基于CNN的高动态范围图像压缩稀疏编码方法

波域图像的子带区域划分混乱,导致图像编码序列偏移量过高,图像压缩编码精度较低等问题。基于此,提出基于CNN的高动态范围图像压缩稀疏编码方法。采集高动态范围图像压缩稀疏编码样本,将波域图像的子带区域划分成多个坐标集合,利用图像压缩数据处理稀疏编码样本字符集,确定单点子带与系数幅值的差异,在此基础上,利用编码数据合成频带稀疏矩阵,并借助卷积神经网络训练编码数据,完成高动态范围图像压缩系数编码。实验结果表明：文中方法的图像编码序列偏移量维持在0.2E上下,且有效提升了高动态范围图像压缩编码的精度。     

一种使用边缘增强技术提高相似图片检索召回率的方法

针对大规模图像分类处理中图像旋转或背景变换导致的配准度较低问题,提出一种基于边缘增强的卷积神经网络图像分类方法。该方法通过VGG19网络模型提取图像特征,并使用余弦相似度进行图像分类判定,利用边缘增强突出图像主体的边缘特征,降低图像旋转或背景变换对VGG19网络分类性能带来的影响。实验证明,该方法可以有效地提高同一主体旋转图像和背景变换图像与原始图像的相似度,适用于各类图像的分类。     

基于深度学习的分形图像压缩编码模型设计

针对传统编码模型存在的图像分割处理效果不佳、分割精度不高、耗时较长以及编码质量较差的问题，提出基于深度学习的分形图像压缩编码模型。建立图像分割约束条件，对图像进行分割处理，以处理后的图像作为深度学习中ResNet网络模型的输入，提取原始分形图像的特征并将图像块分类；建立特征图像块匹配规则，排序图像块，记录分形码，将分形码作为图像在度量空间内的表现形式，通过度量空间的压缩变换实现分形图像压缩编码。实验结果表明：所提模型的图像压缩编码质量较高，具有一定的应用价值。