CN111314708B - 一种图像数据压缩方法、装置、存储介质和电子设备 - Google Patents

Abstract

本申请实施例公开了一种图像数据压缩方法、装置、存储介质和电子设备，所述方法包括：获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。该方案可以提升图像数据压缩的效率。

Description

一种图像数据压缩方法、装置、存储介质和电子设备

技术领域

本申请涉及计算机技术领域，具体涉及一种图像数据压缩方法、装置、存储介质和电子设备。

背景技术

随着图像与视频处理技术、网络技术、以及自动控制技术的发展，视频监控系统的应用越来越广泛。然而在视频监控系统中，通常会产生数据量或者维度很大的图像、视频等数据，由于处理这些大数据需要消耗很长的时间，并且需要昂贵的硬件处理设备，因此通常交由中心处理单元进行数据处理。其中，不同硬件或者物理地址之间传输图像数据给中心处理单元，需要占据很大的带宽，消耗许多时间、以及电量。图像压缩技术可以在图像数据传输给中心处理单元的过程中，减少传输带宽的压力，让数据传输的更快速。然而现有技术中图像压缩技术的效率较低。

发明内容

本申请实施例提供一种图像数据压缩方法、装置、存储介质和电子设备，可以提升图像数据压缩的灵活性。

本申请实施例提供一种图像数据压缩方法，包括：

获取待压缩图像数据，所述待压缩图像数据包括多个初始维度的待压缩子数据；

确定每个所述待压缩子数据对应的维度转换参数；

基于每个所述待压缩子数据对应的维度转换参数，对每个所述待压缩子数据进行维度转换，得到多个维度转换后子数据；

将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据；

基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

相应的，本申请实施例还提供一种图像数据压缩装置，包括：

获取模块，用于获取待压缩图像数据，所述待压缩图像数据包括多个初始维度的待压缩子数据；

确定模块，用于确定每个所述待压缩子数据对应的维度转换参数；

维度转换模块，用于基于每个所述待压缩子数据对应的维度转换参数，对每个所述待压缩子数据进行维度转换，得到多个维度转换后子数据；

融合模块，用于将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据；

压缩模块，用于基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

可选的，在一些实施例中，所述确定模块可以包括抽样子模块和构建子模块，如下：

抽样子模块，用于对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布；

构建子模块，用于基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数。

则此时，所述抽样子模块，具体可以用于对每个所述待压缩子数据进行第一类型抽样，得到每个所述待压缩子数据对应的第一抽样概率分布，对每个所述待压缩子数据进行第二类型抽样，得到每个所述待压缩子数据对应的第二抽样概率分布，基于所述第一抽样概率分布、以及所述第二抽样概率分布，确定每个所述待压缩子数据对应的抽样概率分布。

则此时，所述构建子模块，具体可以用于确定维度转换后需要得到的目标维度，基于所述待压缩子数据对应的抽样概率分布、以及所述目标维度，构建每个所述待压缩子数据对应的维度转换参数。

则此时，所述融合模块，具体可以用于将每个所述待压缩子数据对应的维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到每个所述待压缩子数据对应的图像特征子数据，基于每个所述待压缩子数据对应的图像特征子数据，确定所述待压缩图像数据对应的图像特征数据。

可选的，在一些实施例中，所述压缩模块可以包括第一分解子模块和压缩子模块，如下：

第一分解子模块，用于对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据；

压缩子模块，用于基于所述多个维度转换后子数据，对所述目标特征分解后数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

可选的，在一些实施例中，所述第一分解子模块可以包括第二分解子模块和确定子模块，如下：

第二分解子模块，用于对所述图像特征数据进行特征分解，得到多个特征分解后数据；

确定子模块，用于基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据。

则此时，所述确定子模块，具体可以用于从所述多个特征分解后数据中确定待处理特征数据，对所述待处理特征数据进行矩阵分割，得到矩阵分割结果，基于所述矩阵分割结果，确定所述图像特征数据对应的目标特征分解后数据。

此外，本申请实施例还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例提供的任一种图像数据压缩方法中的步骤。

此外，本申请实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请实施例提供的任一种图像数据压缩方法中的步骤。

本申请实施例可以获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。该方案提升图像数据压缩的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的图像数据压缩系统的场景示意图；

图2是本申请实施例提供的图像数据压缩方法的第一流程图；

图3是本申请实施例提供的图像数据压缩方法的第二流程图；

图4是本申请实施例提供的图像数据压缩方法的第三流程图；

图5是本申请实施例提供的二阶矩阵的计算示意图；

图6是本申请实施例提供的数据传输示意图；

图7是本申请实施例提供的图像数据压缩装置的结构示意图；

图8是本申请实施例提供的电子设备的结构示意图。

具体实施方式

请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本文所使用的术语“模块”可看作为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看作为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例提供一种图像数据压缩方法、装置、存储介质和电子设备。具体地，本申请实施例提供适用于电子设备的图像数据压缩方法。其中，电子设备可以为终端等设备，该终端可以为手机、平板电脑、笔记本电脑、个人计算机、智能电视、盒子等设备；其中，该电子设备还可以为服务器等设备，该服务器可以是单台服务器，也可以是由多个服务器组成的服务器集群。

比如，图像数据压缩装置可以集成在终端或服务器中。

在本申请实施例中，图像数据压缩方法可以由终端或者服务器单独执行，也可以由终端和服务器共同执行完成。

参考图1，比如，电子设备可以用于获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。

其中，另一个实施例中，还可以在终端安装的图像处理客户端上，采集待压缩图像数据，该待压缩图像数据可以为图像，也可以为视频，等等。当检测到针对待压缩图像数据的图像数据获取请求时，获取待压缩图像数据，并将待压缩图像数据发送给服务器。服务器可以根据接收到的待压缩图像数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据，并将压缩后图像数据返回至图像处理客户端。

可以理解的是，在另一个实施例中，图像数据压缩方法中的步骤还可以由终端执行，图像数据压缩装置可以以图像处理客户端的形式集成在该终端中，该图像处理客户端可以进行专业的图像数据压缩等操作。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

本申请实施例将从图像数据压缩装置的角度进行描述，该图像数据压缩装置具体可以集成在终端，也可以集成在服务器中。

本申请实施例提供的一种图像数据压缩方法，该方法可以由服务器的处理器执行，如图2所示，该图像数据压缩方法的具体流程可以如下：

201、获取待压缩图像数据。

由于在物联网中的各种传感器、监控设备、自动驾驶车辆等等，都会被连接在一起以便互相通信，在这些设备上会获取到图像、视频等图像数据，而这些图像数据一般都具有很大的数据量或者维度。处理大量的图像数据需要很长的处理时间、以及很昂贵的硬件存储设备，因此，通常不会在本地进行大量图像数据的处理，而是会交由中心处理单元完成。如图6所示，不同的硬件或者物理地址之间将图像数据传输给中心处理单元时，会占据很大的带宽，需要很长的处理时间，消耗很多电量。

因此，需要利用压缩技术实现图像数据的传输，一方面，在将图像数据传输给中心处理单元的时候，使用压缩技术能减少传输带宽的压力，从而使得传输更加快速，满足数据传输的实时性；另一方面，在中心处理单元存储压缩后的图像数据，能够减少存储量，同时便于执行后续的机器学习、数据挖掘等数据处理步骤。

其中，待压缩图像数据可以为在进行图像数据传输过程中，为了减少传输带宽的压力，提升图像数据传输的效率，而需要进行压缩的图像数据。该待压缩图像数据可以为利用数值表示图像中各像素的灰度值的集合，该待压缩图像数据可以表示为矩阵形式。比如，待压缩图像数据可以为需要进行图像压缩的监控图像对应的图像数据，或者需要进行压缩的监控视频对应的图像数据，等等。

在实际应用中，待压缩图像数据中可以包括多个初始维度的待压缩子数据。比如，获取到来自图像采集设备或者视频采集设备的图像或者视频后，可以将其转换为图像数据。其中，图像数据是指用数值表示的图像中各像素的灰度值的集合，图像数据可以表示为矩阵的形式。其中，可以利用X表示待压缩图像数据，该待压缩图像数据X的大小可以为d×n，利用x₁、x₂、…、x_n表示n个待压缩子数据，每个待压缩子数据都为d维的向量，也即，待压缩图像数据X中可以包括n个d维的向量X＝[x₁,x₂,...x_n]，其中，初始维度为d维。

在一实施例中，待压缩图像数据的获取可以有多种方法，比如，待压缩图像数据可以为由摄像头、移动终端、传感器等设备，采集得到的图像或者视频等所对应的图像数据；又比如，待压缩图像数据还可以为由分布式数据库，实时收集得到的图像或者视频等所对应的图像数据，等等。如图6所示，一方面，可以从若干计算资源、能源有限的分布式终端获取图像数据，这种图像数据是分布式存在的；另一方面，由于很多图像数据会存放在多个数据库、多个不同的内存和硬存块上，也可以从这些数据库、内存和硬存块上获取图像数据，这些图像数据属于间接的分布式存储。

202、确定每个待压缩子数据对应的维度转换参数。

其中，维度转换参数是能够对待压缩子数据进行维度转换的参考数据，也即，利用维度转换参数，可以将高维度的待压缩子数据，压缩为低维度的维度转换后子数据。

其中，维度转换参数可以对应着目标维度，该目标维度是经过维度转换后需要得到的维度，比如，待压缩子数据的初始维度可以为d，目标维度可以为m，也即，利用维度转换参数，可以将维度为d的待压缩子数据，转换成维度为m的维度转换后子数据。

在实际应用中，由于待压缩图像数据中包括多个待压缩子数据，因此，可以针对多个待压缩子数据，采用不同的维度转换参数进行维度转换。比如，可以利用X表示待压缩图像数据，该待压缩图像数据X的大小可以为d×n，利用x₁、x₂、…、x_n表示n个待压缩子数据，每个待压缩子数据都为d维的向量，也即，待压缩图像数据X中可以包括n个d维的向量X＝[x₁,x₂,...x_n]。

然后，可以确定出每个待压缩子数据x_i对应的维度转换参数S_i，如待压缩子数据x₁对应的维度转换参数S₁、待压缩子数据x₂对应的维度转换参数S₂、…、待压缩子数据x_n对应的维度转换参数S_n，等等。这些维度转换参数S₁～S_n可以不同，其中，待压缩子数据x_i对应的初始维度为d，而维度转换参数S_i对应着目标维度m，并且，目标维度m远远小于初始维度d，这样可以达到减少数据量的目的。

在一实施例中，可以通过构建合理的概率分布，获取到每个待压缩子数据对应的维度转换参数，不但提升了数据压缩的效率，而且可以保证数据压缩后的准确性。具体地，步骤“确定每个所述待压缩子数据对应的维度转换参数”，可以包括：

对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布；

基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数。

在实际应用中，比如，可以利用X表示待压缩图像数据，该待压缩图像数据X的大小可以为d×n，利用x₁、x₂、…、x_n表示n个待压缩子数据，每个待压缩子数据都为d维的向量，也即，待压缩图像数据X中可以包括n个d维的向量X＝[x₁,x₂,...x_n]。

然后，可以获取每个待压缩子数据x_i对应的抽样概率分布p_i，该抽样概率分布p_i是针对待压缩子数据x_i的d维的抽样概率分布，也即抽样概率分布p_i的计算依赖于待压缩子数据x_i，其中，抽样概率分布p_i中第j个元素值的计算公式可以为：

获取到待压缩子数据x_i对应的抽样概率分布p_i之后，可以根据抽样概率分布p_i构建维度转换参数S_i，其中，维度转换参数S_i的大小为d×m，m为目标维度，并且维度转换参数S_i中每一列只有一个元素非0，其余元素都是0。这种利用抽样获取维度转换参数S_i的方法，会使得计算上更简单，获取结果更准确。

在一实施例中，还可以通过结合多种抽样方法，更好地平衡准确度、以及异常数据处理之间的关系。具体地，步骤“对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布”，可以包括：

对每个所述待压缩子数据进行第一类型抽样，得到每个所述待压缩子数据对应的第一抽样概率分布；

对每个所述待压缩子数据进行第二类型抽样，得到每个所述待压缩子数据对应的第二抽样概率分布；

基于所述第一抽样概率分布、以及所述第二抽样概率分布，确定每个所述待压缩子数据对应的抽样概率分布。

在实际应用中，可以利用L1范数，对每个待压缩子数据进行第一类型抽样，得到每个待压缩子数据对应的第一抽样概率分布，利用L2范数对每个待压缩子数据进行第二类型抽样，得到每个待压缩子数据对应的第二抽样概率分布，然后基于第一抽样概率分布、以及第二抽样概率分布，确定每个待压缩子数据对应的抽样概率分布。

其中，L1范数可以为向量中每个元素绝对值的和，由于L1范数的性质，对L1优化的解是一个稀疏解，因此L1范数也被称为稀疏规则算子，利用L1可以实现特征的稀疏，去掉一些没有信息的特征。其中，L1范数可以表示为：

其中，L2范数可以为向量元素绝对值的平方和再开平方，L2范数可以表示为：

比如，可以利用L1范数，对每个待压缩子数据进行第一类型抽样，得到每个待压缩子数据对应的第一抽样概率分布。由于||x_i||₁是向量的L1范数，因此该第一类型抽样为L1抽样。其中，第一抽样概率分布的计算公式可以为：

并且，可以利用L2范数对每个待压缩子数据进行第二类型抽样，得到每个待压缩子数据对应的第二抽样概率分布。由于

是向量的L2范数，因此该第二类型抽样为L2抽样。其中，第二抽样概率分布的计算公式可以为：

然后，基于第一抽样概率分布、以及第二抽样概率分布，确定每个待压缩子数据对应的抽样概率分布。其中，抽样概率分布p_i中第j个元素值的计算公式可以为：

其中，利用抽样概率分布获取维度转换参数，一方面可以使得维度转换参数与待压缩图像数据有关，因此，能够使得获取到的维度转换参数更加准确；另一方面，由于结合了第一类型抽样对应的第一抽样概率分布、以及第二类型抽样对应的第二抽样概率分布，因此，在准确度和处理异常数据方面，会得到更好的平衡。

在一实施例中，在利用第一抽样概率分布、以及第二抽样概率分布，确定每个待压缩子数据对应的抽样概率分布时，可以为第一抽样概率分布分配权重α，并且为第二抽样概率分布分配权重1-α，并根据各自对应的权重，获取抽样概率分布。其中，本申请实施例为第一抽样概率分布、以及第二抽样概率分布分配的权重，可以根据实际情况进行调整，也即α与1-α可以根据实际情况设定为不同的数值。

在一实施例中，本申请实施例中不仅限于利用L1抽样、以及L2抽样，获取第一抽样概率分布、以及第二抽样概率分布，进而确定抽样概率分布。还可以根据实际情况利用其他的抽样概率，确定每个待压缩子数据对应的抽样概率分布。但是相对比其他抽样概率而言，利用L1抽样、以及L2抽样，会使得结果的准确性更高。

在一实施例中，还可以不利用抽样的方式，获取每个待压缩子数据对应的抽样概率分布。比如，抽样概率分布S_i中的元素可以从高斯函数中随机抽样获取得到，或者抽样概率分布S_i中的元素可以按照等概率，从+1和-1中进行随机选择得到，等等。

在一实施例中，由于应用维度转换参数的目的是为了进行维度转换，因此，维度转换参数与需要转换得到的目标维度相关。具体地，步骤“基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数”，可以包括：

确定维度转换后需要得到的目标维度；

基于所述待压缩子数据对应的抽样概率分布、以及所述目标维度，构建每个所述待压缩子数据对应的维度转换参数。

在实际应用中，比如，可以利用X表示待压缩图像数据，该待压缩图像数据X的大小可以为d×n，利用x₁、x₂、…、x_n表示n个待压缩子数据，每个待压缩子数据都为d维的向量，也即，待压缩图像数据X中可以包括n个d维的向量X＝[x₁,x₂,...x_n]。

然后，可以首先确定维度转换后需要得到的目标维度m，其中，m远远小于d，这样会达到减少数据量的目的，并且计算得到每个待压缩子数据x_i对应的抽样概率分布p_i。以待压缩子数据x₂对应的维度转换参数S₂为例，维度转换参数S₂的大小为d×m，并且维度转换参数S₂中每一列只有一个元素非0，其余都是0，这样设置是通过d维度的抽样概率分布p₂。其中，抽样概率分布p₂的计算依赖于待压缩子数据x₂，抽样概率分布p₂中的第j个元素值的计算公式可以为：

在一实施例中，本申请实施例不局限于使得维度转换参数中每一列只有一个元素非0，还可以使得维度转换参数中的每一列至少有一个元素非0，这可以根据实际情况进行调整。

203、基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据。

其中，维度转换后子数据是对待压缩子数据进行维度转换后得到的数据，维度转换后子数据的维度与待压缩子数据的维度不同，比如，待压缩子数据的维度可以为初始维度d，维度转换参数对应的目标维度可以为m，也即，利用维度转换参数，可以将维度为d的待压缩子数据，转换成维度为m的维度转换后子数据。

在实际应用中，由于每个待压缩子数据都对应一个维度转换参数，因此，可以使得每个待压缩子数据都对应一个维度转换后的维度转换后子数据。比如，可以利用X表示待压缩图像数据，该待压缩图像数据X的大小可以为d×n，利用x₁、x₂、…、x_n表示n个待压缩子数据，每个待压缩子数据都为d维的向量，也即，待压缩图像数据X中可以包括n个d维的向量X＝[x₁,x₂,...x_n]。还可以获取到每个待压缩子数据x_i对应的维度转换参数S_i，则可以利用每个待压缩子数据x_i对应的维度转换参数S_i，获取到每个待压缩子数据x_i对应的维度转换后子数据y_i。

如图5所示，可以利用待压缩子数据x₁对应的维度转换参数S₁，获取到待压缩子数据x₁对应的维度转换后子数据y₁；利用待压缩子数据x₂对应的维度转换参数S₂，获取到待压缩子数据x₂对应的维度转换后子数据y₂；…；利用待压缩子数据x_n对应的维度转换参数S_n，获取到待压缩子数据x_n对应的维度转换后子数据y_n，其中，维度转换后子数据的计算公式可以如下：

其中，获取到多个维度转换后子数据后，可以根据这些维度转换后子数据，构建维度转换后数据[y₁,y₂,...y_n]。

在一实施例中，获取到维度转换后数据[y₁,y₂,...y_n]之后，需要对该维度转换后数据[y₁,y₂,...y_n]进行传输。理论上，还需要同时对多个维度转换参数S₁、S₂、…、S_n进行传输，但是由于维度转换参数中的非0元素，可以根据待压缩子数据、以及相应的维度转换后子数据计算得到，因此，实际上无需对多个维度转换参数S₁、S₂、…、S_n进行传输。利用这种方法进行数据传输，可以仅传输维度转换后数据[y₁,y₂,...y_n]，由于维度转换后数据是经过维度压缩的数据，因此，传输这种数据可以大大减少数据量，提升传输的效率。

204、将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据。

其中，图像特征数据是进行图像数据压缩的过程中，表征图像特征的数据，在现有的图像特征压缩技术中，可以给定大小为d×n的图像矩阵X、以及其对应的二阶矩阵，然后利用二阶矩阵实现对图像矩阵的压缩，这里的二阶矩阵可以确定为图像特征数据。二阶矩阵的准确计算，会影响到图像数据压缩的质量。其中，二阶矩阵的计算公式可以为：

其中，在现有的图像特征压缩技术中，可以给定大小为d×n的图像矩阵X、以及其对应的二阶矩阵C，其中，二阶矩阵的计算公式可以为：

并且利用低维矩阵S进行维度的压缩。但是二阶矩阵计算的时间复杂度、存储复杂度、以及可能的通信量，都会随着数据量和维度的增大而增大，并且呈现出平方或者三次方的增长趋势。利用这种方法计算出的二阶矩阵进行数据压缩时，会出现数据量过大、以及效率较低的问题。

因此，如果通过一定的方法减少数据量，那么就能有效解决物联网中数据传输困难的问题，同时也会方便图像数据完成快速准确的压缩。比如，在实际应用中，可以通过多个维度转换参数、以及多个维度转换后子数据，进行图像特征数据的计算，其中，图像特征数据的计算公式可以为：

利用这种方法获取到的图像特征数据，与现有的图像特征压缩技术获取到的二阶矩阵之间误差很小，但是可以大大地减少计算时间，并且大大地减少存储量，从而可以达到针对大量数据快速有效计算的目的。

在一实施例中，本申请实施例可以通过利用维度转换参数、以及维度转换后子数据，确定图像特征数据，，由于本实施例可以仅传输数据量较小的维度转换后子数据，因此可以大大地提高图像数据压缩的效率。具体地，步骤“将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据”，可以包括：

将每个所述待压缩子数据对应的维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到每个所述待压缩子数据对应的图像特征子数据；

基于每个所述待压缩子数据对应的图像特征子数据，确定所述待压缩图像数据对应的图像特征数据。

在实际应用中，由于每个待压缩子数据x_i都对应着一个维度转换参数S_i，并且对应着一个维度转换后子数据y_i，因此，基于待压缩子数据x_i对应的维度转换参数S_i、以及待压缩子数据x_i对应的维度转换后子数据y_i，可以构建出待压缩子数据x_i对应的图像特征子数据C_i，其中，图像特征子数据C_i的计算公式可以如下：

然后，可以基于多个待压缩子数据x_i对应的图像特征子数据C_i，构建出待压缩图像数据X对应的图像特征数据C。其中，图像特征数据C的计算公式可以如下：

由于利用多个维度转换参数、以及多个维度转换后子数据，就可以构建出待压缩图像数据对应的图像特征数据。利用这种方法构建得到的图像特征数据，与根据待压缩图像数据构建得到的图像特征数据之间相差很小，可以保证数据压缩的准确性。并且利用这种方法，只需传输数据量较小的维度转换后子数据，大大地减少了存储量、提升了传输效率。

205、基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。

在实际应用中，比如，获取到多个维度转换后子数据y₁、y₂、…、y_n，可以利用维度转换后子数据对图像特征数据C进行特征压缩，得到待压缩图像数据X对应的压缩后图像数据。

在一实施例中，可以利用奇异值分解的方法，对图像特征数据进行特征分解。具体地，步骤“基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据”，可以包括：

对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据；

基于所述多个维度转换后子数据，对所述目标特征分解后数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

其中，奇异值分解是一种矩阵分解方法，若A是一个m×n的矩阵，则可以对矩阵A进行分解，分解为如下形式：

A＝UΣV^T

其中，U和V都是单位正交阵，也即存在UU^T＝I、以及VV^T＝I，U称为左奇异矩阵，V称为右奇异矩阵，Σ称为奇异值，其仅在主对角线上有值，其他元素均为0。以上矩阵的维度分别为：U∈R^m×m，Σ∈R^m×n，V∈R^n×n。

在实际应用中，比如，可以利用奇异值分解的方式，对图像特征数据C进行特征分解，并利用分解后得到的结果，确定图像特征数据C对应的目标特征分解后数据P，该目标特征分解后数据P是一个低维矩阵。然后，可以利用维度转换后数据[y₁,y₂,...y_n]，对目标特征分解后数据P进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。

在一实施例中，由于奇异值分解后，会得到多个分解后的矩阵，因此，可以根据分解后得到的矩阵，构建目标特征分解后数据P。具体地，步骤“对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据”，可以包括：

对所述图像特征数据进行特征分解，得到多个特征分解后数据；

基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据。

在实际应用中，比如，可以利用奇异值分解，对图像特征数据C进行特征分解，得到U、Σ、V三个矩阵，这三个矩阵即为特征分解后数据，由于图像特征数据C为对称矩阵，因此分解得到的V＝U，并且矩阵U的大小为n×n。则可以根据分解后得到的矩阵，构建出图像特征数据C对应的目标特征分解后数据P。

在一实施例中，具体地，步骤“基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据”，可以包括：

从所述多个特征分解后数据中确定待处理特征数据；

对所述待处理特征数据进行矩阵分割，得到矩阵分割结果；

基于所述矩阵分割结果，确定所述图像特征数据对应的目标特征分解后数据。

在实际应用中，比如，可以利用奇异值分解，对图像特征数据C进行特征分解，得到矩阵U、矩阵Σ、矩阵V三个矩阵，这三个矩阵即为特征分解后数据，由于图像特征数据C为对称矩阵，因此分解得到的V＝U，并且矩阵U的大小为n×n。可以将矩阵U确定为待处理特征数据，并从矩阵U中获取从左数的k列，得到一个大小为n×k的矩阵，该截取到的矩阵即为目标特征分解后数据P。获取到目标特征分解后数据P之后，可以使得维度转换后数据[y₁,y₂,...y_n]与目标特征分解后数据P相乘，得到待压缩图像数据对应的压缩后图像数据。其中，本申请实施例中k的取值可以设置为远小于n的取值，这样可以达到数据压缩的效果。

在一实施例中，获取到压缩后图像数据之后，可以将该压缩后图像数据与目标特征分解后数据P的转置矩阵相乘，就可以恢复出与待压缩图像数据视觉上相似的图像数据。

本申请实施例所提供的图像数据压缩方法的实现环境可以为Windows 10，C++11，通过稀疏采样的方法进行数据传输，通过构建合理的抽样分布获取抽样概率分布，并且获取到准确的图像特征数据，以便进行图像数据的压缩。利用本申请实施例可以在保证数据准确度的情况下，使得数据压缩所需的计算时间、存储量、以及带宽都能得到有效的减少，并且可以为各种ToB、ToC端及其学习的应用提供了一定的性能保证。

其中，在需要对图像数据进行压缩时，不仅可以采用上文所描述的获取多个待压缩子矩阵X＝[x₁,x₂,...,x_n]，并确定每个待压缩子矩阵对应的维度转换参考矩阵S_i，然后利用待压缩子矩阵x_i、与其对应的维度转换参考矩阵S_i，获取每个待压缩子矩阵对应的维度转换后子矩阵y_i，再利用维度转换后子矩阵进行后续的图像数据压缩步骤。还可以直接获取初始维度为d的待压缩图像数据X，并利用低维矩阵S进行压缩。这样也能够使得压缩后的数据量变少，并减少终端传送给中心处理单元的数据量，需要的带宽也变少。然而，利用这种方法进行数据压缩，会使得所有的压缩数据落在同一个压缩空间里，误差较大，从而使得准确度偏低，并且在应用上存在限制。因此，针对不同的待压缩子数据，采用不同的维度转换参数，可以避免由于所有的压缩数据都落在同一个压缩空间里，而导致的准确性无法保障的问题。

在一实施例中，本申请实施例提供的图像数据压缩方法可以应用于多种领域，从而可以大大地促进技术方案的落地，提高相关业务的竞争力，具有极大的社会效益、以及经济效益。比如，本申请实施例提供的图像数据压缩方法可以应用于物联网、图像识别系统、自动驾驶系统、以及云端VR游戏等等场景中，并且为这些系统更广泛的应用落地提供了更为快速、可靠的保障。

由上可知，本申请实施例可以获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。该方案可以在保证图像数据压缩准确性的情况下，大大地减少图像数据压缩的计算资源，减少图像数据压缩中所需传输的数据量、以及存储量，减少传输过程中所需的带宽，从而达到提升图像数据压缩效率的目的。

根据前面实施例所描述的方法，以下将以该图像数据压缩装置具体集成在电子设备举例作进一步详细说明。

参考图3，本申请实施例的图像数据压缩方法的具体流程可以如下：

301、电子设备获取待压缩图像、以及待压缩图像对应的待压缩矩阵。

在实际应用中，比如，各种传感器、监控设备等在运行过程中会采集到大量监控图像数据，如图4所示，电子设备可以从若干个计算资源有限或者能源有限的分布式终端上获取监控图像，其中，该监控图像可以确定为需要进行压缩的待压缩图像。然后将获取到的待压缩图像转化为相应的矩阵形式的待压缩矩阵X，这种获取到的数据是分布式存在的。又比如，由于很多数据会存放在多个数据库、多个不同的内存、以及硬存块上，这些数据属于间接的分布式存储，因此，也可以从这些数据库、内存、以及硬存块上获取待压缩图像，并将获取到的待压缩图像转化为相应的矩阵形式的待压缩矩阵X。其中，待压缩矩阵X的大小为d×n，该待压缩矩阵X中可以包括n个d维的待压缩子矩阵，也即待压缩矩阵可以表示为：X＝[x₁,x₂,...,x_n]。

302、电子设备获取每个待压缩子矩阵对应的抽样概率分布。

在实际应用中，比如，可以获取每个d维的待压缩子矩阵x_i对应的抽样概率分布p_i，该抽样概率分布p_i的计算依赖于待压缩子矩阵x_i，其中，以待压缩子矩阵x₂为例，待压缩子矩阵x₂对应的抽样概率分布p₂中第j个元素值的计算公式可以如下：

在一实施例中，比如，可以利用L1范数，对待压缩子矩阵x₂进行第一类型抽样，得到待压缩子矩阵x₂对应的第一抽样概率分布。由于||x₂||₁是向量的L1范数，因此该第一类型抽样为L1抽样。其中，第一抽样概率分布的计算公式可以为：

并且，可以利用L2范数，对待压缩子矩阵x₂进行第二类型抽样，得到待压缩子矩阵x₂对应的第二抽样概率分布。由于

是向量的L2范数，因此该第二类型抽样为L2抽样。其中，第二抽样概率分布的计算公式可以为：

然后，基于第一抽样概率分布、以及第二抽样概率分布，可以确定待压缩子矩阵x₂对应的抽样概率分布p₂。其中，抽样概率分布p₂中第j个元素值的计算公式可以为：

其中，采用抽样的方法获取待压缩子矩阵x_i对应的抽样概率分布p_i，可以使得计算上更简单，并且结果更准确。抽样概率分布p_i一方面和待压缩子矩阵x_i有关，所以直观上更准确；另一方面，该抽样概率分布p_i结合了L1抽样和L2抽样，从而在准确度和处理异常数据方面可以得到更好的平衡。

303、电子设备基于多个抽样概率分布，构建每个待压缩子矩阵对应的维度转换参考矩阵。

在实际应用中，比如，如图4所示，针对不同的待压缩子矩阵x_i，可以采用不同的维度转换参考矩阵S_i进行维度转换，而不是相同的维度转换参考矩阵，这样可以避免所有的压缩数据落在同一压缩空间里，从而达到减小误差，提升准确性的目的。以待压缩子矩阵x_i对应的维度转换参考矩阵S₂为例，维度转换参考矩阵S₂的大小为d×m，其中，m是目标维度，也即需要经过维度压缩后得到的维度，m远远小于d，这样可以达到减少数据量的目的。维度转换参考矩阵S₂中每一列只有一个元素非0，其余元素都是0。

304、电子设备基于维度转换参考矩阵对待压缩子矩阵进行维度压缩，获取每个待压缩子矩阵对应的维度转换后子矩阵。

在实际应用中，比如，如图4所示，获取到每个待压缩子矩阵x_i对应的维度转换参考矩阵S_i后，可以基于维度转换参考矩阵S_i对相应的待压缩子矩阵x_i进行维度压缩，并得到每个待压缩子矩阵x_i对应的维度转换后子矩阵y_i。其中，获取多个维度转换后子矩阵y_i的计算公式如下：

其中，获取到多个维度转换后子矩阵y_i后，可以根据这些维度转换后子矩阵，构建维度转换后矩阵[y₁,y₂,...y_n]。

在一实施例中，如图4所示，获取到维度转换后矩阵[y₁,y₂,...y_n]之后，需要对该维度转换后矩阵[y₁,y₂,...y_n]进行传输。理论上，还需要同时对多个维度转换参考矩阵S₁、S₂、…、S_n进行传输，但是由于维度转换参考矩阵中的非0元素，可以根据待压缩子矩阵、以及相应的维度转换后子矩阵计算得到，也就是维度转换参考矩阵，可以利用维度转换后子矩阵完全恢复，因此，实际上无需对多个维度转换参考矩阵S₁、S₂、…、S_n进行传输。利用这种方法进行数据传输，可以仅传输维度转换后矩阵[y₁,y₂,...y_n]，由于维度转换后矩阵是经过维度压缩的数据，因此，传输这种数据可以大大减少数据量，提升传输的效率。

305、电子设备基于多个维度转换参考矩阵、以及多个维度转换后子矩阵，确定待压缩矩阵对应的二阶矩阵。

在实际应用中，比如，如图4所示，获取到多个维度转换参考矩阵S₁、S₂、…、S_n、以及多个维度转换后子矩阵y₁、y₂、…、y_n之后，可以计算得到待压缩矩阵X对应的二阶矩阵C，其中，二阶矩阵C的计算公式可以如下：

利用这种方法可以保证获取到的二阶矩阵的准确性，并且，由于使用的是经过压缩的数据，因此，可以大大地减少计算时间、以及存储量，达到了在大数据下快速有效计算的目的。

306、电子设备对二阶矩阵进行奇异值分解，并根据分解后矩阵，构建目标特征分解后矩阵。

在实际应用中，比如，获取到待压缩矩阵X对应的二阶矩阵C后，可以利用奇异值分解的方法，对二阶矩阵C进行奇异值分解。其中，二阶矩阵C经过奇异值分解后可以得到矩阵U、矩阵Σ、矩阵V三个矩阵，由于二阶矩阵C为对称矩阵，因此分解得到的V＝U，并且矩阵U的大小为n×n。可以从矩阵U中获取从左数的k列，得到一个大小为n×k的矩阵，该截取到的矩阵即为低维的目标特征分解后矩阵P，其中，本申请实施例中k的取值远小于n，这样可以达到矩阵压缩的效果。

307、电子设备基于多个维度转换后子矩阵，对目标特征分解后矩阵进行图像压缩，得到待压缩矩阵对应的压缩后矩阵。

在实际应用中，比如，如图4所示，获取到目标特征分解后矩阵P之后，可以使得维度转换后矩阵[y₁,y₂,...y_n]与目标特征分解后矩阵P相乘，得到待压缩矩阵X对应的压缩后矩阵。

308、电子设备基于多个维度转换后子矩阵，对压缩后矩阵进行图像恢复，得到恢复后的压缩后图像。

在实际应用中，比如，由于此时获取到的压缩后矩阵为经过压缩之后的数据，因此，还需要对该压缩后矩阵进行恢复，可以将压缩后矩阵与目标特征分解后矩阵P的转置相乘，就能获取到与待压缩图像在视觉相似的图像。此时，即实现了将大量的监控图像进行压缩，得到方便传输的压缩后图像，可以将该压缩后图像传输至中心节点。一方面，传输这种压缩后图像可以减少传输带宽的压力，使得传输更快速，满足实时性；另一方面，在中心节点存储压缩后图像，能减少存储量，并且使得后续的机器学习、数据挖掘算法等处理起来更容易。

由上可知，本申请实施例可以通过电子设备获取待压缩图像、以及待压缩图像对应的待压缩矩阵，获取每个待压缩子矩阵对应的抽样概率分布，基于多个抽样概率分布，构建每个待压缩子矩阵对应的维度转换参考矩阵，基于维度转换参考矩阵对待压缩子矩阵进行维度压缩，获取每个待压缩子矩阵对应的维度转换后子矩阵，基于多个维度转换参考矩阵、以及多个维度转换后子矩阵，确定待压缩矩阵对应的二阶矩阵，对二阶矩阵进行奇异值分解，并根据分解后矩阵，构建目标特征分解后矩阵，基于多个维度转换后子矩阵，对目标特征分解后矩阵进行图像压缩，得到待压缩矩阵对应的压缩后矩阵，基于多个维度转换后子矩阵，对压缩后矩阵进行图像恢复，得到恢复后的压缩后图像。该方案可以在保证图像数据压缩准确性的情况下，大大地减少图像数据压缩的计算资源，减少图像数据压缩中所需传输的数据量、以及存储量，减少传输过程中所需的带宽，从而达到提升图像数据压缩效率的目的。

为了更好地实施以上方法，相应的，本申请实施例还提供一种图像数据压缩装置，该图像数据压缩装置可以集成在电子设备中，参考图7，该图像数据压缩装置包括获取模块71、确定模块72、维度转换模块73、融合模块74和压缩模块75，如下：

获取模块71，用于获取待压缩图像数据，所述待压缩图像数据包括多个初始维度的待压缩子数据；

确定模块72，用于确定每个所述待压缩子数据对应的维度转换参数；

维度转换模块73，用于基于每个所述待压缩子数据对应的维度转换参数，对每个所述待压缩子数据进行维度转换，得到多个维度转换后子数据；

融合模块74，用于将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据；

压缩模块75，用于基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

在一实施例中，所述确定模块72可以包括抽样子模块721和构建子模块722，如下：

抽样子模块721，用于对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布；

构建子模块722，用于基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数。

在一实施例中，所述抽样子模块721可以具体用于：

对每个所述待压缩子数据进行第一类型抽样，得到每个所述待压缩子数据对应的第一抽样概率分布；

对每个所述待压缩子数据进行第二类型抽样，得到每个所述待压缩子数据对应的第二抽样概率分布；

基于所述第一抽样概率分布、以及所述第二抽样概率分布，确定每个所述待压缩子数据对应的抽样概率分布。

在一实施例中，所述构建子模块722可以具体用于：

确定维度转换后需要得到的目标维度；

基于所述待压缩子数据对应的抽样概率分布、以及所述目标维度，构建每个所述待压缩子数据对应的维度转换参数。

在一实施例中，所述融合模块74可以具体用于：

将每个所述待压缩子数据对应的维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到每个所述待压缩子数据对应的图像特征子数据；

基于每个所述待压缩子数据对应的图像特征子数据，确定所述待压缩图像数据对应的图像特征数据。

在一实施例中，所述压缩模块75可以包括第一分解子模块751和压缩子模块752，如下：

第一分解子模块751，用于对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据；

压缩子模块752，用于基于所述多个维度转换后子数据，对所述目标特征分解后数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

在一实施例中，所述第一分解子模块751可以包括第二分解子模块7511和确定子模块7512，如下：

第二分解子模块7511，用于对所述图像特征数据进行特征分解，得到多个特征分解后数据；

确定子模块7512，用于基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据。

在一实施例中，所述确定子模块7512可以具体用于：

从所述多个特征分解后数据中确定待处理特征数据；

对所述待处理特征数据进行矩阵分割，得到矩阵分割结果；

基于所述矩阵分割结果，确定所述图像特征数据对应的目标特征分解后数据。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本申请实施例可以通过获取模块71获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，通过确定模块72确定每个待压缩子数据对应的维度转换参数，通过维度转换模块73基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，通过融合模块74将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，通过压缩模块75基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。该方案可以在保证图像数据压缩准确性的情况下，大大地减少图像数据压缩的计算资源，减少图像数据压缩中所需传输的数据量、以及存储量，减少传输过程中所需的带宽，从而达到提升图像数据压缩效率的目的。

本申请实施例还提供一种电子设备，该电子设备可以集成本申请实施例所提供的任一种图像数据压缩装置。

例如，如图8所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器81、一个或一个以上计算机可读存储介质的存储器82、电源83和输入单元84等部件。本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中：

处理器81是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器82内的软件程序和/或模块，以及调用存储在存储器82内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器81可包括一个或多个处理核心；优选的，处理器81可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器81中。

存储器82可用于存储软件程序以及模块，处理器81通过运行存储在存储器82的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器82可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器82还可以包括存储器控制器，以提供处理器81对存储器82的访问。

电子设备还包括给各个部件供电的电源83，优选的，电源83可以通过电源管理系统与处理器81逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源83还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入单元84，该输入单元84可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器81会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器82中，并由处理器81来运行存储在存储器82中的应用程序，从而实现各种功能，如下：

获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本申请实施例可以获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。该方案可以在保证图像数据压缩准确性的情况下，大大地减少图像数据压缩的计算资源，减少图像数据压缩中所需传输的数据量、以及存储量，减少传输过程中所需的带宽，从而达到提升图像数据压缩效率的目的。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种电子设备，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种图像数据压缩方法中的步骤。例如，该指令可以执行如下步骤：

获取待压缩图像数据，待压缩图像数据包括多个初始维度的待压缩子数据，确定每个待压缩子数据对应的维度转换参数，基于每个待压缩子数据对应的维度转换参数，对每个待压缩子数据进行维度转换，得到多个维度转换后子数据，将多个维度转换后子数据、与每个待压缩子数据对应的维度转换参数进行融合，得到待压缩图像数据对应的图像特征数据，基于多个维度转换后子数据，对图像特征数据进行特征压缩，得到待压缩图像数据对应的压缩后图像数据。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种图像数据压缩方法中的步骤，因此，可以实现本申请实施例所提供的任一种图像数据压缩方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种图像数据压缩方法、装置、存储介质和电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像数据压缩方法，其特征在于，包括：

获取待压缩图像数据，所述待压缩图像数据包括多个初始维度的待压缩子数据；

对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布；

基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数；

基于每个所述待压缩子数据对应的维度转换参数，对每个所述待压缩子数据进行维度转换，得到多个维度转换后子数据；

将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据；

基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

2.根据权利要求1所述的图像数据压缩方法，其特征在于，对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布，包括：

对每个所述待压缩子数据进行第一类型抽样，得到每个所述待压缩子数据对应的第一抽样概率分布；

对每个所述待压缩子数据进行第二类型抽样，得到每个所述待压缩子数据对应的第二抽样概率分布；

基于所述第一抽样概率分布、以及所述第二抽样概率分布，确定每个所述待压缩子数据对应的抽样概率分布。

3.根据权利要求1所述的图像数据压缩方法，其特征在于，基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数，包括：

确定维度转换后需要得到的目标维度；

基于所述待压缩子数据对应的抽样概率分布、以及所述目标维度，构建每个所述待压缩子数据对应的维度转换参数。

4.根据权利要求1所述的图像数据压缩方法，其特征在于，将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据，包括：

将每个所述待压缩子数据对应的维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到每个所述待压缩子数据对应的图像特征子数据；

基于每个所述待压缩子数据对应的图像特征子数据，确定所述待压缩图像数据对应的图像特征数据。

5.根据权利要求1所述的图像数据压缩方法，其特征在于，基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据，包括：

对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据；

基于所述多个维度转换后子数据，对所述目标特征分解后数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

6.根据权利要求5所述的图像数据压缩方法，其特征在于，对所述图像特征数据进行特征分解，得到所述图像特征数据对应的目标特征分解后数据，包括：

对所述图像特征数据进行特征分解，得到多个特征分解后数据；

基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据。

7.根据权利要求6所述的图像数据压缩方法，其特征在于，基于所述多个特征分解后数据，确定所述图像特征数据对应的目标特征分解后数据，包括：

从所述多个特征分解后数据中确定待处理特征数据；

对所述待处理特征数据进行矩阵分割，得到矩阵分割结果；

基于所述矩阵分割结果，确定所述图像特征数据对应的目标特征分解后数据。

8.一种图像数据压缩装置，其特征在于，包括：

获取模块，用于获取待压缩图像数据，所述待压缩图像数据包括多个初始维度的待压缩子数据；

确定模块，用于对每个所述待压缩子数据进行抽样，得到每个所述待压缩子数据对应的抽样概率分布；基于所述待压缩子数据对应的抽样概率分布，构建每个所述待压缩子数据对应的维度转换参数；

维度转换模块，用于基于每个所述待压缩子数据对应的维度转换参数，对每个所述待压缩子数据进行维度转换，得到多个维度转换后子数据；

融合模块，用于将所述多个维度转换后子数据、与每个所述待压缩子数据对应的维度转换参数进行融合，得到所述待压缩图像数据对应的图像特征数据；

压缩模块，用于基于所述多个维度转换后子数据，对所述图像特征数据进行特征压缩，得到所述待压缩图像数据对应的压缩后图像数据。

9.一种计算机存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-7任一项所述的图像数据压缩方法。

10.一种电子设备，包括存储器，压缩器及存储在存储器上并可在压缩器上运行的计算机程序，其中，所述压缩器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。

Images