基于SAFD的图像处理方法、装置、设备及存储介质

本技术涉及数据处理，具体而言，涉及一种基于随机自适应傅立叶(stochastic adaptive fourier decomposition，safd)的图像处理方法、装置、设备及存储介质。

背景技术：

1、随着通信网络流量的大量增加，以提高传输速度和节省数据存储空间为目的的图像压缩技术在计算机技术领域有很大的需求。

2、现有技术中，一般采用基于深度学习的方法对图像进行压缩。传统技术中一般将卷积长短时记忆(long short-term memory，lstm)网络应用于图像压缩领域。近年来，更多的深度网络框架被用于图像压缩，如卷积神经网络(convolutional neural network，cnn)，以及生成对抗网络(generative adversarial network，gan)等。

3、但是这种基于深度学习的方法中，深度学习网络的参数训练是深度网络结构的关键，深度网络结构的参数需要通过对训练数据集进行大量的预训练来确定，但是这样的训练方式存在训练时间较长，压缩效率较低的问题。

技术实现思路

1、本技术的目的在于，针对上述现有技术中的不足，提供一种基于safd的图像处理方法、装置、设备及存储介质，以解决现有技术中大规模的参数训练过程造成压缩效率低的问题。

2、为实现上述目的，本技术实施例采用的技术方案如下：

3、第一方面，本技术一实施例提供了一种基于safd的图像处理方法，所述方法包括：

4、获取待压缩图像对应的实值随机信号；

5、根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；

6、根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据。

7、可选地，所述获取待压缩图像对应的实值随机信号，包括：

8、将所述待压缩图像划分为多个图像块；

9、获取所述待压缩图像中各图像块的排列位置；

10、根据所述各图像块的排列位置，对所述各图像块的图像信号进行整合，得到所述待压缩图像对应的多个实值随机信号。

11、可选地，若所述待压缩图像为彩色图像，则所述将所述待压缩图像划分为多个图像块，包括：

12、分别获取所述待压缩图像对应的红绿蓝通道图像；

13、分别将各通道图像划分为多个图像块。

14、可选地，所述根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：

15、对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；

16、根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数。

17、可选地，所述根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：

18、根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；

19、根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数。

20、可选地，所述根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数，包括：

21、根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；

22、计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；

23、若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。

24、第二方面，本技术另一实施例提供了一种基于safd的图像处理方法，所述方法包括：

25、对待解压图像的压缩数据进行解码，得到所述图像压缩数据对应的目标压缩参数；

26、根据所述目标压缩参数，基于随机自适应傅立叶逆分解算法对所述图像压缩数据进行解压，得到解压后的目标图像。

27、第三方面，本技术另一实施例提供了一种基于safd的图像处理装置，所述装置包括：获取模块、确定模块和编码模块，其中：

28、所述获取模块，用于获取待压缩图像对应的实值随机信号；

29、所述确定模块，用于根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；

30、所述编码模块，用于根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据。

31、可选地，所述装置还包括：划分模块和整合模块，其中：

32、所述划分模块，用于将所述待压缩图像划分为多个图像块；

33、所述获取模块，具体用于获取所述待压缩图像中各图像块的排列位置；

34、所述整合模块，用于根据所述各图像块的排列位置，对所述各图像块的图像信号进行整合，得到所述多个实值随机信号。

35、可选地，若所述待压缩图像为彩色图像，则所述获取模块，具体用于分别获取所述待压缩图像对应的红绿蓝通道图像；

36、所述划分模块，具体用于分别将各通道图像划分为多个图像块。

37、可选地，所述装置还包括：变换模块，其中：

38、所述变换模块，用于对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；

39、所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数。

40、可选地，所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数。

41、可选地，所述装置还包括：计算模块，其中：

42、所述确定模块，具体用于根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；

43、所述计算模块，用于计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；

44、所述确定模块，具体用于若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。

45、第四方面，本技术另一实施例提供了一种基于safd的图像处理装置，所述装置包括：解码装置和解压装置，其中：

46、所述解码装置，用于对待解压图像的图像压缩数据进行解码，得到所述图像压缩数据对应的目标压缩参数；

47、所述解压装置，用于根据所述目标压缩参数，基于随机自适应傅立叶逆分解算法对所述图像压缩数据进行解压，得到解压后的目标图像。

48、第五方面，本技术另一实施例提供了一种图像处理设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述图像处理设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述第一方面或第二方面任一所述方法的步骤。

49、第六方面，本技术另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，计算机程序被处理器运行时执行如上述第一方面任一方法的步骤。

50、本技术的有益效果是：采用本技术提供的基于safd的图像处理方法，该方法可以包括：获取待压缩图像对应的多个实值随机信号；根据实值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数；根据目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标图像压缩数据，应用本技术实施例，能够减少数据压缩的压缩量，相较于现有技术中通过深度学习模型进行训练的方法，由于无需通过对训练数据集进行大量的预训练，即无需进行大量的参数训练，因此，可以有效提高图像压缩的压缩效率。此外，本技术根据可以保证待压缩图像结构的完整性，保证了压缩效果。