CN111787321A - 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统 - Google Patents

用于边缘端的基于深度学习的图片压缩、解压缩方法及系统 Download PDF

Info

Publication number
CN111787321A
CN111787321A CN202010639869.6A CN202010639869A CN111787321A CN 111787321 A CN111787321 A CN 111787321A CN 202010639869 A CN202010639869 A CN 202010639869A CN 111787321 A CN111787321 A CN 111787321A
Authority
CN
China
Prior art keywords
image
deep learning
module
neural network
dpu
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010639869.6A
Other languages
English (en)
Inventor
姜凯
乔廷慧
赵鑫鑫
王子彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Inspur Hi Tech Investment and Development Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN202010639869.6A priority Critical patent/CN111787321A/zh
Publication of CN111787321A publication Critical patent/CN111787321A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/184—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being bits, e.g. of the compressed video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/186—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a colour or a chrominance component

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开一种用于边缘端的基于深度学习的图片压缩、解压缩方法及系统，所述系统采用ZYNQ作为主控芯片，在PL端设置基于量化的神经网络的推理模块(DPU)、RAM、概率计算模块、编码模块、译码模块、DMA模块。在PS端设置指令下发模块、数据下发模块、系统监控模块、外部图像采集接口，存储控制接口，其中DPU根据PS端的指令下发模块在同一时间内只能进行卷积或者反卷积操作，同时相应的对编码模块或者译码模块进行选通。在边缘端采集的图像使用该系统，可以获得更更高分辨率，更小的存储空间。

Description

用于边缘端的基于深度学习的图片压缩、解压缩方法及系统
技术领域
本发明涉及图片处理领域，具体是一种用于边缘端的基于深度学习的图片压缩、解压缩方法及系统。
背景技术
随着高分辨率图像采集设备的发展，获取图像的质量越来越高，海量的图像数据与有限的存储空间、有限的网络带宽之间的矛盾日趋突出，因此研究出更好的图片压缩方法对减少图像传输带宽和存储空间有重要意义。
发明内容
针对现有技术的缺陷，本发明提供一种用于边缘端的基于深度学习的图片压缩、解压缩方法及系统，在边缘端采集的图像使用该系统，可以获得更高分辨率、更小的存储空间。
为了解决所述技术问题，本发明采用的技术方案是：一种用于边缘端的基于深度学习的图片压缩方法，包括以下步骤:
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R；
S05）、将压缩文件Z与失真率R一起输出，完成图片压缩。
进一步的，图像信号处理模块进行的原始图像预处理包括图像矫正、补光和去噪。
本发明还公开一种用于边缘端的基于深度学习的图片解压缩方法，本方法包括以下步骤：S01）、接收压缩文件Z和其对应的失真率R，失真率R在压缩文件Z的压缩过程中得到，将压缩文件Z进行熵编码的逆操作得到Y，将Y进行反卷积操作并在误差中增加R，得到解码后的图像X。
本发明还公开一种用于边缘端的基于深度学习的图片压缩、解压缩系统，包括PS端和PL端，PS端包括外部图像采集接口、存储控制接口、指令下发模块、数据下发模块、AXI总线，PL端包括DMA模块、DPU模块、片内RAM、概率计算模块、编码模块和译码模块；
图片压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和编码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的编码器通过多层的卷积神经网络对图像数据进行下采样，输出采样图像，DPU对采样图像进行缩放，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，概率计算模块对量化后的数据进行熵编码转换为压缩文件，从而完成图片压缩；
图片解压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和译码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的概率计算模块进行熵编码的逆操作得到中间图像，译码器将中间图像进行反卷积操作并在误差中增加失真率，得到解码后的图像，从而完成图片解压缩；
完成压缩或解压缩的图像通过DMA发送到PS端，PS端将压缩后的数据通过存储控制接口存放在外部的存储系统中。
进一步的，失真率在图片的压缩过程中得出，压缩得到失真率的过程为：
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R。
进一步的，本系统采用ZYNQ作为主控芯片，ZYNQ是带有ARM硬核和FPGA的SOC芯片。
进一步的，DPU是FPGA上的IP核心，其作用是进行卷积操作或反卷积操作的加速器。
进一步的，PS端还包括系统监控模块，系统监控模块实现对PL端的DPU状态监控和温度监控。
进一步的，所述存储控制接口包括PCIE、SATA接口。
本发明的有益效果：本发明采用ZYNQ作为主控芯片，在PL端设置基于量化的神经网络的推理模块(DPU)、片内RAM、概率计算模块、编码模块、译码模块、DMA模块。在PS端设置神经网络指令下发模块、神经网络数据下发模块、统监控模块、外部图像采集接口，存储控制接口，其中DPU根据PS端的指令下发模块在同一时间内只能进行卷积或者反卷积操作，同时相应的对编码模块或者译码模块进行选通。在边缘端采集的图像使用该系统，可以获得更更高分辨率，更小的存储空间。
附图说明
图1为实施例3的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例公开一种用于边缘端的基于深度学习的图片压缩方法，包括以下步骤：
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R；
S05）、将压缩文件Z与失真率R一起输出，完成图片压缩。
本实施例中，图像信号处理模块进行的原始图像预处理包括图像矫正、补光和去噪。
实施例2
本实施例公开一种用于边缘端的基于深度学习的图片压缩解压缩方法，包括以下步骤：
S01）、接收压缩文件Z和其对应的失真率R，将压缩文件Z进行熵编码的逆操作得到Y，将Y进行反卷积操作并在误差中增加R，得到解码后的图像X。
本实施例中，失真率R在压缩文件Z的压缩过程中得到，压缩文件Z的压缩过程如实施例1所述，此处不再累述。
实施例3
本实施例公开一种用于边缘端的基于深度学习的图片压缩、解压缩系统，如图1所示，包括PS端和PL端，PS端包括外部图像采集接口、存储控制接口、指令下发模块、数据下发模块、AXI总线，PL端包括DMA模块、DPU模块、片内RAM、概率计算模块、编码模块和译码模块；
图片压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和编码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的编码器通过多层的卷积神经网络对图像数据进行下采样，输出采样图像，DPU对采样图像进行缩放，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，概率计算模块对量化后的数据进行熵编码转换为压缩文件，从而完成图片压缩；
图片解压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和译码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的概率计算模块进行熵编码的逆操作得到中间图像，译码器将中间图像进行反卷积操作并在误差中增加失真率，得到解码后的图像，从而完成图片解压缩；
完成压缩或解压缩的图像通过DMA发送到PS端，PS端将压缩后的数据通过存储控制接口存放在外部的存储系统中。
本实施例中，失真率在图片的压缩过程中得出，压缩得到失真率的过程为：
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R。
本实施例中，所述图片压缩、解压缩系统采用ZYNQ作为主控芯片，ZYNQ是带有ARM硬核和FPGA的SOC芯片。其中DPU是FPGA上的IP核心，其作用是进行卷积操作或反卷积操作的加速器。其指令下发依据是FPGA上的PS端ARM核心依据卷积或反卷积的网络大小结合PL端逻辑单元资源情况，将网络进行拆分、参数进行合理的重组，之后将这些类似读取、存储、乘、累加、步长、量化操作、非线性转换等指令按照重组的顺序下发至DPU，DPU按照下发顺序进行执行。针对不同的网络，每层的参数和权重均不相同；同时，即使是相同的网络，也并非可以将所有的参数和权重一次性放到PL端，因为没有这么大的资源，因此PS端，需要根据网络以及PL端资源情况，进行拆分，拆分好后，进行重组，保证可以输入一次数据进行多次计算，避免重复操作。计算的位置：乘、累加、步长调整、量化、非线性等（即编解码）在PL端的DPU完成；概率计算在PL端单独熵编码模块进行；拆分重组在PS端进行。
本实施例中，PS端还包括系统监控模块，系统监控模块实现对PL端的DPU状态监控和温度监控。
本实施例中，所述存储控制接口包括但不限于PCIE、SATA接口。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (9)

1.一种用于边缘端的基于深度学习的图片压缩方法，其特征在于：包括以下步骤:
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R；
S05）、将压缩文件Z与失真率R一起输出，完成图片压缩。
2.根据权利要求1所述的用于边缘端的基于深度学习的图片压缩方法，其特征在于：图像信号处理模块进行的原始图像预处理包括图像矫正、补光和去噪。
3.一种用于边缘端的基于深度学习的图片压缩解压缩方法，其特征在于：包括以下步骤：
S01）、接收压缩文件Z和其对应的失真率R，失真率R在压缩文件Z的压缩过程中得到，将压缩文件Z进行熵编码的逆操作得到Y，将Y进行反卷积操作并在误差中增加R，得到解码后的图像X。
4.一种用于边缘端的用于深度学习的图片压缩、解压缩系统，其特征在于：包括PS端和PL端，PS端包括外部图像采集接口、存储控制接口、指令下发模块、数据下发模块、AXI总线，PL端包括DMA模块、DPU模块、片内RAM、概率计算模块、编码模块和译码模块；
图片压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和编码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的编码器通过多层的卷积神经网络对图像数据进行下采样，输出采样图像，DPU对采样图像进行缩放，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，概率计算模块对量化后的数据进行熵编码转换为压缩文件，从而完成图片压缩；
图片解压缩时，外部图像通过外部图像采集接口进入PS端，同时将深度学习神经网络模型从外部存储读入到PS端，指令下发模块通过AXI总线下发DPU工作指令和译码指令，DPU工作指令由深度学习神经网络模型决定，同时图片数据通过DMA发送到PL端；PL端的概率计算模块进行熵编码的逆操作得到中间图像，译码器将中间图像进行反卷积操作并在误差中增加失真率，得到解码后的图像，从而完成图片解压缩；
完成压缩或解压缩的图像通过DMA发送到PS端，PS端将压缩后的数据通过存储控制接口存放在外部的存储系统中。
5.根据权利要求4所述的用于边缘端的基于深度学习的图片压缩、解压缩系统，其特征在于：失真率在图片的压缩过程中得出，压缩得到失真率的过程为：
S01）、图像传感器采集原始图像并将原始图像经过图像信号处理模块进行原始图像预处理，将原始图像变为RGB或YUV图像码流，该图像码流记为X；
S02）、编码器通过多层的卷积神经网络对图像码流X进行下采样，输出采样图像，该采样图像记为Y；
S03）、采样图像经过缩放的方法，将精度由64bit双精度或32bit单精度浮点量化至8bit定点，量化后的数据再经过熵编码转换为压缩文件，该压缩文件记为Z；
S04）、压缩流程中的Y经过反量化得到Y‘，所述反量化是将8bit定点反算为32bit单精度浮点或者64双精度浮点，Y‘经过多层的反卷积神经网络进行上采样，恢复为原图X‘，将X与X‘进行误差重建得到失真率，该失真率记为R。
6.根据权利要求4所述的用于边缘端的基于深度学习的图片压缩、解压缩系统，其特征在于：本系统采用ZYNQ作为主控芯片，ZYNQ是带有ARM硬核和FPGA的SOC芯片。
7.根据权利要求6所述的用于边缘端的基于深度学习的图片压缩、解压缩系统，其特征在于：DPU是FPGA上的IP核心，其作用是进行卷积操作或反卷积操作的加速器。
8.根据权利要求4所述的用于边缘端的基于深度学习的图片图索、解压缩系统，其特征在于：PS端还包括系统监控模块，系统监控模块实现对PL端的DPU状态监控和温度监控。
9.根据权利要求4所述的用于边缘端的基于深度学习的图片压缩、解压缩系统，其特征在于：所述存储控制接口包括PCIE、SATA接口。
CN202010639869.6A 2020-07-06 2020-07-06 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统 Pending CN111787321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010639869.6A CN111787321A (zh) 2020-07-06 2020-07-06 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010639869.6A CN111787321A (zh) 2020-07-06 2020-07-06 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统

Publications (1)

Publication Number Publication Date
CN111787321A true CN111787321A (zh) 2020-10-16

Family

ID=72758753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010639869.6A Pending CN111787321A (zh) 2020-07-06 2020-07-06 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统

Country Status (1)

Country Link
CN (1) CN111787321A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581366A (zh) * 2020-11-30 2021-03-30 黑龙江大学 一种便携式图像超分辨系统及系统构建方法
CN112804188A (zh) * 2020-12-08 2021-05-14 鹏城实验室 一种可伸缩视觉计算系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389120A (zh) * 2018-10-29 2019-02-26 济南浪潮高新科技投资发展有限公司 一种基于zynqMP的目标检测装置
CN110248191A (zh) * 2019-07-15 2019-09-17 山东浪潮人工智能研究院有限公司 一种基于深层卷积神经网络的视频压缩方法
CN110880194A (zh) * 2019-12-03 2020-03-13 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络的图像压缩方法
CN111246206A (zh) * 2020-01-14 2020-06-05 济南浪潮高新科技投资发展有限公司 一种基于自编码器的光流信息压缩方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389120A (zh) * 2018-10-29 2019-02-26 济南浪潮高新科技投资发展有限公司 一种基于zynqMP的目标检测装置
CN110248191A (zh) * 2019-07-15 2019-09-17 山东浪潮人工智能研究院有限公司 一种基于深层卷积神经网络的视频压缩方法
CN110880194A (zh) * 2019-12-03 2020-03-13 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络的图像压缩方法
CN111246206A (zh) * 2020-01-14 2020-06-05 济南浪潮高新科技投资发展有限公司 一种基于自编码器的光流信息压缩方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581366A (zh) * 2020-11-30 2021-03-30 黑龙江大学 一种便携式图像超分辨系统及系统构建方法
CN112804188A (zh) * 2020-12-08 2021-05-14 鹏城实验室 一种可伸缩视觉计算系统
WO2022121196A1 (zh) * 2020-12-08 2022-06-16 鹏城实验室 一种可伸缩视觉计算系统

Similar Documents

Publication Publication Date Title
CN109600618B (zh) 视频压缩方法、解压缩方法、装置、终端和介质
CN110602491B (zh) 帧内色度预测方法、装置、设备及视频编解码系统
CN105554501B (zh) 一种图像采集与压缩方法及装置
CN109151482B (zh) 星载光谱图像谱段无损有损混合压缩方法
CN110099280B (zh) 一种无线自组织网络带宽受限下的视频业务质量增强方法
CN1825964B (zh) 片上处理视频数据的方法和系统
CN110913218A (zh) 一种视频帧预测方法、装置及终端设备
CN111787321A (zh) 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统
CN111641826A (zh) 对数据进行编码、解码的方法、装置与系统
JP2017005456A (ja) 画像圧縮方法、画像圧縮装置及び撮像装置
US20100166328A1 (en) Image encoder and image encoding method
CN116980611A (zh) 图像压缩方法、装置、设备、计算机程序产品及介质
US7218786B2 (en) Method of compressing and decompressing images
CN115567059A (zh) 数据压缩和解压方法及装置
WO2013011355A1 (en) Method and apparatus for encoding an image
CN111683258B (zh) 一种图像数据的压缩方法以及接口电路
US20200258188A1 (en) Image Compression/Decompression in a Computer Vision System
CN114463453A (zh) 图像重建、编码解码方法、相关装置
JP2002527013A (ja) データ圧縮エンコーダを構築するシステム
JP2011109172A (ja) 映像符号化装置、および、そのデータ処理方法
CN113554719A (zh) 一种图像编码方法、解码方法、存储介质及终端设备
CN104735459B (zh) 视频局部特征描述子的压缩方法、系统及视频压缩方法
CN112200301B (zh) 卷积计算装置及方法
CN114882133B (zh) 一种图像编解码方法、系统、设备及介质
CN113965758B (zh) 基于分块低秩近似的光场图像编码方法、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016