本发明涉及图像处理,尤其涉及一种图像数据的压缩方法、装置和可读存储介质。
背景技术:
1、随着拍摄设备软硬件的升级迭代,所拍摄的图像质量和分辨率都进一步提高,随之,图像数据也变得越来越大。在像遥感图像的远距离传输等场景中,原始图像数据一般为高维raw格式。如果可以对图像数据进行有效压缩,就能在很大程度上减少传输时间,增强终端获取数据的实时性。
2、随着机器学习在各个领域的不断发展应用,结合机器学习对图像数据的特征提取能力优势,基于矩阵分解的图像压缩也随之被提出。
3、相关技术中的基于矩阵分解的图像压缩算法中的svd(singular valuedecomposition,奇异值分解分解)方法,通过对矩阵进行数学分解,提取重点秩信息对矩阵进行重建从而对数据进行压缩。
4、但是,由于svd方法是纯粹对一个矩阵进行数学分解,没法实现对图像数据的可控压缩。
技术实现思路
1、本技术提供一种图像数据的压缩方法、装置和可读存储介质,实现对压缩率的控制。
2、本技术提供一种图像数据的压缩方法,包括:
3、获取输入的原始图像的原始矩阵;
4、通过原始图像通道指定压缩的隐空间维度,对初始隐空间特征矩阵进行初始化,得到低维隐特征矩阵;
5、初始化原始图像数据的相关偏置属性;
6、使用所述低维隐特征矩阵及所述相关偏置属性,得到图像数据的重建矩阵;
7、利用所述重建矩阵和所述原始矩阵,更新低维隐特征矩阵及相关偏置属性;
8、将更新完成的隐特征矩阵及更新完成的相关偏置属性进行存储,得到所述图像数据的压缩数据。
9、进一步的,所述利用所述重建矩阵和所述原始矩阵,迭代更新低维隐特征矩阵及相关偏置属性,包括:
10、基于所述重建矩阵与所述原始矩阵设定的当前损失,根据所述重建矩阵与所述原始矩阵,对所述隐特征矩阵及所述相关偏置属性进行调整,直至满足迭代结束条件,输出所述更新完成的隐特征矩阵及所述更新完成的相关偏置属性。
11、进一步的,所述基于所述重建矩阵与所述原始矩阵设定的当前损失,根据所述重建矩阵与所述原始矩阵,对所述隐特征矩阵及所述相关偏置属性进行调整,包括:
12、基于所述重建矩阵的元素值与所述原始矩阵的元素值,确定所述重建矩阵和所述原始矩阵的损失函数;所述损失函数包括调整所述隐特征矩阵和所述相关偏置属性的正则权重;
13、根据所述损失函数,使用梯度下降法,迭代参数更新所述隐特征矩阵及所述相关偏置属性。
14、进一步的,所述获取输入的原始图像的原始矩阵,包括:
15、按照预设的图片尺寸大小,对原始图像数据进行格式转换,得到矩阵数据;
16、对所述矩阵数据的原始数据类型进行浮点型数据的转化,得到所述原始图像的所述原始矩阵。
17、进一步的,所述初始化原始图像数据的相关偏置属性,包括:
18、使用0到1之间的浮点型数据随机初始化全局偏置、所述原始图像的m维度的宽偏置属性和所述原始图像的n维度高偏置属性;
19、所述使用所述低维隐特征矩阵及所述相关偏置属性,获得图像数据的重建矩阵,包括:
20、在所述低维隐特征矩阵的基础上,增加初始化的宽偏置属性、初始化的高偏置属性以及初始化的全局偏置之和,得到m×n维的重建矩阵。
21、进一步的,在所述将更新完成的隐特征矩阵及更新完成的相关偏置属性进行存储,得到所述图像数据的压缩数据之后,所述方法还包括:
22、根据所述压缩数据,获得更新完成的隐特征矩阵及所述更新完成的相关偏置属性;
23、使用所述更新完成的相关偏置属性和隐特征矩阵及所述更新完成的相关偏置属性,利用矩阵重建公式,得到重建矩阵,并对重建矩阵进行量化,获得与原始图像数据一致的同数据类型的数据矩阵。
24、本技术的提供一种图像数据的压缩装置,包括:
25、数据处理模块,用于获取输入的原始图像的原始矩阵;
26、隐特征矩阵初始化模块,用于通过原始图像通道指定压缩的隐空间维度,对初始隐空间特征矩阵进行初始化,得到低维隐特征矩阵;
27、偏置属性初始化模块,用于初始化原始图像数据的相关偏置属性;
28、矩阵重建模块,用于使用所述低维隐特征矩阵及所述相关偏置属性,得到图像数据的重建矩阵;
29、属性更新模块,用于利用所述重建矩阵和所述原始矩阵,更新低维隐特征矩阵及相关偏置属性;
30、数据压缩模块,用于将更新完成的隐特征矩阵及更新完成的相关偏置属性进行存储,得到所述图像数据的压缩数据。
31、进一步的,所述属性更新模块,包括属性更新子模块;
32、所述属性更新子模块,用于基于所述重建矩阵与所述原始矩阵设定的当前损失,根据所述重建矩阵与所述原始矩阵,对所述隐特征矩阵及所述相关偏置属性进行调整,直至满足迭代结束条件,输出所述更新完成的隐特征矩阵及所述更新完成的相关偏置属性。
33、进一步的,所述属性更新子模块,具体用于基于所述重建矩阵的元素值与所述原始矩阵的元素值,确定所述重建矩阵和所述原始矩阵的损失函数;所述损失函数包括调整所述隐特征矩阵和所述相关偏置属性的正则权重;以及,根据所述损失函数,使用梯度下降法,迭代参数更新所述隐特征矩阵及所述相关偏置属性。
34、进一步的,所述数据处理模块,包括数据格式转换子模块及数据类型转换子模块;
35、所述数据格式转换子模块,用于按照预设的图片尺寸大小,对原始图像数据进行格式转换,得到矩阵数据;
36、所述数据类型转换子模块,用于对所述矩阵数据的原始数据类型进行浮点型数据的转化,得到所述原始图像的所述原始矩阵。
37、进一步的,所述偏置属性初始化模块,具体用于使用0到1之间的浮点型数据随机初始化全局偏置、所述原始图像的m维度的宽偏置属性和所述原始图像的n维度高偏置属性;
38、所述矩阵重建模块,具体用于在所述低维隐特征矩阵的基础上,增加初始化的宽偏置属性、初始化的高偏置属性以及初始化的全局偏置之和,得到m×n维的重建矩阵。
39、进一步的,所述装置还包括:
40、重建还原模块,用于在所述将更新完成的隐特征矩阵及更新完成的相关偏置属性进行存储,得到所述图像数据的压缩数据之后,根据所述压缩数据,获得更新完成的隐特征矩阵及所述更新完成的相关偏置属性,利用所述重建公式进行原始图像数据重建,得到重建矩阵;以及对所述重建矩阵进行量化,获得与原始图像数据一致的同数据类型的数据矩阵。
41、本技术的提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现如上任一项所述的方法。
42、在一些实施例中,本技术的图像数据的压缩方法,获得图像通道的指定压缩的隐空间维度,通过指定压缩的隐空间维度对初始隐空间特征矩阵进行初始化,以及初始化原始图像数据的相关偏置属性。这样可以通过指定压缩的隐空间维度对初始隐空间特征矩阵进行初始化,可以实现对压缩率的控制。