申请/专利权人：济南浪潮高新科技投资发展有限公司

申请日：2020-07-06

公开（公告）日：2020-10-16

公开（公告）号：CN111787321A

主分类号：H04N19/124(20140101)

分类号：H04N19/124(20140101);H04N19/13(20140101);H04N19/147(20140101);H04N19/184(20140101);H04N19/186(20140101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2023.02.28#发明专利申请公布后的驳回;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：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。

主权项：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。

全文数据：

权利要求：

百度查询： 济南浪潮高新科技投资发展有限公司 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD