CN116347080B - 基于下采样处理的智能算法应用系统及方法 - Google Patents
基于下采样处理的智能算法应用系统及方法 Download PDFInfo
- Publication number
- CN116347080B CN116347080B CN202310308601.8A CN202310308601A CN116347080B CN 116347080 B CN116347080 B CN 116347080B CN 202310308601 A CN202310308601 A CN 202310308601A CN 116347080 B CN116347080 B CN 116347080B
- Authority
- CN
- China
- Prior art keywords
- data
- compression
- video
- video data
- simplified
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007906 compression Methods 0.000 claims abstract description 260
- 230000006835 compression Effects 0.000 claims abstract description 259
- 238000013144 data compression Methods 0.000 claims abstract description 92
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
-
- 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
- H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
-
- 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
- H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种基于下采样处理的智能算法应用系统,包括:简化处理部件,获取压缩前视频数据的简化数据以及获得压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;信息分析机构,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩。本发明还涉及一种基于下采样处理的智能算法应用方法。通过本发明,能够根据压缩前后视频数据分别对应的两项简化数据以及各项已知压缩数据智能分析对应的压损比以及是否执行两重以上视频数据压缩,从而为后续视频还原度的判断提供关键信息。
Description
技术领域
本发明涉及压缩编码领域,尤其涉及一种基于下采样处理的智能算法应用系统及方法。
背景技术
视频图像数据有很强的相关性,也就是说有大量的冗余信息。其中冗余信息可分为空域冗余信息和时域冗余信息。压缩技术就是将数据中的冗余信息去掉(去除数据之间的相关性),压缩技术包含帧内图像数据压缩技术、帧间图像数据压缩技术和熵编码压缩技术。
视频压缩技术是计算机处理视频的前提。视频信号数字化后数据带宽很高,通常在20MB/秒以上,因此计算机很难对之进行保存和处理。采用压缩技术通常数据带宽降到1-10MB/秒,这样就可以将视频信号保存在计算机中并作相应的处理。常用的算法是由ISO制订的,即JPEG和MPEG算法。JPEG是静态图像压缩标准,适用于连续色调彩色或灰度图像,它包括两部分:一是基于DPCM(空间线性预测)技术的无失真编码,一是基于DCT(离散余弦变换)和哈夫曼编码的有失真算法,前者压缩比很小,主要应用的是后一种算法。在非线性编辑中最常用的是MJPEG算法,即Motion JPEG。它是将视频信号50帧/秒(PAL制式)变为25帧/秒,然后按照25帧/秒的速度使用JPEG算法对每一帧压缩。通常压缩倍数在3.5-5倍时可以达到Betacam的图像质量。MPEG算法是适用于动态视频的压缩算法,它除了对单幅图像进行编码外还利用图像序列中的相关原则,将冗余去掉,这样可以大大提高视频的压缩比。
但是,在视频接收端在实际接收完成压缩处理后的视频数据时,并不了解这些视频数据被实际压缩的情况,即不了解这些视频数据的压损比,导致对视频数据解压缩后还原原始数据的成功率无法准确把握,同时也无法确定这些视频数据是否经过了多达两次压缩以进一步提升压缩效率,减少网络传输带宽。
发明内容
为了解决相关领域的技术问题,本发明提供了一种基于下采样处理的智能算法应用系统及方法,能够根据压缩前后视频数据经过相同采样频率分别获取的两项简化数据、压缩前后视频数据的数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩,从而为视频接收端的用户提供更准确、更可靠的压缩编码信息。
根据本发明的一方面,提供了一种基于下采样处理的智能算法应用系统,所述系统包括:
内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据。
根据本发明的另一方面,还提供了一种基于下采样处理的智能算法应用方法,所述方法包括:
使用内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
使用简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
使用数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
使用信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据。
通过本发明,能够根据压缩前后视频数据分别对应的两项简化数据以及各项已知压缩数据智能分析对应的压损比以及是否执行两重以上视频数据压缩,从而为后续视频还原度的判断提供关键信息。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明第一实施方案示出的基于下采样处理的智能算法应用系统的内部结构示意图。
图2为根据本发明第二实施方案示出的基于下采样处理的智能算法应用系统的内部结构示意图。
图3为根据本发明第三实施方案示出的基于下采样处理的智能算法应用方法的步骤流程示意图。
具体实施方式
下面将参照附图对本发明的基于下采样处理的智能算法应用方法的实施方案进行详细说明。
实施例1
图1为根据本发明第一实施方案示出的基于下采样处理的智能算法应用系统的内部结构示意图,所述系统包括:
内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
示例地,所述内容捕获部件可以包括第一捕获单元以及第二捕获单元,所述第一捕获单元用于获取压缩前视频数据的数据总量以作为第一数据总量输出,所述第二捕获单元用于获取压缩后视频数据的数据总量以作为第二数据总量输出;
简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
示例地,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:可以采用MATLAB工具箱用于仿真实现所述智能分析过程;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出还包括:对所述压缩后视频数据对应的二进制数值进行下采样处理,以获得所述压缩后视频数据的简化数据;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出还包括:对所述压缩后视频数据对应的二进制数值进行的下采样处理以及对所述压缩后视频数据对应的二进制数值进行的下采样处理,二种下采样的频率相等。
实施例2
图2为根据本发明第二实施方案示出的基于下采样处理的智能算法应用系统的内部结构示意图。
在图2中,与图1不同,图2中的基于下采样处理的智能算法应用系统还可以包括:
模型搭建机构,与所述信息分析机构连接,用于将完成固定数目的各次训练后的深度神经网络作为所述深度神经网络模型发送给所述信息分析机构使用;
示例地,可以采用可编程逻辑器件,例如FPGA器件或者CPLD器件,用于实现所述模型搭建机构。
接着,继续对本发明的基于下采样处理的智能算法应用系统的具体结构进行进一步的说明。
在根据本发明上述各个实施方案的基于下采样处理的智能算法应用系统中:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:将第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长并行输入到所述深度神经网络模型;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:所述深度神经网络模型输出对应的压损比以及标记是否执行两重以上视频数据压缩的两重压缩标识。
以及在根据本发明上述各个实施方案的基于下采样处理的智能算法应用系统中:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:当所述两重压缩标识为1时,标记对视频数据执行两重以上视频数据压缩。
实施例3
图3为根据本发明第三实施方案示出的基于下采样处理的智能算法应用方法的步骤流程示意图,所述方法包括:
步骤S301:使用内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
示例地,所述内容捕获部件可以包括第一捕获单元以及第二捕获单元,所述第一捕获单元用于获取压缩前视频数据的数据总量以作为第一数据总量输出,所述第二捕获单元用于获取压缩后视频数据的数据总量以作为第二数据总量输出;
步骤S302:使用简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
步骤S303:使用数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
步骤S304:使用信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
示例地,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:可以采用MATLAB工具箱用于仿真实现所述智能分析过程;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出还包括:对所述压缩后视频数据对应的二进制数值进行下采样处理,以获得所述压缩后视频数据的简化数据;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出还包括:对所述压缩后视频数据对应的二进制数值进行的下采样处理以及对所述压缩后视频数据对应的二进制数值进行的下采样处理,二种下采样的频率相等。
接着,继续对本发明的基于下采样处理的智能算法应用方法的具体步骤进行进一步的说明。
根据本发明上述实施方案的基于下采样处理的智能算法应用方法中还可以包括:
使用模型搭建机构,与所述信息分析机构连接,用于将完成固定数目的各次训练后的深度神经网络作为所述深度神经网络模型发送给所述信息分析机构使用;
示例地,可以采用可编程逻辑器件,例如FPGA器件或者CPLD器件,用于实现所述模型搭建机构。
在根据本发明上述实施方案的基于下采样处理的智能算法应用方法中:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:将第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长并行输入到所述深度神经网络模型;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:所述深度神经网络模型输出对应的压损比以及标记是否执行两重以上视频数据压缩的两重压缩标识。
以及在根据本发明上述实施方案的基于下采样处理的智能算法应用方法中:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:当所述两重压缩标识为1时,标记对视频数据执行两重以上视频数据压缩。
另外,在所述基于下采样处理的智能算法应用系统以及方法中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:当所述两重压缩标识为0时,标记未对视频数据执行两重以上视频数据压缩。
因此,本发明具备了以下两处显著的技术效果:
技术效果一、对压缩前视频数据以及压缩后视频数据分别进行基于等采用频率的下采用处理,以分别获得所述压缩前视频数据的简化数据以及所述压缩后视频数据的简化数据,并作为第一简化数据和第二简化数据以便于后续执行视频压缩信息的智能分析;
技术效果二、根据第一简化数据、第二简化数据、压缩前后视频数据的数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩,从而为视频接收方提供可靠的压缩参考信息。
采用本发明的基于下采样处理的智能算法应用系统及方法,针对现有技术中压缩视频接收方无法准确、可靠判断压缩过程和压缩质量的技术问题,能够根据压缩前后视频数据分别对应的两项简化数据以及各项已知压缩数据智能分析对应的压损比以及是否执行两重以上视频数据压缩,从而为后续视频还原度的判断提供关键信息。
尽管已针对有限数量的实施方案对本发明进行了描述,得益于该公开内容的本领域技术人员会理解可设计没有偏离此处所公开的本发明范围的其它实施方案。因此,本发明的范围只应该被所附权利要求限制。
Claims (8)
1.一种基于下采样处理的智能算法应用系统,其特征在于,所述系统包括:
内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据;
其中,对所述压缩后视频数据对应的二进制数值进行下采样处理,以获得所述压缩后视频数据的简化数据;
其中,对所述压缩后视频数据对应的二进制数值进行的下采样处理以及对所述压缩后视频数据对应的二进制数值进行的下采样处理,二种下采样的频率相等。
2.如权利要求1所述的基于下采样处理的智能算法应用系统,其特征在于,所述系统还包括:
模型搭建机构,与所述信息分析机构连接,用于将完成固定数目的各次训练后的深度神经网络作为所述深度神经网络模型发送给所述信息分析机构使用。
3.如权利要求1-2任一所述的基于下采样处理的智能算法应用系统,其特征在于:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:将第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长并行输入到所述深度神经网络模型;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:所述深度神经网络模型输出对应的压损比以及标记是否执行两重以上视频数据压缩的两重压缩标识。
4.如权利要求3所述的基于下采样处理的智能算法应用系统,其特征在于:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:当所述两重压缩标识为1时,标记对视频数据执行两重以上视频数据压缩。
5.一种基于下采样处理的智能算法应用方法,其特征在于,所述方法包括:
使用内容捕获部件,用于捕获压缩前视频数据以及压缩后视频数据,以及获取压缩前视频数据的数据总量以作为第一数据总量输出,获取压缩后视频数据的数据总量以作为第二数据总量输出;
使用简化处理部件,与所述内容捕获部件连接,用于获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出;
使用数据测量部件,用于测量执行视频数据压缩的视频压缩部件的单位时间运算量以及所述视频压缩部件完成对所述压缩前视频数据执行压缩处理所耗费的时长以作为压缩耗费时长输出;
使用信息分析机构,分别与所述简化处理部件以及所述数据测量部件连接,用于根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩包括:采用深度神经网络模型以根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩;
其中,获取所述压缩前视频数据的简化数据以及获得所述压缩后视频数据的简化数据,并分别作为第一简化数据和第二简化数据输出包括:对所述压缩前视频数据对应的二进制数值进行下采样处理,以获得所述压缩前视频数据的简化数据;
其中,对所述压缩后视频数据对应的二进制数值进行下采样处理,以获得所述压缩后视频数据的简化数据;
其中,对所述压缩后视频数据对应的二进制数值进行的下采样处理以及对所述压缩后视频数据对应的二进制数值进行的下采样处理,二种下采样的频率相等。
6.如权利要求5所述的基于下采样处理的智能算法应用方法,其特征在于,所述方法还包括:
使用模型搭建机构,与所述信息分析机构连接,用于将完成固定数目的各次训练后的深度神经网络作为所述深度神经网络模型发送给所述信息分析机构使用。
7.如权利要求5-6任一所述的基于下采样处理的智能算法应用方法,其特征在于:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:将第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长并行输入到所述深度神经网络模型;
其中,根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:所述深度神经网络模型输出对应的压损比以及标记是否执行两重以上视频数据压缩的两重压缩标识。
8.如权利要求7所述的基于下采样处理的智能算法应用方法,其特征在于:
根据第一简化数据、第二简化数据、第一数据总量、第二数据总量、执行视频数据压缩的视频压缩部件的单位时间运算量以及压缩耗费时长智能分析对应的压损比以及是否执行两重以上视频数据压缩还包括:当所述两重压缩标识为1时,标记对视频数据执行两重以上视频数据压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308601.8A CN116347080B (zh) | 2023-03-27 | 2023-03-27 | 基于下采样处理的智能算法应用系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308601.8A CN116347080B (zh) | 2023-03-27 | 2023-03-27 | 基于下采样处理的智能算法应用系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116347080A CN116347080A (zh) | 2023-06-27 |
CN116347080B true CN116347080B (zh) | 2023-10-31 |
Family
ID=86894517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310308601.8A Active CN116347080B (zh) | 2023-03-27 | 2023-03-27 | 基于下采样处理的智能算法应用系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116347080B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5990955A (en) * | 1997-10-03 | 1999-11-23 | Innovacom Inc. | Dual encoding/compression method and system for picture quality/data density enhancement |
CA2857317A1 (en) * | 2004-04-02 | 2005-10-13 | Schlumberger Canada Limited | Data compression methods and systems |
US7099389B1 (en) * | 2002-12-10 | 2006-08-29 | Tut Systems, Inc. | Rate control with picture-based lookahead window |
US7146053B1 (en) * | 2000-05-10 | 2006-12-05 | International Business Machines Corporation | Reordering of compressed data |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN107679572A (zh) * | 2017-09-29 | 2018-02-09 | 深圳大学 | 一种图像判别方法、存储设备及移动终端 |
CN111415323A (zh) * | 2019-01-04 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 图像的检测方法及装置,神经网络的训练方法及装置 |
CN112115837A (zh) * | 2020-09-11 | 2020-12-22 | 中国电子科技集团公司第五十四研究所 | 一种基于YoloV3和双阈值模型压缩的目标检测方法 |
CN112991169A (zh) * | 2021-02-08 | 2021-06-18 | 辽宁工业大学 | 基于图像金字塔和生成对抗网络的图像压缩方法及系统 |
KR20210084150A (ko) * | 2019-12-27 | 2021-07-07 | 한국항공대학교산학협력단 | 영상의 다중 압축 검출 방법 및 시스템 |
WO2022071695A1 (ko) * | 2020-09-29 | 2022-04-07 | 삼성전자 주식회사 | 영상을 처리하는 디바이스 및 그 동작 방법 |
CN114598886A (zh) * | 2022-05-09 | 2022-06-07 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种图像编码的方法、解码的方法及相关装置 |
KR20220084236A (ko) * | 2020-12-13 | 2022-06-21 | 한국항공대학교산학협력단 | 개선된 조작영상의 검출시스템 및 방법 |
CN115086301A (zh) * | 2022-06-17 | 2022-09-20 | 闫雪 | 用于压缩上传均衡的数据分析系统及方法 |
WO2023006974A1 (en) * | 2021-07-30 | 2023-02-02 | Swiss Reinsurance Company Ltd. | Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7107153B2 (en) * | 2004-04-02 | 2006-09-12 | Schlumberger Technology Corporation | Data compression methods and systems |
US20080037880A1 (en) * | 2006-08-11 | 2008-02-14 | Lcj Enterprises Llc | Scalable, progressive image compression and archiving system over a low bit rate internet protocol network |
US8260067B2 (en) * | 2008-04-18 | 2012-09-04 | New Jersey Institute Of Technology | Detection technique for digitally altered images |
US8964851B2 (en) * | 2009-06-09 | 2015-02-24 | Sony Corporation | Dual-mode compression of images and videos for reliable real-time transmission |
US8666180B2 (en) * | 2009-12-04 | 2014-03-04 | Stc.Unm | System and methods of compressed sensing as applied to computer graphics and computer imaging |
US10182244B2 (en) * | 2016-03-02 | 2019-01-15 | MatrixView, Inc. | Fast encoding loss metric |
-
2023
- 2023-03-27 CN CN202310308601.8A patent/CN116347080B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5990955A (en) * | 1997-10-03 | 1999-11-23 | Innovacom Inc. | Dual encoding/compression method and system for picture quality/data density enhancement |
US7146053B1 (en) * | 2000-05-10 | 2006-12-05 | International Business Machines Corporation | Reordering of compressed data |
US7099389B1 (en) * | 2002-12-10 | 2006-08-29 | Tut Systems, Inc. | Rate control with picture-based lookahead window |
CA2857317A1 (en) * | 2004-04-02 | 2005-10-13 | Schlumberger Canada Limited | Data compression methods and systems |
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN107679572A (zh) * | 2017-09-29 | 2018-02-09 | 深圳大学 | 一种图像判别方法、存储设备及移动终端 |
CN111415323A (zh) * | 2019-01-04 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 图像的检测方法及装置,神经网络的训练方法及装置 |
KR20210084150A (ko) * | 2019-12-27 | 2021-07-07 | 한국항공대학교산학협력단 | 영상의 다중 압축 검출 방법 및 시스템 |
CN112115837A (zh) * | 2020-09-11 | 2020-12-22 | 中国电子科技集团公司第五十四研究所 | 一种基于YoloV3和双阈值模型压缩的目标检测方法 |
WO2022071695A1 (ko) * | 2020-09-29 | 2022-04-07 | 삼성전자 주식회사 | 영상을 처리하는 디바이스 및 그 동작 방법 |
KR20220084236A (ko) * | 2020-12-13 | 2022-06-21 | 한국항공대학교산학협력단 | 개선된 조작영상의 검출시스템 및 방법 |
CN112991169A (zh) * | 2021-02-08 | 2021-06-18 | 辽宁工业大学 | 基于图像金字塔和生成对抗网络的图像压缩方法及系统 |
WO2023006974A1 (en) * | 2021-07-30 | 2023-02-02 | Swiss Reinsurance Company Ltd. | Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof |
CN114598886A (zh) * | 2022-05-09 | 2022-06-07 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种图像编码的方法、解码的方法及相关装置 |
CN115086301A (zh) * | 2022-06-17 | 2022-09-20 | 闫雪 | 用于压缩上传均衡的数据分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
压缩感知走进地球物理勘探;马坚伟;;石油物探(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116347080A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3529305B2 (ja) | 画像品質分析方法及び装置 | |
JPH09505698A (ja) | 反復誤差データコーディング方法を使用するビデオ圧縮 | |
CN1596422A (zh) | 用于估算压缩视频数据客观质量的方法和系统 | |
JPH0970044A (ja) | 画像信号処理装置および方法 | |
US20100303364A1 (en) | Image quality evaluation method, image quality evaluation system and image quality evaluation program | |
JPH0775105A (ja) | 画像データの符号化方法及び復元方法並びに装置 | |
CN112565777B (zh) | 基于深度学习模型视频数据传输方法、系统、介质及设备 | |
KR101277712B1 (ko) | 영상 처리 방법 및 장치 | |
Yuan et al. | Feature compression for rate constrained object detection on the edge | |
CN116347080B (zh) | 基于下采样处理的智能算法应用系统及方法 | |
CN116233438B (zh) | 利用加权算法的数据预测采集系统 | |
CN103999461A (zh) | 视频质量测量方法及装置 | |
CN115052147B (zh) | 基于生成模型的人体视频压缩方法、系统 | |
US20040057518A1 (en) | Compression of motion vectors | |
CN115459780A (zh) | 数据压缩的方法、数据解压缩的方法和相关设备 | |
CN115643406A (zh) | 视频解码方法、视频编码方法、装置、存储介质及设备 | |
JPH05284368A (ja) | 画像データ符号化・復元方法及びその装置 | |
CN101816178A (zh) | 在解码器中校正量化系数的方法和设备 | |
CN112672164B (zh) | 视频压缩系统及方法、视频解压缩系统及方法 | |
Aruna et al. | Compressed sensing based quantization with prediction encoding for video transmission in WSN | |
KR100512276B1 (ko) | 영상 데이터의 압축 방법 및 장치 | |
US7164369B2 (en) | System for improving storage efficiency of digital files | |
JP2002199418A (ja) | 画質評価方法 | |
US20230268931A1 (en) | Data compression system and data compression method | |
JP2002152049A (ja) | データ処理装置及びデータ処理方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231009 Address after: 215000 room 1, Xueyuan Road 999, Bacheng Town, Kunshan, Suzhou, Jiangsu. Applicant after: Suzhou Libote Information Technology Co.,Ltd. Address before: 450015 1-10 / F, building C, courtyard 87, Songshan South Road, Erqi District, Zhengzhou City, Henan Province Applicant before: Ren Hongmei |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |