1. 研究目的与意义（文献综述）

1.1目的及意义

随着网络和多媒体技术的发展，网络上可以获得的图像日益增加。然而由于图像的庞大数据量，其传输和储存技术受到了越来越多的关注，对图像数据的压缩和解压缩也有了极大的需求^［1-5］。图像数据通常含有大量的冗余信息（比如相近的像素点通常是相关的）。通过对图像进行压缩，我们可以极大地减少存储一张图片所占用的空间，这将极大地提高图像在网络上的获取率与传输速率。

近年来，随着机器学习的发展，基于数据驱动的算法层出不穷，这为图像处理问题带来了新的思路^［6-7］。数据驱动指利用数据来创造效益，并在数据中探索。其关键为如何有效地利用数据。在图像处理问题中，数据驱动指如何利用像素与像素之间的灰度值和彩色值关系来完成图像更改过程，算法依赖于数值。首先，利用机器学习的思想，图像压缩问题可以借助数据驱动的思路来预测恢复图像时的彩色点。其次，压缩图像的质量和压缩率比传统的转为频域储存要高得多。利用机器学习的方法，图像的压缩与解压缩将转化为如何选择图像的最优种子点，也就是最具有代表性的彩色点以及如何对灰度图像染色。

2. 研究的基本内容与方案

2.1研究的基本内容

本文将主要研究主动学习和半监督学习的工作原理以及寻找合适的目标函数来对最优种子点进行选择。在图像最优种子点的选取阶段，我们需要研究如何对原始图像进行处理以及采取何种方法来对具有代表性的彩色点进行主动选择，并比较不同的方法的优劣。另外，在图像的染色阶段，我们将对预测灰度图像原始彩色值的算法进行研究，以此来恢复原始图像的彩色值。

在选择最优种子点过程中利用主动学习的方法实现。主动学习指主动提出标注请求，需要相关领域人员干预进行标注。在本文中指需要人工选出最具代表性的彩色点进行标注，不断地主动选择迭代从而找到可以用来还原原图像的种子点。主动学习所要研究的点就在于怎样筛选数据使得主动请求标注的次数又少而结果又好。在染色过程中，利用半监督学习方法，综合利用有标注的数据（利用主动学习选择的代表性点）和没有标注的数据（剩余的图像灰度值），来得到目标函数进行求解。

3. 研究计划与安排

第1周—第3周 搜集资料，撰写开题报告；

第4周—第5周 论文开题；

第6周—第12周 撰写论文初稿；

4. 参考文献（12篇以上）

［1］ krishnaswamys s. lossless image compression for few-colored images[j]. 2017.

［2］ anhn t n, yang w, cai j. seam carving extension: a compression perspective[c]//acm international conference on multimedia. acm, 2009:825-828.

［3］ 韩静, 罗立民, 鲍旭东. 基于小波变换的图像染色算法[j]. 中国图象图形学报, 2007, 12(9):1579-1584.