[发明专利]一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法及系统

权利要求书

1.一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，具体包括以下步骤：

步骤一、通过监控设备获取实际工况下的图像数据；

步骤二、采用构建于边缘设备的压缩模型对图像数据进行压缩；

步骤三、将压缩后的数据发送至服务器中进行存储；

步骤四、后端读取存储在服务器中的压缩数据，并对其进行图像恢复；

步骤五、根据图像恢复结果实时监测电力设备作业情况。

2.根据权利要求1所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，步骤二图像数据压缩的过程中，根据压缩比例，以固定的压缩质量，对图像数据进行处理并在压缩为WEBP数据后传输至步骤三的服务器中；

其中压缩的过程进一步包括：

步骤2.1、将获取到的图像数据进行分块处理；

步骤2.2、对分块后的图像数据进行帧内预测编码；

步骤2.3、将预测部分的原图像数据减去预测出来的数据，得到差值矩阵，

步骤2.4、对差值矩阵进行离散余弦变换，从而生成一个频率系数矩阵，并获取图像数据中的高频区域和低频区域；

步骤2.5、将高频区域的图像数据舍弃，并对频率系数表和量化表进行计算，生成一个量化矩阵；

步骤2.6、对图像数据进行编码压缩。

3.根据权利要求1所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，步骤四中通过一种深度学习恢复模型实现压缩后的图像重建；

所述深度学习恢复模型包括：输入层、卷积层、池化层、残差块、全连接层、输出层；通过损失函数进行最小化训练，从而优化网络参数。

4.根据权利要求3所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，

所述深度学习恢复模型在实现图像数据恢复时，首先读取压缩后的图像数据，并对压缩后的图像数据进行归一化处理。

5.根据权利要求3所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，为了提高所述深度学习恢复模型的学习能力，构建训练集用于对深度学习恢复模型进行训练；

所述训练集按照预设比例进行划分，并根据目标函数进行深度学习恢复模型参数优化；当选取(x,t)作为训练集时，其中，x表示压缩后的图像数据，t表示原始高分辨率未经过压缩的图像，所述目标函数表达式为：

式中，表示深度学习恢复模型的预测结果；t表示原始高分辨率未经过压缩的图像；w、b表示深度学习恢复模型的权重；N表示输入图像的像素个数；

所述深度学习恢复模型接收经过压缩后的图像数据时，首先通过修订量化表及图切原则进行图像预处理。

6.根据权利要求3所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，

所述深度学习恢复模型训练过程中使用随机切块的方式进行训练，并使用随机梯度下降法在每次迭代过程中，计算梯度并更新模型参数；当达到预设迭代次数的时候，使用尺寸更大的块对训练结果进行微调。

7.根据权利要求3所述的一种电力通道可视化场景下的图像边缘端压缩及后端恢复方法，其特征在于，

所述深度学习恢复模型在输出高质量图像时，采用分块推理的方式进行，输出时将不同块的数据进行合并；

进一步的，将步骤一中获取到的图像数据划分为一系列带有重叠区域的块，输入深度学习恢复模型后，将输出块图像按固定位置拼接，重叠部分使用距离更近的块作为输出数据；

在使用距离更近的块作为输出数据时，若采用的是距离更近的块，则表达方式为：

式中，表示最终被选中的分割快；表示第k个被选择的分割快；p表示重叠区域的像素点；表示带有重叠区域的n个图像块；表示第k个图像块的中心；表示像素点x到像素点的距离。