CN116916034B - 基于safd的图像处理方法、装置、设备及存储介质 - Google Patents

基于safd的图像处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116916034B
CN116916034B CN202210865676.1A CN202210865676A CN116916034B CN 116916034 B CN116916034 B CN 116916034B CN 202210865676 A CN202210865676 A CN 202210865676A CN 116916034 B CN116916034 B CN 116916034B
Authority
CN
China
Prior art keywords
image
compressed
target
compression
random signal
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
Application number
CN202210865676.1A
Other languages
English (en)
Other versions
CN116916034A (zh
Inventor
张立明
戴蕾
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.)
University of Macau
Original Assignee
University of Macau
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 University of Macau filed Critical University of Macau
Priority to CN202210865676.1A priority Critical patent/CN116916034B/zh
Publication of CN116916034A publication Critical patent/CN116916034A/zh
Application granted granted Critical
Publication of CN116916034B publication Critical patent/CN116916034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/41—Bandwidth or redundancy reduction
    • 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
    • H04N19/17—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 an image region, e.g. an object
    • H04N19/176—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 an image region, e.g. an object the region being a block, e.g. a macroblock
    • 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
    • H04N19/182—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 pixel
    • 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
    • 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
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本申请提供一种基于SAFD的图像处理方法、装置、设备及存储介质，涉及计算机技术领域。该方法包括：获取待压缩图像对应的实值随机信号；根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据。相对于现有技术，避免了大规模的参数训练过程造成压缩效率低的问题。

Description

基于SAFD的图像处理方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于随机自适应傅立叶(stochastic adaptive Fourier decomposition，SAFD)的图像处理方法、装置、设备及存储介质。
背景技术
随着通信网络流量的大量增加，以提高传输速度和节省数据存储空间为目的的图像压缩技术在计算机技术领域有很大的需求。
现有技术中，一般采用基于深度学习的方法对图像进行压缩。传统技术中一般将卷积长短时记忆(long short-term memory，LSTM)网络应用于图像压缩领域。近年来，更多的深度网络框架被用于图像压缩，如卷积神经网络(convolutional neural network，CNN)，以及生成对抗网络(generative adversarial network，GAN)等。
但是这种基于深度学习的方法中，深度学习网络的参数训练是深度网络结构的关键，深度网络结构的参数需要通过对训练数据集进行大量的预训练来确定，但是这样的训练方式存在训练时间较长，压缩效率较低的问题。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种基于SAFD的图像处理方法、装置、设备及存储介质，以解决现有技术中大规模的参数训练过程造成压缩效率低的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请一实施例提供了一种基于SAFD的图像处理方法，所述方法包括：
获取待压缩图像对应的实值随机信号；
根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据。
可选地，所述获取待压缩图像对应的实值随机信号，包括：
将所述待压缩图像划分为多个图像块；
获取所述待压缩图像中各图像块的排列位置；
根据所述各图像块的排列位置，对所述各图像块的图像信号进行整合，得到所述待压缩图像对应的多个实值随机信号。
可选地，若所述待压缩图像为彩色图像，则所述将所述待压缩图像划分为多个图像块，包括：
分别获取所述待压缩图像对应的红绿蓝通道图像；
分别将各通道图像划分为多个图像块。
可选地，所述根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：
对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；
根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数。
可选地，所述根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：
根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；
根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数。
可选地，所述根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数，包括：
根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；
计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；
若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。
第二方面，本申请另一实施例提供了一种基于SAFD的图像处理方法，所述方法包括：
对待解压图像的压缩数据进行解码，得到所述图像压缩数据对应的目标压缩参数；
根据所述目标压缩参数，基于随机自适应傅立叶逆分解算法对所述图像压缩数据进行解压，得到解压后的目标图像。
第三方面，本申请另一实施例提供了一种基于SAFD的图像处理装置，所述装置包括：获取模块、确定模块和编码模块，其中：
所述获取模块，用于获取待压缩图像对应的实值随机信号；
所述确定模块，用于根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
所述编码模块，用于根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据。
可选地，所述装置还包括：划分模块和整合模块，其中：
所述划分模块，用于将所述待压缩图像划分为多个图像块；
所述获取模块，具体用于获取所述待压缩图像中各图像块的排列位置；
所述整合模块，用于根据所述各图像块的排列位置，对所述各图像块的图像信号进行整合，得到所述多个实值随机信号。
可选地，若所述待压缩图像为彩色图像，则所述获取模块，具体用于分别获取所述待压缩图像对应的红绿蓝通道图像；
所述划分模块，具体用于分别将各通道图像划分为多个图像块。
可选地，所述装置还包括：变换模块，其中：
所述变换模块，用于对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；
所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数。
可选地，所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数。
可选地，所述装置还包括：计算模块，其中：
所述确定模块，具体用于根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；
所述计算模块，用于计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；
所述确定模块，具体用于若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。
第四方面，本申请另一实施例提供了一种基于SAFD的图像处理装置，所述装置包括：解码装置和解压装置，其中：
所述解码装置，用于对待解压图像的图像压缩数据进行解码，得到所述图像压缩数据对应的目标压缩参数；
所述解压装置，用于根据所述目标压缩参数，基于随机自适应傅立叶逆分解算法对所述图像压缩数据进行解压，得到解压后的目标图像。
第五方面，本申请另一实施例提供了一种图像处理设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述图像处理设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述第一方面或第二方面任一所述方法的步骤。
第六方面，本申请另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，计算机程序被处理器运行时执行如上述第一方面任一方法的步骤。
本申请的有益效果是：采用本申请提供的基于SAFD的图像处理方法，该方法可以包括：获取待压缩图像对应的多个实值随机信号；根据实值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数；根据目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标图像压缩数据，应用本申请实施例，能够减少数据压缩的压缩量，相较于现有技术中通过深度学习模型进行训练的方法，由于无需通过对训练数据集进行大量的预训练，即无需进行大量的参数训练，因此，可以有效提高图像压缩的压缩效率。此外，本申请根据可以保证待压缩图像结构的完整性，保证了压缩效果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1为本申请一实施例提供的基于SAFD的图像处理方法的流程示意图；
图2为本申请另一实施例提供的基于SAFD的图像处理方法的流程示意图；
图3为本申请另一实施例提供的基于SAFD的图像处理方法的流程示意图；
图4为本申请另一实施例提供的基于SAFD的图像处理方法的流程示意图；
图5为本申请另一实施例提供的基于SAFD的图像处理方法的流程示意图；
图6为本申请另一实施例提供的基于SAFD的图像处理方法的流程示意图；
图7为本申请一实施例提供的基于SAFD的图像处理装置的结构示意图；
图8为本申请另一实施例提供的基于SAFD的图像处理装置的结构示意图；
图9为本申请另一实施例提供的基于SAFD的图像处理装置的结构示意图；
图10为本申请一实施例提供的图像处理设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
在介绍本申请之前，首先对本申请中的相关名词进行解释说明：
稀疏表示：表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号，可以获得信号更为简洁的表示方式，从而使我们更容易地获取信号中所蕴含的信息，更方便进一步对信号进行加工处理，如压缩、编码等。对于字典的选择，一般有分析字典和学习字典两大类；常用的分析字典有小波字典、超完备离散余弦变换(discrete cosinetransform，DCT)字典和曲波字典等；常用的学习字典的方法包括：最优方向(method ofoptimal directions，MOD)算法、如欠定系统局灶解法(focal underdetermined systemsolve，FOCUSS)字典学习算法，广义主成分分析(generalized PCA)算法、基于超完备字典稀疏分解的K-SVD算法(K-SVD是一种关于稀疏表示的字典学习算法是k-means的一种推广,该算法采用迭代交替学习方式,通过迭代优化输入数据在当前字典的表示和更新字典中的原子(atom)以更好地拟合数据。之所以称之为K-SVD，是因为该算法K次迭代使用SVD(singular value decomposition))、在线字典(online dictionary)学习算法等，在此不作限定。
希尔伯特变换：一个连续时间信号x(t)的希尔伯特变换等于该信号通过具有冲激响应h(t)＝1/πt的线性系统以后的输出响应xh(t)。
自适应傅立叶分解(adaptive fourier decomposition，AFD)：是用一类新的函数，称为单分量函数去逼近一般函数的新的函数逼近方法，是经典的Fourier分析的发展，AFD中字典是使用可解释的核预定义的，分解是通过自适应选择字典中的原子来实现的，其可以根据输入信号自适应地选择有理正交系统(Takenaka-Malmquist，TM)的参数，TM系统依赖于单位圆盘中的k个参数其中，取al＝0，则TM系统即为傅立叶系统。由于TM系统的特性，AFD实现了非负瞬时频率分解。此外，AFD在每个分解步骤可以采用极大选择原则，通过最大能量近似实现参数的最优选择。
随机自适应傅立叶分解：是基于AFD发展的一种多信号稀疏表示方法，其将传统的信号分解方法与机器学习相结合，自适应地将多个信号分解为预定义的可解释的核字典内的公共原子。与AFD相比，AFD及其变体是为单个确定性信号的稀疏表示而设计的，而SAFD是建立在一个定义的具有相同字典的随机希尔伯特空间中，这是一个比再生核希尔伯特空间更一般的概念，SAFD的目标是使用一组共同原子同时分解多个信号。现有技术中，图像处理方法可以分为两大类：传统的基于变换的方法和基于深度学习的方法。其中，对于基于变换的方法，例如联合摄影专家组(joint photographic experts group,JPEG)，是影响最深远的基于变换的图像处理方法之一。JPEG是一种适用于连续色调静态图像的压缩标准，它定义了基于离散余弦变换和熵编码的混合压缩技术。JPEG格式因其压缩比高、传输存储空间小而得到广泛应用。数十年后，基于小波变换(wavelet transform,WT)的多解析编码方法JPEG2000被开发出来，其压缩比进一步提高了20％。它的主要目的是提取使图像的频率分量，使得能够充分地保持图像信息的相关性，并达到更好的压缩性能；但是无论是JPEG还是JPEG2000，其均是采用固定基来对不同的待压缩图像进行压缩，其压缩效果都有待提高。
此后，基于深度学习的压缩方法呈现出快速发展的趋势，并应用于图像压缩领域且取得了优异的性能。近年来，更多的深度网络框架被用于图像压缩，例如LSTM网络，CNN，以及GAN。然而，基于深度学习的压缩方法存在一定的不足。首先，基于深度学习学习到的深度网络结构需要单独处理，这可能需要较大的内存和磁盘存储空间。其次，训练数据集是学习到的深度网络结构的关键，深度网络结构中各参数的学习是需要对训练数据集进行大量的预训练得到的，即通过预训练得到的深度网络结构中的各参数是依赖于训练数据集的，如果用户端图像与训练图像差异较大，则压缩结果可能会受到较大影响。第三，不同的用户可能有不同的压缩要求，例如有时可能需要高清晰度的解压图像质量，又是可能需要高压缩比，基于深度学习的方法需要针对不同的需求训练得到不同的网络结构，即一个深度网络结构只能适用于一种压缩需求，其适应性较差。第四，初始深度网络结构训练的计算成本极高。
为了解决传统的基于变换的方法和基于深度学习的方法存在的缺点，本申请提供了一种基于随机自适应傅立叶的图像处理方法，其相对于现有技术，可以有效提高图像压缩的压缩效率以及提高压缩效果。
如下结合多个具体的应用示例，对本申请实施例所提供的一种基于SAFD的图像处理方法进行解释说明。该方法的执行主体可以是计算机、服务器、处理器等具备数据处理能力的电子设备。图1为本申请一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图1所示，该方法包括：
S101：获取待压缩图像对应的实值随机信号。
其中，每个待压缩图像均对应一组实值随机信号，实值随机信号可以用于表示完整的待压缩图像，如此可以保证待压缩图像结构的完整性。
S102：根据实值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数。
其中，关于随机自适应傅立叶分解算法的解释和说明可参见前述，本申请在此不再赘述。在获取到待压缩图像对应的实值随机信号之后，则可以基于SAFD确定TM系统中待压缩图像对应的目标压缩参数，其中，目标压缩参数可以包括多个，不同的待压缩图像可能对应不同的目标压缩参数。
S103：根据目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标图像压缩数据。
在本申请的一个实施例中，可以根据熵编码算法对待压缩图像进行编码，也即编码过程中，由于熵编码算法的熵原理，可以进行不丢失任何信息的无损编码，可选地，熵编码算法例如可以包括：香农(Shannon)编码、哈夫曼(Huffman)编码、算术编码(arithmeticcoding)等，本申请在此不作限定。
在确定了目标压缩参数后，即可对待压缩图像进行编码处理，得到待压缩图像对应的目标压缩数据。
在本申请的实施例中，在对待压缩图像进行编码处理之前，还需要对待压缩图像的目标压缩参数进行量化处理，并根据量化后的目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标压缩数据。
在一些可能的实施例中，对于量化处理的量化方式可能存在两种：一种是在对待压缩图像的分解过程中，对分解过程中的各参数进行逐层嵌入式量化，根据每层量化后的参数，直接确定待压缩图像对应的目标压缩参数，此时的目标压缩参数即为量化后的目标压缩参数；另一种是在对待压缩图像的分解结束后，对待压缩图像对应的目标压缩参数进行量化处理，得到量化后的目标压缩参数。
在一些可能的实施例中，也可以将上述步骤S101和步骤S102进行整合得到其对应的图像压缩模型，可以对待压缩图像进行压缩，与基于深度学习的方法相比，该方法可以通过自适应地选取复值随机信号的特征，且无需进行大量的参数训练，因此，可以提高图像处理方法的压缩效率。
采用本申请提供的基于SAFD的图像处理方法，该方法可以包括：获取待压缩图像对应的实值随机信号；根据实值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数；根据目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标图像压缩数据，应用本申请实施例，能够减少数据压缩的压缩量，相较于现有技术中通过深度学习模型进行训练的方法，由于无需通过对训练数据集进行大量的预训练，即无需进行大量的参数训练，因此，可以有效提高视频压缩的压缩效率。此外，本申请根据用于表示完整的待压缩图像的实值随机信号，可以保证待压缩图像结构的完整性，保证了压缩效果。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理方法，如下结合附图对上述方法中获取待压缩图像的实值随机信号的实现过程进行示例说明。图2为本申请另一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图2所示，S101可包括：
S201：将待压缩图像划分为多个图像块。
在本申请的实施例中，对待压缩图像的划分方法可以包括：预设图像划分方式和预设数量划分方式，可选地，预设图像划分方式例如可以包括：等尺寸划分、不等尺寸划分等；预设数量划分方式例如可以为根据预设数量，对待压缩图像进行划分，预设数量例如可以为4个，6个、8个、9个等，在一些可能的实施例中，例如预设数量为4为例进行说明，可以对待压缩图像进行等尺寸划分为4个图像块；对于一些形状为不规则图像的待压缩图像，则可以采用不等尺寸划分的方式，将待压缩图像划分为预设数量的图像块，应当理解，本申请对具体对待压缩图像的划分方法本申请在此不作限定，根据实际的应用场景可以灵活设置。
S202：获取待压缩图像中各图像块的排列位置。
在本申请的实施例中，各图像块的排列位置可以表征各图像块在该待压缩图像中的像素坐标位置，可以根据各图像块在待压缩图像中的位置依次划分各图像块，确定并获取待压缩图像中各图像块的排列位置，排列位置例如可以采用一维列数据的方式进行记录；例如以预设数量为6，且待压缩图像为矩形为例进行说明，则可以按照从上至下，从左至右的顺序依次将待压缩图像划分为6个等尺寸的图像块，其中，待压缩图像左上角的第一个图像块的位置即为1，待压缩图像左上角第二个图像块的位置即为2，……，待压缩图像右下角第一个图像的位置即为6；应当理解上述实施例仅为示例性说明，本申请在此不做任何限制。
S203：根据各图像块的排列位置，对各图像块的图像信号进行整合，得到多个实值随机信号。
在本申请的实施例中，在整合过程中，可以根据该待压缩图像中的各图像块的排列位置，以及各图像块对应的实值随机信号进行整合，将各图像块的排列位置，和各图像块对应的实值随机信号整合作为该待压缩图像对应的多个实值随机信号。
举例说明，在本申请的一个实施例中，若待压缩图像是大小为p×q的灰度图像G，且当前对待压缩图像进行划分的方式是等尺寸划分，并且每个等尺寸图像块的尺寸大小均为p0×q0，则该待压缩图像对应的图像块个数为s，即可以将待压缩图像划分为M个等尺寸的图像块，其中划分完成后，确定各图像块在待压缩图像中的排列位置，以及各图像块对应的实值随机信号，随后对待压缩图像中各图像块的排列位置，以及各图像块对应的实值随机信号进行整合，即按照每个图像块在待压缩图像中的排列位置，按列对各像素值进行转换，转换为一组一维的实值信号，记为g{i},i＝1,2,…,M，上述该组一维的实值信号即为该待压缩图像中所有图像块对应的实值随机信号共同构成的该待压缩图像对应的多个实值随机信号。
在另一些可能的实施例中，若待压缩图像为彩色图像，即若待压缩图像为具有三个通道(红色(R)、绿色(G)、蓝色(B)通道)的彩色图像，则对待压缩图像进行图像块划分的划分方式例如可以为：分别获取待压缩图像对应的红绿蓝通道图像；分别将各通道图像划分为多个图像块。
其中，对于彩色图像中每个通道图像的划分方式与对灰度图像的划分方式相同，即对于彩色图像，首先可以分别获取其红色、绿色、蓝色通道对应的通道图像，随后再参照前述的方法，将各通道对应的通道图像分别划分为多个图像块，并通过对各通道图像对应的多个图像块分别进行处理，得到各通道图像分别对应的多个实值随机信号。
随后，参见前述的方法，可以根据红色、绿色、蓝色通道对应的多个实值随机信号，基于随机自适应傅立叶分解算法确定各通道图像对应的目标压缩参数；根据预设编码算法，对各通道图像对应的目标压缩参数进行编码，获取各通道图像的目标压缩数据，具体过程与对灰度图像进行划分得到灰度待压缩图像对应的目标压缩数据的方式相同，本申请在此不再赘述。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理方法，如下结合附图对上述方法中确定待压缩图像对应的目标压缩参数的实现过程进行示例说明。图3为本申请另一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图3所示，S102可包括：
S301：对多个实值随机信号进行希尔伯特变换，得到变换后的复值随机信号。
其中，实值随机信号是实值信号，根据希尔伯特变换的定义可知，通过对实值随机信号进行希尔伯特变换，则可以将实值信号转换为复数信号。
S302：根据变换后的复值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数。
其中，对于变换后的复值随机信号，则可以基于SAFD自适应逐层对待压缩图像进行分解，将待压缩图像从低频分解到高频，并连续在每个分解层对上一层的残差信号进行分解，通过逐层分解的方式使得SAFD中的分解函数不断逼近于待压缩视频对应的复值随机信号，当逼近误差小于预设阈值时，则确定SAFD中分解函数中的各参数为待压缩图像对应的目标压缩参数；其中，预设阈值可以根据用户对压缩的精度要求进行灵活调整，本申请在此不做任何限制。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理方法，如下结合附图对上述方法中确定待压缩图像对应的目标压缩参数的实现过程进行示例说明。图4为本申请另一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图4所示，S302可包括：
S401：根据变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定变换后的复值随机信号对应的目标公共原子。
其中，随机自适应傅立叶分解算法可以从包括多个预设原子的预设字典空间中，确定变换后的复值随机信号对应的目标公共原子，目标公共原子用于对变换后的复值随机信号进行稀疏表示。可选地，预设字典空间中的各原子可以基于可解释的核设置，关于核的说明，可参见前述的相关部分，在此不再赘述。
基于SAFD分解算法，则可以对变换后的各复值随机信号进行同时分解，以得到变换后的各复值随机信号对应的多个目标公共原子。需要说明的是，在进行分解时，可以进行多次分解以得到该多个目标公共原子。
举例说明，基于随机自适应傅立叶分解算法进行第一次分解时，可以从预设字典空间中确定变换后的各复值随机信号对应的第一目标公共原子，该第一目标公共原子可以对变换后的各复值随机信号进行第一次稀疏表示；第一次分解之后，对于变换后的各复值随机信号来说，可能仍然存在未能稀疏表示的部分信号，参见第一次分解的过程，可以对未能稀疏表示的部分信号进行第二次分解，得到第二目标公共原子。当然，需要说明的是，根据实际的应用场景，还可以对未能稀疏表示的部分信号进行迭代，进行第三次分解、第四次分解等，在此不作限定。各分解过程可参见第一次分解和第二次分解的过程，在此不再赘述。
其中，各目标公共原子可以是基于核的公共原子，每个目标公共原子中包括；公共压缩参数ak。在一些实施例中，各目标公共原子的公共压缩参数可能不同。
随着分解次数的增加，分解层的标准残差的能量减小，为了使分解快速收敛，每次分解产生的标准残差需要尽可能的小，因此需要确定合适的各目标公共原子中的公共压缩参数ak，使得每个分解层的标准残差的能量尽可能小。在本申请的实施例中，确定合适的ak的方式为最大选择原则(maximal selection principle，MSP)。
其中，E表示基于待压缩图像上所有图像块求得的数学期望，i为大于等于1且小于等于I的整数，其中，I为待压缩图像上所有图像块的数量，是简写形式，是的简写形式，表示第k次分解对应的计算函数；表示带有参数ak的标准化核，ak表示中的公共压缩参数，具体为第k个计算公共原子的单位圆盘中参数。
此外，还需要说明的是，SAFD理论对应的是频率域的分解，且由于分解的特性，逐层提取特征时具有低层提取包含图像轮廓对应的低频信息，中层提取包含图像边缘结构对应的中频信息，高层提取包含图像的更多细节的高频信息的特点；随着分解次数越高，即分解的层级越高，此时对应的图像质量相对越高，重构图像的峰值信噪比越高，但压缩效率就会相对较低；分解的次数越低，即分解的层级越低，此时对应的图像质量相对越低，重构图像的峰值信噪比越低，但压缩效率就会相对较高；因此，将SAFD应用于图像处理方法中，用户可以在实际压缩应用中，可以通过对分解次数进行灵活调整的方式，来满足自己对不同图像质量需求或者压缩效率的需求。
S402：根据变换后的复值随机信号和目标公共原子，确定待压缩图像对应的目标压缩参数。
基于上述说明，在确定了多个目标公共原子之后，则可以根据变换后的复值随机信号进一步确定待压缩图片对应的目标压缩参数。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理方法，如下结合附图对上述方法中确定待压缩图像对应的目标压缩参数的实现过程进行示例说明。图5为本申请另一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图5所示，S402可包括：
S501：根据变换后的复值随机信号和目标公共原子，确定待压缩图像对应的压缩系数。
参见下述SAFD分解函数的表达式，也即在该分解函数不断逼近变换后的复值随机信号时，可以确定待压缩图像对应的有理正交系统的压缩系数
为了更好地理解本申请，下面结合具体的公式对如何确定压缩系数进行说明：
其中，k为取值大于1的整数，用于表示待压缩图像对应的自适应傅立叶分解的次数；N用于表示待压缩图像对应的总分解次数；i用于表示待压缩图像被划分的图像块的数量；z用于表示复数化的自变量，f{i}(z)用于表示待压缩图像的复值随机信号对应的目标函数，Bk(z)用于表示基于有理正交系统进行第k次分解之后得到的有理正交函数，用于表示待压缩图像上第i个图像块对应的压缩系数，用于表示对待压缩图像进行N次分解之后，待压缩图像上第i个图像块对应的转换后的复值随机信号与N个目标公共原子对应的重构信号之间的信号差，也可以称为信号残差。
其中，‘〈〉’表示内积的计算，表示al的共轭，关于其他参数的说明可参见前述公式，在此不再赘述。
S502：计算变换后的复值随机信号和目标公共原子对应的重构信号之间的信号差。
在本申请的实施例中，为了减少在分解过程中误差的积累，在实际的分解过程中还加入了量化处理，从而实现分层嵌入式量化，也即可以在每次分解之后，对得到的公共压缩参数ak和压缩系数进行量化处理，从而避免在压缩过程中损失大量的信息，进一步提高了压缩性能。
可以理解的是，参见前述公式，若基于随机自适应傅立叶分解算法进行了N次分解，将对应a1、a2、...、aN共N个公共压缩参数， 共N×M个压缩系数，M为信号的个数。其中，需要说明的是，对于各公共压缩参数、各压缩系数来说，其分别包括实部和虚部，因此，待压缩图像对应的目标压缩参数包括：N×M+N个复数或2(N×M+N)个实数。
S503：若信号差小于预设阈值，则根据目标公共原子对应的公共压缩参数和压缩系数，确定待压缩图像对应的目标压缩参数。
其中，多个目标公共原子对应的重构信号，可以表征多个目标公共原子对应的公共信号的和。在计算确定变换后的复值随机信号与多个目标公共原子对应的重构信号之间的信号差之后，根据该信号差与预设阈值之间的大小对比，可以确定多个目标公共原子对变换后的复值随机信号进行稀疏表示时，是否符合预设要求，其中，若信号差小于或等于预设阈值，则说明当前稀疏表示符合预设要求，则可以确定当前各目标公共原子对应的公共压缩参数和压缩系数为待压缩图像对应的目标压缩参数。
反之，若信号差大于预设阈值，则说明当前稀疏表示不符合预设要求，此时可以参见前述方法进一步确定至少一个目标公共原子，直至变换后的复值随机信号和多个目标公共原子对应的重构信号之间的信号差小于或等于预设阈值。
采用本申请提供的基于SAFD的图像处理方法，可以基于单幅待压缩图像的稀疏表示来直接进行学习，并基于学习结果确定待压缩图像对应的目标压缩参数，使得每个待压缩图像均有自己对应的自适应的目标压缩参数，基于目标压缩参数对待压缩图像进行压缩，得到待压缩图像的目标压缩数据，无需提前训练模型就可以对待压缩图像进行压缩；并且对于基于目标压缩数据解压后的图像的质量，或对待压缩图像进行压缩时的压缩效率，均可以通过对待压缩图像的分解次数的调整来轻松调节，使得压缩过程可以根据用户的要求进行调整，不但压缩效率高，并且压缩效率和解压后的图像质量均可以进行调节；即采用本申请提供的方法，不但无需大量的训练数据集，节省了内存和磁盘存储空间的占用，减少了训练成本；并且其压缩结果是基于每个待压缩图像进行自适应调节的，具有较高的适应性，此外还可以满足不同用户的压缩要求。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理方法，如下结合附图对上述方法的实现过程进行示例说明。图6为本申请另一实施例提供的一种基于SAFD的图像处理方法的流程示意图，如图6所示，该方法可包括：
S601：对待解压图像的压缩数据进行解码，得到图像压缩数据对应的目标压缩参数。
其中，目标压缩参数可以包括公共压缩参数和压缩系数，也即对待解压图像的压缩数据进行解码后，得到该带解压图像对应的公共压缩参数和压缩系数。
S602：根据目标压缩参数，基于随机自适应傅立叶逆分解算法对图像压缩数据进行解压，得到解压后的目标图像。
其中，随机自适应傅立叶逆分解算法为前述随机自适应傅立叶分解算法的逆算法，基于自适应傅立叶逆分解算法可以根据目标压缩参数对待解压图像的解析随机参数进行重构，并根据对重构的解析随机参数进行解压，得到待解压图像对应的各图像块，并对各图像块进行重新组合和重构，得到解压后的目标图像。
同样，上述方法为针对灰度图像的解压方法，对于待解压图像为彩色图像时的解压方法，可以在获取待解压图像的目标压缩数据后，将目标压缩数据拆分并分别获取待解压图像三个通道分别对应的目标压缩参数，并采用自适应傅立叶逆分解算法，同时根据目标压缩参数分别重新组合和重构三个通道对应的目标还原图像，随后根据三个通道分别对应的目标还原图像确定解压后的目标图像；或者也可以分别获取待解压图像三个通道分别对应的目标压缩参数，并采用自适应傅立叶逆分解算法，依次根据目标压缩参数分别重新组合和重构三个通道对应的目标还原图像，随后根据三个通道分别对应的目标还原图像确定解压后的目标图像。
下述结合附图对本申请所提供的基于SAFD的图像处理装置进行解释说明，该基于SAFD的图像处理装置可执行上述图1-图5任一基于SAFD的图像处理方法，其具体实现以及有益效果参照上述，如下不再赘述。
图7为本申请一实施例提供的基于SAFD的图像处理装置的结构示意图，如图7所示，该装置包括：获取模块111、确定模块112和编码模块113，其中：
获取模块111，用于获取待压缩图像对应的实值随机信号。
确定模块112，用于根据实值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数。
编码模块113，用于根据目标压缩参数，对待压缩图像进行编码，得到待压缩图像的目标图像压缩数据。
可选地，在上述实施例的基础上，本申请实施例还可提供一种基于SAFD的图像处理装置，如下结合附图对上述图7给出的装置的实现过程进行示例说明。图8为本申请另一实施例提供的基于SAFD的图像处理装置的结构示意图，如图8所示，该装置还包括：划分模块114和整合模块115，其中：
划分模块114，用于将待压缩图像划分为多个图像块；
获取模块111，具体用于获取待压缩图像中各图像块的排列位置；
整合模块115，用于根据各图像块的排列位置，对各图像块的图像信号进行整合，得到多个实值随机信号。
可选地，若待压缩图像为彩色图像，则获取模块111，具体用于分别获取待压缩图像对应的红绿蓝通道图像；
划分模块114，具体用于分别将各通道图像划分为多个图像块。
如图8所示，该装置还包括：变换模块116，其中：
变换模块116，用于对实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；
确定模块112，具体用于根据变换后的复值随机信号，基于随机自适应傅立叶分解算法确定待压缩图像对应的目标压缩参数。
可选地，确定模块112，具体用于根据变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定变换后的复值随机信号对应的目标公共原子，其中，目标公共原子用于对变换后的复值随机信号进行稀疏表示；根据变换后的复值随机信号和目标公共原子，确定待压缩图像对应的目标压缩参数。
如图8所示，该装置还包括：计算模块117，其中：
确定模块112，具体用于根据变换后的复值随机信号和目标公共原子，确定待压缩图像对应的压缩系数；
计算模块117，用于计算变换后的复值随机信号和目标公共原子对应的重构信号之间的信号差；
确定模块117，具体用于若信号差小于预设阈值，则根据目标公共原子对应的公共压缩参数和压缩系数，确定待压缩图像对应的目标压缩参数。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
下述结合附图对本申请所提供的基于SAFD的图像处理装置进行解释说明，该图像处理装置可执行上述图6涉及的基于SAFD的图像处理方法，其具体实现以及有益效果参照上述，如下不再赘述。
图9为本申请一实施例提供的基于SAFD的图像处理装置的结构示意图，如图9所示，该装置包括：解码装置611和解压装置622，其中：
解码装置611，用于对待解压图像的图像压缩数据进行解码，得到图像压缩数据对应的目标压缩参数；
解压装置622，用于根据目标压缩参数，基于随机自适应傅立叶逆分解算法对图像压缩数据进行解压，得到解压后的目标图像。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图10为本申请一实施例提供的图像处理设备的结构示意图，该图像处理设备可以集成于终端设备或者终端设备的芯片。
如图10所示，该图像处理设备包括：处理器211、存储介质212和总线213。
处理器211用于存储程序，处理器211调用存储介质212存储的程序，以执行上述图1-图6对应的方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种程序产品，例如存储介质，该存储介质上存储有计算机程序，包括程序，该程序在被处理器运行时执行上述方法对应的实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (7)

1.一种基于SAFD的图像处理方法，其特征在于，所述方法包括：
获取待压缩图像对应的实值随机信号；
根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据；
所述根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：
对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；
根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
所述根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数，包括：
根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；
根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数；
所述根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数，包括：
根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；
计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；
若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。
2.如权利要求1所述的方法，其特征在于，所述获取待压缩图像对应的实值随机信号，包括：
将所述待压缩图像划分为多个图像块；
获取所述待压缩图像中各图像块的排列位置；
根据所述各图像块的排列位置，对所述各图像块的图像信号进行整合，得到多个实值随机信号。
3.如权利要求2所述的方法，其特征在于，若所述待压缩图像为彩色图像，则所述将所述待压缩图像划分为多个图像块，包括：
分别获取所述待压缩图像对应的红绿蓝通道图像；
分别将各通道图像划分为多个图像块。
4.一种基于SAFD的图像处理方法，其特征在于，所述方法包括：
对待解压图像的图像压缩数据进行解码，得到所述图像压缩数据对应的目标压缩参数；
根据所述目标压缩参数，基于随机自适应傅立叶逆分解算法对所述图像压缩数据进行解压，得到解压后的目标图像；其中，所述随机自适应傅立叶逆分解算法为上述权利要求1-3任一项所述的随机自适应傅立叶分解算法的逆算法。
5.一种基于SAFD的图像处理装置，其特征在于，所述装置包括：获取模块、确定模块和编码模块，其中：
所述获取模块，用于获取待压缩图像对应的实值随机信号；
所述确定模块，用于根据所述实值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
所述编码模块，用于根据所述目标压缩参数，对所述待压缩图像进行编码，得到所述待压缩图像的目标图像压缩数据；
所述装置还包括：变换模块，其中：
所述变换模块，用于对所述实值随机信号进行希尔伯特变换，得到变换后的复值随机信号；
所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法确定所述待压缩图像对应的目标压缩参数；
所述确定模块，具体用于根据所述变换后的复值随机信号，基于随机自适应傅立叶分解算法，确定所述变换后的复值随机信号对应的目标公共原子，其中，所述目标公共原子用于对所述变换后的复值随机信号进行稀疏表示；根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的目标压缩参数；
所述装置还包括：计算模块，其中：
所述确定模块，具体用于根据所述变换后的复值随机信号和所述目标公共原子，确定所述待压缩图像对应的压缩系数；
所述计算模块，用于计算所述变换后的复值随机信号和所述目标公共原子对应的重构信号之间的信号差；
所述确定模块，具体用于若所述信号差小于预设阈值，则根据所述目标公共原子对应的公共压缩参数和所述压缩系数，确定所述待压缩图像对应的目标压缩参数。
6.一种图像处理设备，其特征在于，所述设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述图像处理设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述权利要求1-4任一项所述的方法。
7.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-4任一项所述的方法。
CN202210865676.1A 2022-07-21 2022-07-21 基于safd的图像处理方法、装置、设备及存储介质 Active CN116916034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210865676.1A CN116916034B (zh) 2022-07-21 2022-07-21 基于safd的图像处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210865676.1A CN116916034B (zh) 2022-07-21 2022-07-21 基于safd的图像处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116916034A CN116916034A (zh) 2023-10-20
CN116916034B true CN116916034B (zh) 2024-05-10

Family

ID=88365392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210865676.1A Active CN116916034B (zh) 2022-07-21 2022-07-21 基于safd的图像处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116916034B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142139A (zh) * 2011-03-25 2011-08-03 西安电子科技大学 基于压缩学习感知的sar高分辨图像重建方法
WO2021169408A1 (zh) * 2020-02-26 2021-09-02 华为技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114398931A (zh) * 2022-01-17 2022-04-26 中国人民解放军国防科技大学 基于数值特征和图像特征融合的调制识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8553994B2 (en) * 2008-02-05 2013-10-08 Futurewei Technologies, Inc. Compressive sampling for multimedia coding
US11397258B2 (en) * 2015-07-17 2022-07-26 Origin Wireless, Inc. Method, apparatus, and system for outdoor target tracking
US11531087B2 (en) * 2015-07-17 2022-12-20 Origin Wireless, Inc. Method, apparatus, and system for fall-down detection based on a wireless signal
EP3896625A1 (en) * 2020-04-17 2021-10-20 Tata Consultancy Services Limited An adaptive filter based learning model for time series sensor signal classification on edge devices

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102142139A (zh) * 2011-03-25 2011-08-03 西安电子科技大学 基于压缩学习感知的sar高分辨图像重建方法
WO2021169408A1 (zh) * 2020-02-26 2021-09-02 华为技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114398931A (zh) * 2022-01-17 2022-04-26 中国人民解放军国防科技大学 基于数值特征和图像特征融合的调制识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Joint Spatiotemporal Video Compression Based on Stochastic Adaptive Fourier Decomposition;Lei Dai，et al.;《 IEEE Signal Processing Letters》;20220701;第29卷(第2022期);全文 *

Also Published As

Publication number Publication date
CN116916034A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Cheng et al. Learned image compression with discretized gaussian mixture likelihoods and attention modules
US11221990B2 (en) Ultra-high compression of images based on deep learning
CN104702962A (zh) 帧内编解码方法、编码器和解码器
JPH11163733A (ja) 符号化方法および装置
CN114449276B (zh) 一种基于学习的超先验边信息补偿图像压缩方法
WO2020261314A1 (ja) 画像符号化方法、及び画像復号方法
Zhou et al. Image compression based on discrete cosine transform and multistage vector quantization
WO2024164694A9 (zh) 图像压缩方法、装置、电子设备、计算机程序产品及存储介质
CN105163130B (zh) 一种基于离散Tchebichef正交多项式的图像无损压缩方法
CN114463453A (zh) 图像重建、编码解码方法、相关装置
Jain et al. Performance analysis of integer wavelet transform for image compression
Thakker et al. Lossy Image Compression-A Comparison Between Wavelet Transform, Principal Component Analysis, K-Means and Autoencoders
CN116916034B (zh) 基于safd的图像处理方法、装置、设备及存储介质
US8989278B2 (en) Method and device for coding a multi dimensional digital signal comprising original samples to form coded stream
CN115294222A (zh) 图像编码方法及图像处理方法、终端及介质
Akbari et al. Downsampling based image coding using dual dictionary learning and sparse representations
Hadi Medical Image Compression using DCT and DWT Techniques
CN116916033B (zh) 一种基于随机自适应傅里叶分解的联合时空视频压缩方法
CN114882133B (zh) 一种图像编解码方法、系统、设备及介质
Rodrigues et al. Image Compression for Quality 3D Reconstruction
Bao et al. Image Compression Based on Hybrid Domain Attention and Postprocessing Enhancement
CN111246205B (zh) 基于方向双四元数滤波器组的图像压缩方法
Altaay Developed a Method for Satellite Image Compression Using Enhanced Fixed Prediction Scheme
WO2024077738A1 (en) Learned image compression based on fast residual channel attention network
Yagnasree et al. Image compression using neural networks

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
GR01 Patent grant
GR01 Patent grant