高效快速图像压缩和存储方法及系统与流程

本技术涉及图像压缩和存储，且更为具体地，涉及一种高效快速图像压缩和存储方法及系统。

背景技术：

0、技术背景

1、随着互联网多媒体技术的不断发展，数字图像信息变得越来越重要，由于其数据量较大，图像压缩技术成为不可或缺的一部分，常用的图像压缩技术有jpeg压缩、小波变换压缩和分形压缩。然而，传统的图像压缩技术都是逐帧处理图像数据，任务量巨大，给处理器造成了很大的负担，同时，由于需要长时间不间断的进行图像压缩处理，也产生了较大的功耗。

2、因此，如何实现快速高效的图像压缩，同时有效降低处理器的功耗是本领域技术人员亟待解决的问题。因此，期望一种高效快速图像压缩和存储方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种高效快速图像压缩和存储方法及系统，其采用基于深度学习的人工智能图像压缩技术，以对于目标图像帧进行分块处理来提取出各个图像块的特征信息，并基于所述目标图像帧中的各个图像块的空间位置拓扑特征来优化各个图像块的特征表达，进一步再以优化后的所述各个图像块的特征分别与上一图像帧的隐含特征进行差异化对比，以此来查询出与上一图像帧中特征分布差异化较大的图像块，进而用来判断是否对其进行压缩并保存处理。这样，能够基于所述各个图像帧之间的差异化比较以及所述各个图像帧中各个图像块的空间拓扑关联来优化图像的压缩和存储过程。

2、根据本技术的一个方面，提供了一种高效快速图像压缩和存储方法，其包括：

3、获取目标图像帧以及上一图像帧的参考特征矩阵和压缩图像；

4、对所述目标图像帧进行分块处理以得到图像块序列；

5、将所述图像块序列中各个图像块分别通过线性嵌入层以得到多个图像块特征向量，并将所述多个图像块特征向量进行二维排列以得到图像块全局矩阵；

6、计算所述图像块序列中各个图像块之间的欧式距离以得到空间拓扑矩阵；

7、将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；

8、将所述图像块全局矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑图像块全局特征矩阵；

9、对所述空间拓扑图像块全局特征矩阵中各个行向量进行特征分布校正以得到校正后空间拓扑图像块全局特征矩阵；

10、计算所述校正后空间拓扑图像块全局特征矩阵中各个行向量与所述参考特征矩阵之间的乘积以得到多个分类特征向量；

11、将所述多个分类特征向量分别通过分类器以得到多个分类结果，所述分类结果用于表示是否存储对应图像块；

12、基于所述分类结果，提取所述目标图像帧中待存储的至少一图像块；

13、对所述待存储的至少一图像块进行压缩处理以得到块压缩图像；

14、将所述块压缩图像和所述上一图像帧对应的压缩图像进行整合以得到所述目标图像帧的目标压缩图像；以及

15、存储所述目标压缩图像。

16、在上述高效快速图像压缩和存储方法中，所述将所述图像块序列中各个图像块分别通过线性嵌入层以得到多个图像块特征向量，包括：使用所述线性嵌入层的可学习嵌入矩阵分别对所述图像块序列中各个图像块进行线性嵌入编码以得到所述多个图像块特征向量。

17、在上述高效快速图像压缩和存储方法中，所述计算所述图像块序列中各个图像块之间的欧式距离以得到空间拓扑矩阵，包括：识别所述图像块序列中各个图像块的中心；以及，计算所述各个图像块的中心之间的欧式距离，并将所述各个图像块的中心之间的欧式距离进行二维排列以得到所述空间拓扑矩阵。

18、在上述高效快速图像压缩和存储方法中，所述将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。

19、在上述高效快速图像压缩和存储方法中，所述对所述空间拓扑图像块全局特征矩阵中各个行向量进行特征分布校正以得到校正后空间拓扑图像块全局特征矩阵，包括：以如下公式计算所述空间拓扑图像块全局特征矩阵中各个行向量的多分布二元分类连续性因数；其中，所述公式为：

20、

21、softmaxv(v)＝[p(v),1-p(v)]

22、其中，vi是所述空间拓扑图像块全局特征矩阵的第i个行向量，vr是基于所述空间拓扑图像块全局特征矩阵中多个行向量的参考向量，p(v)表示特征向量通过所述分类器所获得的概率值：以及，以所述多分布二元分类连续性因数作为权重分别对所述空间拓扑图像块全局特征矩阵中各个行向量进行加权以得到所述校正后空间拓扑图像块全局特征矩阵。

23、在上述高效快速图像压缩和存储方法中，所述将所述多个分类特征向量分别通过分类器以得到多个分类结果，包括：使用所述分类器以如下公式分别对所述多个分类特征向量进行处理以获得所述多个分类结果，其中，所述公式为：softmax{(wn,bn):…:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为各个分类特征向量。

24、在上述高效快速图像压缩和存储方法中，所述获取目标图像帧以及上一图像帧的参考特征矩阵和压缩图像，包括：使用作为特征提取器的第二卷积神经网络模型对所述上一图像帧进行处理以得到所述参考特征矩阵。

25、在上述高效快速图像压缩和存储方法中，所述使用作为特征提取器的第二卷积神经网络模型对所述上一图像帧进行处理以得到所述参考特征矩阵，包括：所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述参考特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述上一图像帧。

26、根据本技术的另一方面，提供了一种高效快速图像压缩和存储系统，包括：

27、数据获取模块，用于获取目标图像帧以及上一图像帧的参考特征矩阵和压缩图像；

28、图像帧分块模块，用于对所述目标图像帧进行分块处理以得到图像块序列；

29、线性嵌入模块，用于将所述图像块序列中各个图像块分别通过线性嵌入层以得到多个图像块特征向量，并将所述多个图像块特征向量进行二维排列以得到图像块全局矩阵；

30、空间拓扑构造模块，用于计算所述图像块序列中各个图像块之间的欧式距离以得到空间拓扑矩阵；

31、空间拓扑特征矩阵生成模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；

32、图编码模块，用于将所述图像块全局矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑图像块全局特征矩阵；

33、特征分布校正模块，用于对所述空间拓扑图像块全局特征矩阵中各个行向量进行特征分布校正以得到校正后空间拓扑图像块全局特征矩阵；

34、分类特征向量生成模块，用于计算所述校正后空间拓扑图像块全局特征矩阵中各个行向量与所述参考特征矩阵之间的乘积以得到多个分类特征向量；

35、存储结果生成模块，用于将所述多个分类特征向量分别通过分类器以得到多个分类结果，所述分类结果用于表示是否存储对应图像块；

36、图像块提取模块，用于基于所述分类结果，提取所述目标图像帧中待存储的至少一图像块；

37、图像压缩模块，用于对所述待存储的至少一图像块进行压缩处理以得到块压缩图像；

38、图像整合模块，用于将所述块压缩图像和所述上一图像帧对应的压缩图像进行整合以得到所述目标图像帧的目标压缩图像；以及

39、图像存储模块，用于存储所述目标压缩图像。

40、在上述高效快速图像压缩和存储系统中，所述线性嵌入模块，进一步用于：使用所述线性嵌入层的可学习嵌入矩阵分别对所述图像块序列中各个图像块进行线性嵌入编码以得到所述多个图像块特征向量。

41、在上述高效快速图像压缩和存储系统中，所述空间拓扑构造模块，进一步用于：识别所述图像块序列中各个图像块的中心；以及，计算所述各个图像块的中心之间的欧式距离，并将所述各个图像块的中心之间的欧式距离进行二维排列以得到所述空间拓扑矩阵。

42、在上述高效快速图像压缩和存储系统中，所述空间拓扑特征矩阵生成模块，包括：所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。

43、在上述高效快速图像压缩和存储系统中，所述特征分布校正模块，进一步用于：以如下公式计算所述空间拓扑图像块全局特征矩阵中各个行向量的多分布二元分类连续性因数；其中，所述公式为：

44、

45、seftmaxv(v)＝[p(v),1-p(v)]

46、其中，vi是所述空间拓扑图像块全局特征矩阵的第i个行向量，vr是基于所述空间拓扑图像块全局特征矩阵中多个行向量的参考向量，p(v)表示特征向量通过所述分类器所获得的概率值：以及，以所述多分布二元分类连续性因数作为权重分别对所述空间拓扑图像块全局特征矩阵中各个行向量进行加权以得到所述校正后空间拓扑图像块全局特征矩阵。

47、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的高效快速图像压缩和存储方法。

48、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的高效快速图像压缩和存储方法。

49、与现有技术相比，本技术提供的高效快速图像压缩和存储方法及系统，其采用基于深度学习的人工智能图像压缩技术，以对于目标图像帧进行分块处理来提取出各个图像块的特征信息，并基于所述目标图像帧中的各个图像块的空间位置拓扑特征来优化各个图像块的特征表达，进一步再以优化后的所述各个图像块的特征分别与上一图像帧的隐含特征进行差异化对比，以此来查询出与上一图像帧中特征分布差异化较大的图像块，进而用来判断是否对其进行压缩并保存处理。这样，能够基于所述各个图像帧之间的差异化比较以及所述各个图像帧中各个图像块的空间拓扑关联来优化图像的压缩和存储过程。