【摘要】 本发明公开了一种基于主动学习和半监督学习的图像压缩方法。本发明的方法是基于主动学习的方式，选取图像中一些最具有代表性的像素点的颜色信息来学习一个能够预测图像剩下的像素点的颜色的模型。方法主要步骤如下：给出一张图像的所有像素点，本发明的方法首先简单地将图像分割为若干个矩形区域，在这些矩形区域中随机各选一个像素点，然后对这些点进行主动学习选出最具代表性的像素点，记录其灰度及颜色值，对图像剩余像素点则只记录其灰度值，完成压缩过程；在解压时使用拉普拉斯正则化最小二乘LapRLS这一种半监督学习的算法来预测还原所有像素点颜色。 【专利类型】发明授权 【申请人】浙江大学 【申请人类型】学校 【申请人地址】310027 浙江省杭州市西湖区浙大路38号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】西湖区 【申请号】CN201210050383.4 【申请日】2012-02-29 【申请年份】2012 【公开公告号】CN102622771B 【公开公告日】2014-03-05 【公开公告年份】2014 【授权公告号】CN102622771B 【授权公告日】2014-03-05 【授权公告年份】2014.0 【IPC分类号】G06T9/00 【发明人】何晓飞; 卜佳俊; 陈纯; 周宇 【主权项内容】1.一种基于主动学习和半监督学习的图像压缩方法，其特征在于： 1)简单地将图像分割成若干个矩形区域，在这些矩形区域中各自随机选择一个像素点，形成像素点矩阵； 2)所得的矩阵中通过主动学习算法，选取最具代表性的像素点，记录其颜色值；对图像剩余点仅记录灰度值，完成对图像的压缩；步骤2)中的最具代表性的像素点的选取，目标是使根据所选取的点通过LapRLS算法所预测剩余像素点颜色的结果的协方差期望值最小化，即通过选取适当的学习带标签像素点集，使得对于目标函数 其中f是LapRLS算法使用带标签和不带标签点进行学习的回归模型，w是回归模型f的权重向量，在m个点之中k个点是带标签的；yi是点的标签，z是带标签的点，x是任何点；S是相似度矩阵，λ1和λ2是对应的权重，学习的解 的协方差最小; 3)图像的解压缩过程利用主动学习过程中选取的点的颜色值，采用LapRLS算法对剩余点的颜色值进行预测还原，步骤3)使用LapRLS，利用步骤2)中选取的带标签点矩阵学习JLapRLS(w)的解 从而使用 来获得对图像中除带标签点矩阵以外所有点的颜色的预测值，完成对图像的还原。 【当前权利人】浙江大学 【当前专利权人地址】浙江省杭州市西湖区浙大路38号 【专利权人类型】公立 【统一社会信用代码】12100000470095016Q 【引证次数】5.0 【他引次数】5.0 【家族引证次数】5.0 【家族被引证次数】2

未经允许不得转载：http://www.zhongzhencnc.com/1791552681.html