【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于深度学习图像编码技术的数据压缩方法。
技术介绍
1、电力行业是国家经济的重要组成部分，随着技术的发展，电力无人机巡检逐渐成为电力行业的重要手段。巡检无人机搭载高分辨率相机、遥感监控仪、红外测温仪等设备，对电力塔、电力线路进行全方位的拍摄和监测，其需要将拍摄的高清图像和视频与地面控制终端进行数据传输。
2、而无人机巡检高清图像数据在线传输面临着如何在无线信道上实时、高质量地实时传输大量图像和视频数据的挑战，因此，如何通过在前缘端大比例压缩、后端高质量恢复的非对称性图像编解码技术，对无人机精细化巡检输电线路中所拍摄的大数据量的高精度图像在前端进行自适应的大比例压缩技术，并通过复用既有数据传输方式实现高效传输，提升前端的数据传输效率是一个亟待解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习图像编码技术的数据压缩方法，该方法有利于在保证传输图像清晰度的同时，有效降低存储成本，提高传输效率。
2、为了实现上述目的，本专利技术采用的技术方案是：一种基于深度学习图像编码技术的数据压缩方法，包括以下步骤：
3、s1：输入无人机抓拍图像数据；
4、s2：提取图像数据的特征信息，根据特征信息将图像数据分为感兴趣图像信息和非感兴趣图像信息；
5、s3：计算压缩感知采样矩阵以及对划分的图像块进行优化自适应采样矩阵；
6、s4：对自适应优化采样图像进行编码；
7
8、s6：利用dwt变换对分块后的图像数据进行量化，获得dwt变换后的图像数据；
9、s7：对dwt变换后的图像数据进行ebcot编码，获得编码后的图像数据；
10、s8：将编码后的图像数据输入深度学习神经网络进行预测；
11、s9：进行图像重建，获得预测结果之后，通过残差重构以及压缩感知重构方法恢复出原始图像信息。
12、进一步地，步骤s3包括：将感兴趣区域的图像数据和非感兴趣区域的图像数据作为输入数据，输出为已重构非感兴趣的图像数据，自适应采样通过设计一个卷积层替代传统的非自适应矩阵；
13、通过卷积层对输入张量进行卷积操作得到一个h×w×sr×b2的张量，卷积层的卷积核大小为b×b，个数为sr×b2，步长为b，填充为0，因此该卷积操作相当于块压缩感知采样，即对h×w个b×b非重叠块分别进行采样，每一个块都采样出sr×b2个测量值，将这些测量值进行叠加得到输出张量，大小为h×w×sr×b2。
14、进一步地，步骤s4中，对自适应优化采样图像采用jpeg2000标准进行编码，具体方法为：
15、将图像分割成若干块，其中，块的大小和形状根据实际需求设置，感兴趣区域分块大，非感兴趣区域分块小，以块为单位进行编码。
16、进一步地，步骤s6中，对分块图像进行dwt变换，具体方法为：对感兴趣图像分块采用基于提升机制的整数小波变换，是无损编码，对非感兴趣图像分块采用基于卷积的实数型小波变换，是有损编码，形成不同的分辨率级别。
17、进一步地，步骤s8中，输入包括感兴趣图像区域与当前非感兴趣图像的编码后的测量值，划分出一个搜索窗，提取出所有的重叠块，并堆叠成h×w×n×b2大小的张量，其中n表示所有参与计算的重叠块的数量，通过多个卷积层和softmax归一化操作，输出预测图像。
18、进一步地，步骤s9中，通过深度神经网络实现图像重构，将预测图像通过conv进行卷积得到测量值，将预测的测量值与当前的测量值相减得到残差测量值张量，卷积层conv_e将残差测量值的通道维度进行膨胀，并进行变形；变形后的张量视为原始信号的一个初始重构，并通过8个卷积层进行进一步微调，直到输出残差重构结果，最后的重构结果由残差重构结果与预测相加获得。
19、与现有技术相比，本专利技术具有以下有益效果：本专利技术将图像自适应优化采样算法、深度学习算法与压缩感知理论相结合，首先利用优化的自适应采样算法进行采样与编码，将图像数据分为感兴趣区域以及非感兴趣的边缘区域，分别采用不同的编码技术进行压缩，进而提升压缩效率和成本，再将优化后的自适应采样算法应用于基于压缩感知理论的图像压缩算法中，有效缩短数据传输周期、减少流量耗费成本对电网巡检数据安全与电网公司经济效益有较大提升。
本文档来自技高网...【技术保护点】
1.一种基于深度学习图像编码技术的数据压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤S3包括：将感兴趣区域的图像数据和非感兴趣区域的图像数据作为输入数据，输出为已重构非感兴趣的图像数据，自适应采样通过设计一个卷积层替代传统的非自适应矩阵；
3.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤S4中，对自适应优化采样图像采用JPEG2000标准进行编码，具体方法为：
4.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤S6中，对分块图像进行DWT变换，具体方法为：对感兴趣图像分块采用基于提升机制的整数小波变换，是无损编码，对非感兴趣图像分块采用基于卷积的实数型小波变换，是有损编码，形成不同的分辨率级别。
5.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤S8中，输入包括感兴趣图像区域与当前非感兴趣图像的编码后的测量值，划分出一个搜索窗，提取出所有的重叠块，并堆叠成h×w×n×b2
6.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤S9中，通过深度神经网络实现图像重构，将预测图像通过Conv进行卷积得到测量值，将预测的测量值与当前的测量值相减得到残差测量值张量，卷积层Conv_e将残差测量值的通道维度进行膨胀，并进行变形；变形后的张量视为原始信号的一个初始重构，并通过8个卷积层进行进一步微调，直到输出残差重构结果，最后的重构结果由残差重构结果与预测相加获得。
...【技术特征摘要】
1.一种基于深度学习图像编码技术的数据压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤s3包括：将感兴趣区域的图像数据和非感兴趣区域的图像数据作为输入数据，输出为已重构非感兴趣的图像数据，自适应采样通过设计一个卷积层替代传统的非自适应矩阵；
3.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤s4中，对自适应优化采样图像采用jpeg2000标准进行编码，具体方法为：
4.根据权利要求1所述的基于深度学习图像编码技术的数据压缩方法，其特征在于，步骤s6中，对分块图像进行dwt变换，具体方法为：对感兴趣图像分块采用基于提升机制的整数小波变换，是无损编码，对非感兴趣图像分块采用基于卷积的实数型小波变换，是有损编码，形成不同的分辨...
【专利技术属性】
技术研发人员：王仁书，陈伯建，吴文斌，张伟豪，李哲舟，陈卓磊，韩腾飞，梁曼舒，林承华，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。