基于深度学习的视频图像压缩编码方法优化.docxVIP

基于深度学习的视频图像压缩编码方法优化 　　摘 要 随着互联网无线通信技术的不断发展，人们可以通过观看互联网视频、浏览图像信息等方式进行学习，但在这个过程当中，难免会遇到图像或视频所需的打开方式不被当前移动设备所支持的情况。本文对视频图像压缩编码原理进行了简单的介绍，并提出了一种新型的JND压缩编码模型，也通过实验证明了在所需压缩编码时间与解压成功率方面，该模型都比传统MDLVQ模型具备更高的实用可行性。　　关键词 深度学习；视频图像；压缩编码；方法优化　　中图分类号 TP3-05 文献标识码 A 文章编号 1674--0161-02　　科技手段的日益更新，使得我们可以轻轻松松做到足不出户就能知晓天下事，也正是在这样的社会背景之下，越来越多的人倾向于通过网络的方式获取信息来进行深度学习。但却经常因为“视频所需播放软件与移动设备安装格式不符”或“不具有该图像的浏览权限”等问题的发生，而无法获取相应的信息。根据我们已掌握的数据显示，接近三成的网络视频和图像都是因为压缩编码环节所使用的方式，与移动设备所使用的解压方式不符，才造成不具备浏览权限等问题的发生。为了从根本上开放网络学习空间，本文联系视频图像压缩编码原理提出了一种JND编码模型，并对其可行性进行了实验研究。　　1 基于深度学习的视频图像压缩　　所谓深度学习，就是通过对数据的分析，运用机器理论来进行表征学习的一种基于人工网络基础上的研究形式[1-2]。而视频图像压缩编码原理，简单来说就是将所占空间较大的原视频图像，通过特定的技术压缩成所占空间较小的视频图像模块，再对该模块进行加密编码，以防止在传播过程中被人恶意解压，通常情况下我国以国际电联的标准进行编码。　　2 建立深度学习的视频图像压缩编码JND模型　　为了更好的开放网络学习空间，帮助用户进行深度学习，减少不具备视频图像浏览权限等情况的发生，本文在视频图像压缩编码原理的基础上，建立了新型JND压缩编码模型，并对其中基本组成进行了如下分析。　　 Retinxe理论模型　　Retinxe理论又被称之为视频图像信号增强技术，它的主要目的就是为了更加凸显出局部像素的特征性。而随着Retinxe理论模型的应用，一些所占空间小、清晰程度低的视频图像，在被压缩编码之前已经通过主机对其局部像素的特征性进行了保留。该过程的主要计算遵循如下公式：　　其中W表示视频数据块所占的空间，S表示原视频图像所占空间，N代表局部像素清晰度，n期待视频图像?K大小，d表示实际视频图像块大小。　　 MSRCG算法　　MSRCG算法是在Retinxe理论模型的基础上，对视频图像进行照度分量估测，并对估测出的数值进行色彩恒常性和细节锐化度分析，将分析结果返回至主机中，然后多次重复上述过程，能够得到一个数据集，再由主机对数据集中所有数据进行分析，选择一个最优解作为该视频或图像的压缩编码原则。　　 建立JND编码模型　　通过Retinxe理论模型的建立和MSRCG算法的建立，保证了JND编码模型的理论基础[3]。为了该模型的稳定运行，通常情况下，我们还会对上述两种算法所确定的压缩编码原则进行检验，如若经过检验确认无误，则主机才会采取此原则对原视频或图像进行压缩编码，其检验流程所遵循的公式如下：　　至此也就完成了整个JND压缩编码模型的建立。　　3 实验数据分析　　为了更好的突出JND压缩编码模型与传统MDLVQ模型之间的区别，本文从所需压缩编码时间与解压成功率方面对两者进行了对比，已验证本文所提出的分布式调度模型是具有真实可行性的。本文对100个视频或图像从压缩编码到解压的全过程进行了实验，并对实验中的各项数据进行了记录。　　 JND模型与传统MDLVQ模型所需压缩编码时间对比　　将100个实验对象随机分配为两组，一组使用JND模型进行压缩编码，另一组使用MDLVQ模型进行压缩编码，分别对两组所用的时间进行了记录，并绘制了如下表格。　　通过表1中的数据我们可以发现，在对相同数量的视频或图像进行压缩时，JND模型所需的时间始终少于MDLVQ模型。　　 JND模型与传统MDLVQ模型解压成功率对比　　通过上述实验我们可以发现JND模型不论是在所需压缩编码时间还是解压成功率方面都比MDLVQ模型具备更大的优势，因此未来值得大力推广。　　4 结论　　为了建设更好的网络学习氛围，我国将加大力度对视频图像的压缩编码方法进行优化，以帮助更多的用户能够通过网络进行深度学习，根据本文所进行的实验，可以说明JND压缩编码模型是具有极大实用可行性的，未来将加深对该模型的研究，从整体上对其进行优化和完善。