CN108805944B - 一种归类精度保持的在线图像集压缩方法 - Google Patents
一种归类精度保持的在线图像集压缩方法 Download PDFInfo
- Publication number
- CN108805944B CN108805944B CN201810533771.5A CN201810533771A CN108805944B CN 108805944 B CN108805944 B CN 108805944B CN 201810533771 A CN201810533771 A CN 201810533771A CN 108805944 B CN108805944 B CN 108805944B
- Authority
- CN
- China
- Prior art keywords
- image set
- classification
- compression method
- compression
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种归类精度保持的在线图像集压缩方法,包括:对图像集的两个压缩参数:质量因子Q和分辨率S进行适当的压缩。基于卷积神经网络分类器,将不同压缩参数下得到的图像集在该分类器下进行归类测试,对比与分析归类精度,得到精度保持的数据集压缩方法,利用归类精度保持下的最优压缩方法,为后续图像集归类精度保持双参数压缩方法选取提供参考。本发明能够快速准确地找到在线图像集归类精度保持下的最优压缩方法,大大减少在线图像集归类精度保持下的最优压缩所需的时间。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种归类精度保持的在线图像集压缩方法。
背景技术
图像分类作为一类重要的模式识别问题,需要根据图像的特征按照一定标准对图像集进行归类,在军事和民用领域受到越来越多的重视。近年来,“特征提取+分类器”模式的框架已经成为模式识别领域内的经典架构。卷积神经网络(Convolution NeuralNetwork,CNN)在图像分类领域内得到了广泛的应用,CNN框架首先对图像集的特征进行提取,对提取的数据集图像特征送入分类器进行归类,最后得到图像的分类结果。与传统的图像归类对比,CNN框架在上述特征提取的环节中,采用的是类似人脑的神经元组成的神经网络,通过学习就能够获得数据集图像的特征,不需要人工对特征提取进行设定,它的框架结构是将具备学习能力的简单模块进行多层堆叠,这些简单模块能够进行线性运算,具备良好的鲁棒性与泛化能力。相比于传统的分类器,CNN具有很强的归类鲁棒性能,这为精度保持的压缩图像提供了可能。
近年来,图像压缩参数对图像归类的影响也得到研究人员的关注。JPEG(JointPhotographic Expert Group)是ISO和CCITT联合制定的适用于连续色调、多级灰度、彩色/单色静止图像压缩的国际标准,有损压缩是JPEG压缩标准的主要应用领域。在网络化的大数据应用环境中,由于图像集存储空间的限制,对数据集进行压缩是很有必要的。但是,如何为任意的图像集选取合适的压缩策略,使得分类性能满足特定需要,目前仍然缺少相关的方法。作为目前应用最为广泛的压缩标准,JPEG的量化步长具有较大的质量可调范围,这为进一步进行精度保持的压缩图像提供了较大的可操作空间。不同的图像压缩参数生成了不同存储容量的压缩图像集,但是压缩参数对图像归类准确率的定量影响还不太清楚。
发明内容
本发明所要解决的技术问题是提供一种归类精度保持的在线图像集压缩方法,能够以最大限度地减少数据集存储空间,同时确保分类精度的保持。
本发明解决其技术问题所采用的技术方案是:提供一种归类精度保持的在线图像集压缩方法,包括以下步骤:
(1)初始化过程:将第一个图像集工作在训练模式,测试所有的压缩参数,以获取初始最优压缩方法,对应的压缩参数和归类精度;
(2)下一个图像集工作在测试模式,采用当前的最优压缩方法进行压缩,并判断后续图像集是否需要工作在训练模式,如果需要则进入步骤(3),否则重复本步骤直至所有的图像集压缩完成;
(3)图像集工作在训练模式,以当前的最优压缩方法对应的最优压缩参数为中心对质量因子Q和分辨率S分别取步长α和β进行JPEG压缩,获取图像集压缩后的所有降质版本,得到对应的压缩参数,然后分别通过CNN图像分类模型进行归类,获取压缩后图像集的所有归类精度和存储容量,选取图像集归类精度保持的最优压缩方法及最优压缩方法对应的压缩参数,将图像集归类精度保持的最优压缩方法作为更新后的最优压缩方法;
(4)重复步骤(2)-步骤(3),直到最后一个在线图像集压缩完成。
所述步骤(2)中判断后续图像集是否需要工作在训练模式具体为:若当前图像集的归类精度大于或等于当前最优归类精度的100×(1-γ)%时,则符合归类精度保持的要求,则当前图像集压缩方法仍然采用当前最优压缩方法进行压缩,后续图像集继续工作在测试模式;若当前图像集的归类精度小于当前最优归类精度的100×(1-γ)%时,则不符合归类精度保持的要求,则当前图像集的压缩方法仍然采用当前最优压缩方法进行压缩,后续图像集工作在训练模式,其中,γ∈(0,1)。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
本发明在图像集归类精度保持的前提下,寻求对当前图像集最大化地压缩,以降低存储容量的需求,并快速找到后续图像集的最优压缩方法。本发明采用基于卷积神经网络(CNN)的图像分类器,相比于传统的分类器,CNN具有很强的归类鲁棒性能,这为精度保持的图像压缩提供了可能。本发明设计了一种JPEG压缩的双测量参数控制方法,以质量因子Q和分辨率S作为压缩参数,相比其他压缩方法,JPEG的量化步长具有较大的质量变化范围,这为进一步进行精度保持的压缩图像提供了较大的可操作空间。所提方法实现了归类精度保持下的在线图像集双参数压缩的最优方法。结果表明,所提方法能够为在线图像集快速找到归类精度保持下的最优压缩方法,大大减少在线图像压缩所需的时间,是在线图像集归类精度保持下的一种有效压缩方式。
附图说明
图1是本发明的流程图;
图2是对于第一个图像集进行初始化的流程图;
图3是任意图像集在训练模式下的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种归类精度保持的在线图像集压缩方法,包括以下步骤:
步骤一、初始化过程。第一个图像集需要工作在训练模式,测试所有的压缩参数,以获取最优压缩方法F* 1,对应的压缩参数为{Q*(I1),S*(I1)},归类精度为A* 1。
步骤二、图像集In、In+1、In+2表示第n个图像集、第n+1个图像集、第n+2个图像集(n≥1)。对于第n个图像集In,An表示In压缩后某一降质版本图像集的归类精度,A* n表示其最优的归类精度,Fn *表示最优压缩方法。图像集In+1可以工作在训练模式或测试模式,分别执行下列过程:
步骤三(a)、若图像集In+1工作在测试模式,采用当前的最优压缩方法进行压缩,并确定后续图像集是否需要工作在训练模式。若归类精度An+1≥A* n×(1-γ)%,符合归类精度保持的要求,则在线图像集In+1压缩方法仍然采用当前的最优压缩方法Fn *,后续图像集工作在测试模式;若归类精度An+1<A* n×(1-γ)%,不符合归类精度保持的要求,则图像集In+1压缩方法仍采用Fn *,但下一个图像集In+2需进入训练模式,进入训练模式时,以当前的最优压缩方法Fn *对应的最优压缩参数{Q*(In),S*(In)}为中心对质量因子Q、分辨率S分别取步长α、β进行JPEG压缩,通过基于CNN构建的图像分类器,选取图像集In+2归类精度保持下的最优压缩方法F* n+2,对应的压缩参数为{Q*(In+2),S*(In+2)},将当前最优压缩方法更新为F* n+2。其中,γ∈(0,1)。
步骤三(b)、若图像集In+1工作在训练模式,以当前的最优压缩方法Fn *对应的最优压缩参数{Q*(In),S*(In)}为中心对质量因子Q、分辨率S分别取步长α、β进行JPEG压缩,获取图像集压缩后的所有降质版本,对应的压缩参数记为{Q(In+1),S(In+1)},然后分别通过CNN图像分类模型进行归类,获取压缩后图像集In+1的所有归类精度An+1(Q,S)和存储容量Rn+1(Q,S),选取图像集In+1归类精度保持的最优压缩方法F* n+1,对应的压缩参数为{Q*(In+1),S*(In+1)},并将最优压缩方法更新为F* n+1。
步骤四、重复上述步骤,即可对任意在线图像集In+x快速选取归类精度保持下的最优压缩方法F* n+x,直到最后一个在线图像集。
本发明通过联合设计当前图像集的压缩与分类过程,定量获取图像质量因子和分辨率参数对图像分类准确率的影响,以预测后续图像集归类精度保持的压缩方法。所提方法通过为多个图像集选取优化的质量因子和分辨率参数,能够较好地实现归类精度保持的图像集优化压缩方法。
下面通过一个具体的实施例来进一步说明本发明。
本实施例选择流行的CNN图像分类算法和常用的JPEG图像压缩工具,图像集在进行JPEG压缩时具有两个重要的参数:质量因子Q和分辨率S。若对同一图像集中图像进行压缩,选择较大的Q和较高的S会导致图像归类精度更加容易保持,但是图像压缩比不大。本实施例的方法通过对目标图像集In中图像执行双参数(Q,S)压缩,统计不同参数对于图像集的尺寸和归类精度的影响,选取归类精度保持下的最优压缩方法F* n。本实施例的方法利用图像集In归类精度保持下的最优压缩方法F* n,为后续在线图像集In+1快速选取归类精度保持下的最优压缩方法。在线图像集In+1执行当前归类精度保持下的最优压缩方法F* n,若得到的归类精度符合要求,则当前归类精度保持下的最优压缩参数仍采用F* n,供后续在线图像集使用;若得到的精度不符合预期要求,则下一个图像集In+2进入训练模式,通过CNN分类器选取归类精度保持下的最优压缩方法F* n+2,同时当前归类精度保持下的最优压缩参数更新为{Q*(In+2),S*(In+2)}。
本实施例执行归类精度保持的在线图像集压缩方法,对多组数据集进行处理,其中各个图像集分别含有1000幅图像,图像集均分为10类。图1是归类精度保持下的在线图像集最优压缩方法流程图。为使本实施例更明显易懂,选取前三个图像集I1、I2、I3进行阐述。首先对第一个图像集I1进行初始化操作,初始化过程如图2所示。经初始化操作可得到当前归类精度保持下最优压缩方法为F* 1,对应的压缩参数为{Q*(I1),S*(I1)}归类进度为A* 1。图像集I2进入测试模式,采用当前最优压缩方法F* 1进行压缩,经过CNN分类器进行归类,归类精度记为A2。若归类精度A2符合归类精度保持的要求,即A2≥A* 1×95%,后续图像集依然进入测试模式,当前最优压缩方法仍保持为F* 1。若归类精度A2不符合归类精度保持的要求,即A2<A* 1×95%,后续图像集进入图3所示的训练模式。图像集I3进入训练模式后,得到归类精度保持下的最优压缩方法F* 3,对应的压缩参数为{Q*(I3),S*(I3)},同时当前归类精度保持下的最优压缩方法更新为F* 3。重复执行上述过程,即可对上述多组图像集完成归类精度保持的最优压缩。
不难发现,本发明对图像集的两个压缩参数:质量因子Q和分辨率S进行适当的压缩。基于卷积神经网络分类器,将不同压缩参数下得到的图像集在该分类器下进行归类测试,对比与分析归类精度,得到精度保持的数据集压缩方法,利用归类精度保持下的最优压缩方法,为后续图像集归类精度保持双参数压缩方法选取提供参考。
Claims (1)
1.一种归类精度保持的在线图像集压缩方法,其特征在于,包括以下步骤:
(1)初始化过程:将第一个图像集工作在训练模式,测试所有的压缩参数,以获取初始最优压缩方法,对应的压缩参数和归类精度;
(2)下一个图像集工作在测试模式,采用当前的最优压缩方法进行压缩,并判断后续图像集是否需要工作在训练模式,如果需要则进入步骤(3),否则重复本步骤直至所有的图像集压缩完成;其中,所述判断后续图像集是否需要工作在训练模式具体为:若当前图像集的归类精度大于或等于当前最优归类精度的100×(1-γ)%时,则符合归类精度保持的要求,则当前图像集压缩方法仍然采用当前最优压缩方法进行压缩,后续图像集继续工作在测试模式;若当前图像集的归类精度小于当前最优归类精度的100×(1-γ)%时,则不符合归类精度保持的要求,则当前图像集的压缩方法仍然采用当前最优压缩方法进行压缩,后续图像集工作在训练模式,其中,γ∈(0,1);
(3)图像集工作在训练模式,以当前的最优压缩方法对应的最优压缩参数为中心对质量因子Q和分辨率S分别取步长α和β进行JPEG压缩,获取图像集压缩后的所有降质版本,得到对应的压缩参数,然后分别通过CNN图像分类模型进行归类,获取压缩后图像集的所有归类精度和存储容量,选取图像集归类精度保持的最优压缩方法及最优压缩方法对应的压缩参数,将图像集归类精度保持的最优压缩方法作为更新后的最优压缩方法;
(4)重复步骤(2)-步骤(3),直到最后一个在线图像集压缩完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533771.5A CN108805944B (zh) | 2018-05-29 | 2018-05-29 | 一种归类精度保持的在线图像集压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533771.5A CN108805944B (zh) | 2018-05-29 | 2018-05-29 | 一种归类精度保持的在线图像集压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805944A CN108805944A (zh) | 2018-11-13 |
CN108805944B true CN108805944B (zh) | 2022-05-06 |
Family
ID=64089199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533771.5A Active CN108805944B (zh) | 2018-05-29 | 2018-05-29 | 一种归类精度保持的在线图像集压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805944B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6404923B1 (en) * | 1996-03-29 | 2002-06-11 | Microsoft Corporation | Table-based low-level image classification and compression system |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及*** |
CN104331716A (zh) * | 2014-11-20 | 2015-02-04 | 武汉图歌信息技术有限责任公司 | 面向大规模训练数据的svm主动学习分类算法 |
CN107547898A (zh) * | 2017-09-05 | 2018-01-05 | 东华大学 | 一种能耗‑精度可控的传感器双参数分配*** |
CN107592537A (zh) * | 2017-10-20 | 2018-01-16 | 东华大学 | 一种面向航拍图像集的自适应压缩采样分配方法 |
-
2018
- 2018-05-29 CN CN201810533771.5A patent/CN108805944B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6404923B1 (en) * | 1996-03-29 | 2002-06-11 | Microsoft Corporation | Table-based low-level image classification and compression system |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及*** |
CN104331716A (zh) * | 2014-11-20 | 2015-02-04 | 武汉图歌信息技术有限责任公司 | 面向大规模训练数据的svm主动学习分类算法 |
CN107547898A (zh) * | 2017-09-05 | 2018-01-05 | 东华大学 | 一种能耗‑精度可控的传感器双参数分配*** |
CN107592537A (zh) * | 2017-10-20 | 2018-01-16 | 东华大学 | 一种面向航拍图像集的自适应压缩采样分配方法 |
Non-Patent Citations (3)
Title |
---|
Optical imageprocessing and pattern recognition algorithms for optimal;WALKER B 等;《Optical Pattern Recognition》;20131231;1-4 * |
基于CNN、SVM和迁移学习的轮胎花纹分类;刘颖等;《西安邮电大学学报》;20180510(第03期);42-48 * |
特征保持下的图像压缩编码;刘晓倩;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120215;I138-1918 * |
Also Published As
Publication number | Publication date |
---|---|
CN108805944A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840560B (zh) | 基于胶囊网络中融入聚类的图像分类方法 | |
CN111145116B (zh) | 一种基于生成对抗网络的海面雨天图像样本增广方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
JP2018101406A (ja) | ニューラルネットワークにトレーニングデータを提供するための画像解析アルゴリズムの使用 | |
CN110322445B (zh) | 基于最大化预测和标签间相关性损失函数的语义分割方法 | |
CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
CN114943345B (zh) | 基于主动学习和模型压缩的联邦学习全局模型训练方法 | |
CN112115967B (zh) | 一种基于数据保护的图像增量学习方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
Hou et al. | Saliency-guided deep framework for image quality assessment | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN109657707A (zh) | 一种基于观测矩阵变换维度的图像分类方法 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN111160481A (zh) | 基于深度学习的adas目标检测方法及*** | |
CN110096976A (zh) | 基于稀疏迁移网络的人体行为微多普勒分类方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN110728352A (zh) | 一种基于深度卷积神经网络的大规模图像分类方法 | |
CN109741313B (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN108805944B (zh) | 一种归类精度保持的在线图像集压缩方法 | |
CN117172301A (zh) | 一种适用于超分网络的分布灵活子集量化方法 | |
CN112200275B (zh) | 人工神经网络的量化方法及装置 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |