面向深度学习归类器的图像集压缩技术研究

发布时间：2024-01-16 18:00

　　随着5G技术的成熟应用,移动互联网迎来了飞速发展阶段,网络应用和移动终端的相关产品更是层出不穷。大量数据的产生,使得计算机等终端设备需要耗费更多的容量来存储这些数据。在日常生活中,图像是人们最常接触到的网络数据,常常需要巨大的存储容量对其进行处理。因此,对图像大数据进行压缩处理具有迫切的应用需求。网络中最常用图像格式是JPEG,其质量和存储容量受诸多因素影响,本文选取两个较常用的参数,质量因子Q和图像尺度S,通过控制这两个参数,从而对图像进行压缩。本文研究了双参数压缩对图像存储容量的影响,基于结构相似(SSIM)的图像质量测度,本文总结了图像质量保持的压缩方法,在保证图像质量符合实际需求的情况下,对图像进行最大化的压缩。近些年来,深度学习在图像识别与归类领域得到了广泛的研究。因而,本文研究了面向图像归类的双参数压缩方法,对JPEG图像集的不同质量因子Q和图像尺度S,在卷积神经网络(CNN)归类器下得到的归类精度进行了研究,总结了归类精度保持的图像集压缩方法,将图像集的图像尺度S下采样为原来的5/8,质量因子Q降为原来的35%,实验结果表明,所提方法能够获得基于归类精度的最佳压缩。进一步...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题的背景与研究意义
    1.2 国内外研究现状
    1.3 研究的主要内容
    1.4 论文章节安排
第二章 关键技术介绍
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
        2.1.4 损失层
    2.2 图像压缩
    2.3 图像质量度量
    2.4 本章小结
第三章 双参数预测JPEG图像存储容量
    3.1 图像压缩的背景
    3.2 质量保持的图像压缩
        3.2.1 预测压缩后图像存储容量
        3.2.2 压缩后图像存储容量预测结果
    3.3 质量感知的图像压缩系统
        3.3.1 预测压缩图像的质量
        3.3.2 实验分析
    3.4 本章小结
第四章 面向图像归类的图像集双参数压缩方法
    4.1 质量因子对归类精度影响
        4.1.1 实验设置与图像数据集
        4.1.2 实验流程
        4.1.3 实验结果
        4.1.4 数据分析
    4.2 图像尺度对归类精度的影响
        4.2.1图像尺度对归类精度影响的实验
        4.2.2 图像尺度对归类性能影响实验结果及分析
    4.3 质量因子和图像尺度的联合影响
        4.3.1 测试方法
        4.3.2 结果分析
        4.3.3 实验结果
    4.4 本章小结
第五章 归类精度保持的在线图像集压缩方法
    5.1 在线图像集压缩的背景
    5.2 在线图像集归类精度保持的压缩方法思路
        5.2.1 在线图像集的相似性
        5.2.2 在线图像集的选取
        5.2.3 在线图像集的准备
        5.2.4 在线图像集的归类方法
        5.2.5 在线图像集的自适应压缩实验流程
        5.2.6 实验具体操作
    5.3 实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间取得的科研成果



本文编号：3878909