【技术实现步骤摘要】
本专利技术属于视频图像编解码，具体涉及一种基于神经网络图像块分类的屏幕图像压缩方法及系统。
技术介绍
1、近年来计算机和信息技术高速发展，成为人们生活不可或缺的一部分。云电脑、远程会议、远程协助等也进入人们生活中，得到极大普及。这类场景所传输的图像往往是计算机屏幕内容的图像，也称为屏幕图像。受限于网络带宽以及传输速度等，屏幕图像如果以原图进行传输，会对网络造成极大压力，接收速度也慢，需要采用合适的压缩算法对图像进行压缩。
2、压缩方式分为有损压缩和无损压缩。jpeg是常用的图像有损压缩算法，利用了人眼对色彩和图像细节敏感度低，采用采样、离散余弦变换、量化等方法将高频信息舍弃，保留低频信息，以丢弃了图像中人眼不敏感信息为代价从而实现了很高的压缩率。而以png，qoi为代表的无损压缩方法在压缩过程中不会丢失任何数据，保留了图像的细节，解压后的图片与原图完全相同，但压缩率不高，压缩后的体积比无损压缩要大的多。
3、图像可以大致划分为两类：自然图像和非自然图像。自然图像为颜色、细节、纹理丰富等接近生活摄影，视频类的图像；非自然图像为人工合成的文本，表格，几何图形等高度结构化的图像。屏幕图像往往既包含了自然图像，又有非自然图像。如果只采用无损压缩，虽然保证图片质量，但压缩后的文件体积仍然较大；如果采用有损压缩则会损失非自然图像部分的清晰度，损失部分用户关注的信息。因此，如何能够在节省处理时间的情况下，对屏幕图像在保证图片质量的同时，获得较大的压缩率，是亟待解决的问题。
技术实现思路>
1、为了解决如何在节省处理时间的情况下，对屏幕图像在保证图片质量的同时，获得较大的压缩率的技术问题，本专利技术提供一种基于神经网络图像块分类的屏幕图像压缩方法及系统。
2、第一方面
3、本专利技术提供了一种基于神经网络图像块分类的屏幕图像压缩方法，包括：
4、s1：构建神经网络图像块分类模型；
5、s2：获取屏幕图像，将所述屏幕图像输入至所述神经网络图像块分类模型，获得第一类型图像和第二类型图像，其中，所述第一类型图像为自然图像，所述第二类型图像为非自然类型图像；
6、s3：分别将所述第一类型图像和所述第二类型图像进行压缩，获得第一压缩数据和第二压缩数据，并对所述第一压缩数据和所述第二压缩数据分配数据序列后，进行缓存；
7、s4：根据数据序列，对所述第一压缩数据和/或所述第二压缩数据解压缩，获得所述第一类型图像和/或所述第二类型图像。
8、进一步地，所述s1具体包括：
9、s101：获取标准化屏幕图像数据，将所述标准化屏幕图像数据拆分为32*32个的第一小图像块，将所述第一小图像块分为所述第一类型图像和所述第二类型图像，并打上标签，作为标准化数据库；
10、s102：将所述标准化数据库通过交叉熵损失函数，形成所述神经网络图像块分类模型，其中，所述交叉熵损失函数采用公式：
11、
12、其中，为模型预测标签，y为所述屏幕图像的真实标签，的值越小，表示结果越接近真实结果。
13、进一步地，所述s2具体包括：
14、获取所述屏幕图像，将所述屏幕图像划分成32*32个的第二小图像块，对每个所述第二小图像块分配id编号，根据所述id编号获取对应位置块的数据，通过所述神经网络图像块分类模型，获得分类结果，所述分类结果包括所述第一类型图像和所述第二类型图像。
15、进一步地，所述s3具体包括：
16、s301：将所述id编号和所述分类结果装成一个任务块，将所述任务块送入线程池，所述线程池根据所述分类结果在编码器队列中获取响应编码器进行编码压缩，获得所述第一压缩数据和所述第二压缩数据，对所述第一压缩数据和所述第二压缩数据分配所述数据序列；其中，所述数据序列包括标志位，数据大小和压缩后的图像块数据，所述压缩后的图像块数据为所述第一压缩数据和/或所述第二压缩数据；
17、s302：将所述数据序列存放在32*32*通道数的大小的缓存上，并使用键值对缓存信息进行记录，其中所述缓存信息包括id编号和数据序列的缓存地址。
18、进一步地，所述s4具体包括：
19、根据所述数据序列的所述标志位和所述数据大小，获得所述数据块的分类类型，对所述压缩后的数据块数据进行加压，获得所述第一类型图像和/或所述第二类型图像。
20、第二方面
21、本专利技术提供了一种基于神经网络图像块分类的屏幕图像压缩系统，包括：
22、构建模块，用于构建神经网络图像块分类模型；
23、获取模块，用于获取屏幕图像，将所述屏幕图像输入至所述神经网络图像块分类模型，获得第一类型图像和第二类型图像，其中，所述第一类型图像为自然图像，所述第二类型图像为非自然类型图像；
24、压缩模块，用于分别将所述第一类型图像和所述第二类型图像进行压缩，获得第一压缩数据和第二压缩数据，并对所述第一压缩数据和所述第二压缩数据分配数据序列后，进行缓存；
25、解压模块，用于根据数据序列，对所述第一压缩数据和/或所述第二压缩数据解压缩，获得所述第一类型图像和/或所述第二类型图像。
26、进一步地，所述构建模块具体用于：
27、获取标准化屏幕图像数据，将所述标准化屏幕图像数据拆分为32*32个的第一小图像块，将所述第一小图像块分为所述第一类型图像和所述第二类型图像，并打上标签，作为标准化数据库；
28、将所述标准化数据库通过交叉熵损失函数，形成所述神经网络图像块分类模型，其中，所述交叉熵损失函数采用公式：
29、
30、其中，为模型预测标签，y为所述屏幕图像的真实标签，的值越小，表示结果越接近真实结果。
31、进一步地，所述获取模块具体用于：
32、获取所述屏幕图像，将所述屏幕图像划分成32*32个的第二小图像块，对每个所述第二小图像块分配id编号，根据所述id编号获取对应位置块的数据，通过所述神经网络图像块分类模型，获得分类结果，所述分类结果包括所述第一类型图像和所述第二类型图像。
33、进一步地，所述压缩模块具体用于：
34、将所述id编号和所述分类结果装成一个任务块，将所述任务块送入线程池，所述线程池根据所述分类结果在编码器队列中获取响应编码器进行编码压缩，获得所述第一压缩数据和所述第二压缩数据，对所述第一压缩数据和所述第二压缩数据分配所述数据序列；其中，所述数据序列包括标志位，数据大小和压缩后的图像块数据，所述压缩后的图像块数据为所述第一压缩数据和/或所述第二压缩数据；
35、将所述数据序列存放在32*32*通道数的大小的缓存上，并使用键值对缓存信息进行记录，其中所述缓存信息包括id编号和数据序列的缓存地址。
36、进一步地，所述解压模块具体用于：
37、根据所述数据序列的所述标志位和所述数本文档来自技高网...
【技术保护点】
1.一种基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述S1具体包括：
3.根据权利要求2所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述S2具体包括：
4.根据权利要求3所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述S3具体包括：
5.根据权利要求4所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述S4具体包括：
6.一种基于神经网络图像块分类的屏幕图像压缩系统，其特征在于，包括：
7.根据权利要求6所述的基于神经网络图像块分类的屏幕图像压缩系统，其特征在于，所述构建模块具体用于：
8.根据权利要求7所述的基于神经网络图像块分类的屏幕图像压缩系统，其特征在于，所述获取模块具体用于：
9.根据权利要求8所述的基于神经网络图像块分类的屏幕图像压缩系统，其特征在于，所述压缩模块具体用于：
10.根据权利要求9所述的基于神经网络图像块分类
...【技术特征摘要】
1.一种基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述s2具体包括：
4.根据权利要求3所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述s3具体包括：
5.根据权利要求4所述的基于神经网络图像块分类的屏幕图像压缩方法，其特征在于，所述s4具体包括：
6...
【专利技术属性】
技术研发人员：林佳钦，陈曦，朱磊，蔡宇轩，游德光，张天阳，焦妍，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。