[发明专利]一种作业现场视频图像的压缩与重构方法及相关装置

说明书

本申请公开了一种作业现场视频图像的压缩与重构方法及相关装置，在图像压缩方面，采用设计的残差回归网络(RRN)和扩张的残差通道注意网络(DRCAN)来模拟正则项和近端算子。然后在近端梯度下降算法的循环中嵌入了两个重新设计的神经网络。RRN作为噪声水平估计的正则项和DRCAN作为图像去噪的近端算子，其中自集成策略可以进一步增强重构性能。在图像重构方面，对基于卷积神经网络的压缩感知重构算法进行改进，以获得更有优秀的视频图像重构性能。该技术基于深度学习正则项和近端算子，设计一种有效的视频压缩感知重构算法。从而解决了现有技术计算成本昂贵，重构耗时久的技术问题。

技术领域

本申请涉及电力作业图像处理技术领域，尤其涉及一种作业现场视频图像的压缩与重构方法及相关装置。

背景技术

目前电力行业对于电力作业的现场安监工作大部分采用远程视频监控方式进行。由于作业地点分布广泛，作业量频繁，电力行业的作业现场监控系统面临了巨大数据传输压力。为了减少网络传输的压力，必然要对视频进行压缩后传输并在服务器端重构。

传统的图像与视频压缩编码框架以奈奎斯特采样定理为基础，首先以高于原始信号两倍带宽的频率对信号进行采样，再通过对应的压缩方法去除图像与视频中包含的冗余信息。这种编码方案不可避免地带来了大量的计算资源浪费。最近基于深度学习的图像压缩显示出超越传统编解码器的潜力。然而，大多数方法针对多种比特率训练多个网络，这增加了实现的复杂性，限制了它们适用于视频编码。虽然传统的压缩感知重构算法在一定程度上解决了图像重构方面的缺陷，比如：抗干扰能力差、复杂度高、浪费资源等问题，但是传统的压缩感知重构算法也面临着一些问题：传统的压缩感知重构算法大多都是迭代的，使得这些重构算法存在计算成本昂贵，重构耗时久等问题。

发明内容

本申请提供了一种作业现场视频图像的压缩与重构方法及相关装置，用于解决现有技术计算成本昂贵，重构耗时久的技术问题。

有鉴于此，本申请第一方面提供了一种作业现场视频图像的压缩与重构方法，所述方法包括：

S1、构造共享CNN网络，所述共享CNN网络的前两层为网络主干，并作为各分支的共享层，且各分支对应于单个子像素的位置；

S2、基于所述共享CNN网络，通过评估各神经网络滤波器和标准滤波器的预测损失构建新的CNN网络结构，得到竞争CNN网路结构；

S3、设定所述竞争CNN网路结构的共享主干的权重，并设置若干个对应于特定的四分之一像素的小数点移动的插值滤波器，对所述竞争CNN网路结构进行训练，再通过预设损失对所述竞争CNN网路结构的分支进行更新，得到竞争CNN网路模型，用于对作业图像进行压缩；

S4、将二维图像空间划分为多个根据失真距离估计的多个子空间，所述失真距离根据正则项确定，从而训练得到正则项和对应的多个近端算子；

S5、将噪声水平设置为正则项，并设残差回归网络测量压缩后图像的噪声水平，从而构建用于学习所述正则项的噪声水平估计网络RRN；同时构建用于学习所述近端算子的网络架构DRCAN，所述网络架构DRCAN由若干个堆叠扩张通道注意层和多个跳过连接组成；并采用自集成策略对压缩感知重构算法进行改进；

S6、基于训练后的噪声水平估计网络RRN、网络架构DRCAN和改进的压缩感知重构算法构建压缩感知重构模型，用于对压缩后的作业图像进行重构。

可选地，步骤S3，具体包括：

S31、通过第一个训练epoch的训练损失L₁将联合更新所述竞争CNN网路结构的所有层，并在所有分支中加入整个数据集D的损失，则整个数据集D的所有分支损失为：