类别；所述压缩参数类别满足在对对应的训练图像压缩仿真时，压缩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的定码率图像压缩方法，其特征在于，包括：构造训练集步骤：在构造的训练集中，包括多个训练图像和与训练图像对应的压缩参数类别；所述压缩参数类别满足在对对应的训练图像压缩仿真时能够得到满足定码率要求的压缩倍数；机器学习步骤：提取训练集中各个训练图像的灰度共生矩阵特征，训练支持向量机以获取M个分类器；训练后，训练集中每个压缩参数类别分别对应一个M位编码；图像压缩步骤：提取待压缩图像的灰度共生矩阵特征进行支持向量机分类得到待压缩图像的编码，根据待压缩图像的编码与压缩参数类别的编码的比对结果确定出待压缩图像的压缩参数类别，进行图像压缩。2.根据权利要求1所述的定码率图像压缩方法，其特征在于，所述机器学习步骤包括：1)提取训练集中各个训练图像的灰度共生矩阵特征；2)基于多分类任务将训练集中的N个类别的训练图像进行M次划分以获得M个训练图像子集；3)针对任一训练图像子集，将训练图像子集中的各个训练图像的灰度共生矩阵特征输入支持向量机中进行训练学习获取M个分类器。3.根据权利要求2所述的定码率图像压缩方法，其特征在于，对训练集中每个图像的灰度共生矩阵特征提取过程包括，分别从图像不同角度的多个方向，统计多个距离的灰度共生矩阵获取图像的灰度共生矩阵集；针对灰度共生矩阵集中的任一灰度共生矩阵分别提取多个特征；将提取的所有特征进行张量拼接获取所述图像的灰度共生矩阵特征。4.根据权利要求3所述的定码率图像压缩方法，其特征在于，所述灰度共生矩阵特征提取过程中，分别从0度、45度、90度和135度四个方向，每个方向分别统计10个距离的灰度共生矩阵获取图像的灰度共生矩阵...

【专利技术属性】
技术研发人员：徐大鹏，臧志鹏，
申请(专利权)人：北京华航无线电测量研究所，
类型：发明
国别省市：