【技术实现步骤摘要】
本专利技术涉及一种视频处理，是一种基于生成对抗网络的视频降噪压缩方法、装置、存储介质及电子设备。
技术介绍
1、随着5g技术的推广，视频应用在人们生活中越来越广泛，在电力生产的各个环节也不例外。为了实现对变电站、营业厅、农电供电所、输电线路、信息机房、基建现场等领域内的设备、售电服务质量及基建现场的工程进度、安全施工等方面的远程监控，支撑输变电设备状态等业务视频应用需求。
2、监控设备的增多，所需存储和处理的视频数据也会急剧增多，但随着就会有无效数据占用大量带宽的情况发生，在加上存储设备扩容受资金限制，故而会存在存储空间无法满足用户需求。针对这一情况，目前大多处理方法为定时删除历史数据，但是定时删除视频数据会造成较为久远的历史数据无法追溯，对基于视频数据的信息挖掘分析工作产生一定影响。
技术实现思路
1、本专利技术提供了一种基于生成对抗网络的视频降噪压缩方法、装置、存储介质及电子设备，克服了上述现有技术之不足，其能有效解决现有为了解决现有利用删除历史数解决存储空间不够的方法存在的易造成历史数据无法追溯的问题。
2、本专利技术的技术方案之一是通过以下措施来实现的：一种基于生成对抗网络的视频降噪压缩方法，包括：
3、获取待处理视频数据，并对其进行图像转换，得到对应的待处理图像集合；
4、利用图像降噪模型对待处理图像集合进行降噪，并对降噪后的待处理图像集合进行压缩，其中图像降噪模型是通过若干组图像数据对网络模型进行训练得到，若干图像数据中的
5、对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据。
6、下面是对上述专利技术技术方案的进一步优化或/和改进：
7、上述构建图像降噪模型包括：
8、获取训练样本集和测试样本集，其中训练样本集包括受风沙影响的图像和对应的降噪后的图像、视觉质量清晰的图像和降噪后的图像，测试样本集包括受风沙影响的图像和对应的降噪后的图像；
9、利用训练样本集对由生成对抗网络和风格迁移算法构成的网络模型进行训练，得到图像降噪模型；
10、利用测试样本集对图像降噪模型进行测试，基于测试评价标准输出最优的图像降噪模型。
11、上述对降噪后的待处理图像集合进行压缩，包括：对每张降噪后的待处理图像利用vgg特征提取模块进行特征提取，再将连续的特征映射离散化，并通过上采样获得高级特征映射，通过下采样实现图像压缩。
12、上述对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据，包括：
13、对压缩后的待处理图像集合中的相邻两帧图像进行分块；
14、将分块后的待处理图像通过编码器提取特征向量；
15、计算相邻两帧待处理图像的特征向量之间的mae损失和mse损失，并判断两个损失的加权平均数是否大于变动域值范围，响应于是，则删除第t+1帧，并将第t+1帧作为新的第t帧，与其后帧图像进行对比，响应于否，则当前第t+1帧作为新的第t帧，与其后帧图像进行对比，循环遍历所有待处理图像，完成特征提取；
16、将经特征提取后的待处理图像进行重组，还原为对应的视频数据。
17、本专利技术的技术方案之二是通过以下措施来实现的：一种基于生成对抗网络的视频降噪压缩装置，包括：
18、待处理数据获取单元，获取待处理视频数据，并对其进行图像转换，得到对应的待处理图像集合；
19、第一处理单元，利用图像降噪模型对待处理图像集合进行降噪，并对降噪后的待处理图像集合进行压缩，其中图像降噪模型是通过若干组图像数据对网络模型进行训练得到，若干图像数据中的每组图像均包括原始图像和降噪后的图像，网络模型由生成对抗网络和风格迁移算法构成；
20、第二处理单元，对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据。
21、下面是对上述专利技术技术方案的进一步优化或/和改进：
22、上述第一处理单元包括：
23、模型构建模块，构建图像降噪模型包括：
24、获取训练样本集和测试样本集，其中训练样本集包括受风沙影响的图像和对应的降噪后的图像、视觉质量清晰的图像和降噪后的图像，测试样本集包括受风沙影响的图像和对应的降噪后的图像；
25、利用训练样本集对由生成对抗网络和风格迁移算法构成的网络模型进行训练，得到图像降噪模型；
26、利用测试样本集对图像降噪模型进行测试，基于测试评价标准输出最优的图像降噪模型；
27、图像降噪模块，利用图像降噪模型对待处理图像集合进行降噪；
28、图像压缩模块，对降噪后的待处理图像集合进行压缩，包括：对每张降噪后的待处理图像利用vgg特征提取模块进行特征提取，再将连续的特征映射离散化，并通过上采样获得高级特征映射，通过下采样实现图像压缩。
29、上述第二处理单元，包括：
30、图像特征提取模块，对压缩后的待处理图像集合中的相邻两帧图像进行分块，将分块后的待处理图像通过编码器提取特征向量；
31、阈值比对及还原模块，计算相邻两帧待处理图像的特征向量之间的mae损失和mse损失，并判断两个损失的加权平均数是否大于变动域值范围，响应于是，则删除第t+1帧，并将第t+1帧作为新的第t帧，与其后帧图像进行对比，响应于否，则当前第t+1帧作为新的第t帧，与其后帧图像进行对比，循环遍历所有待处理图像，完成特征提取；将经特征提取后的待处理图像进行重组，还原为对应的视频数据。
32、本专利技术先将待处理视频数据转换成待处理图像集合，再通过生成对抗网络和风格迁移技术对待处理图像集合逐帧降噪压缩和语义分析对比，并保留阈值范围内出现一定变化的图像，将图像重组形成视频，实现视频的智能降噪压缩，使得能够存储更多的历史视频数据，为基于视频数据的信息挖掘分析工作提供稳定且丰富的数据基础。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的视频降噪压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述构建图像降噪模型包括：
3.根据权利要求1或2所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对降噪后的待处理图像集合进行压缩，包括：对每张降噪后的待处理图像利用VGG特征提取模块进行特征提取，再将连续的特征映射离散化，并通过上采样获得高级特征映射，通过下采样实现图像压缩。
4.根据权利要求1或2所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据，包括：
5.根据权利要求3所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据，包括：
6.一种应用如权利要求1至5中任意一项所述方法的基于生成对抗网络的视频降噪压缩装置，其特征在于，包括：
7.根据权利要求6所述的基于生成对抗网络的视频降噪压缩装
8.根据权利要求6或7所述的基于生成对抗网络的视频降噪压缩装置，其特征在于，所述第二处理单元，包括：
9.一种存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至5任一项所述的基于生成对抗网络的视频降噪压缩方法。
10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现如权利要求1至5任一项所述的基于生成对抗网络的视频降噪压缩方法。
...【技术特征摘要】
1.一种基于生成对抗网络的视频降噪压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述构建图像降噪模型包括：
3.根据权利要求1或2所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对降噪后的待处理图像集合进行压缩，包括：对每张降噪后的待处理图像利用vgg特征提取模块进行特征提取，再将连续的特征映射离散化，并通过上采样获得高级特征映射，通过下采样实现图像压缩。
4.根据权利要求1或2所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对压缩后的待处理图像集合进行特征提取，并在重组后通过视频转换，得到对用的视频数据，包括：
5.根据权利要求3所述的基于生成对抗网络的视频降噪压缩方法，其特征在于，所述对压缩后的待处理图像集合进行特征提取，并在重...
【专利技术属性】
技术研发人员：孙皓晨，孟欣欣，杨柳，黎红，李凯，郭江涛，孙博文，马梅芳，多斯达那·叶尔加那提，魏乐，
申请(专利权)人：国网新疆电力有限公司信息通信公司，
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。