一种图像传输方法及装置与流程

本发明涉及图像处理技术领域，尤其涉及一种图像传输方法及装置。

背景技术

随着近年来网络技术的发展，网络图像传输系统开始广泛应用，这种系统通过网络传输图像，一般来说，如果图像数据量是很大的话。会存在网络延时和网络负载导致的传输速度慢，图像质量得不到保障。现有图像传输技术通常先压缩图像信息然后通过通讯网络传输到终端，会不稳定的产生网络延时。大量的图像数据通过网络传输，导致网络负载传输很慢，进而会导致图像失真等问题。

技术实现要素：

本发明的主要目的在于提出一种图像传输方法及装置，通过提取待传输图像的特征值进行图像传输，减少了传输数据，提高了传输的速度，减少了网络延时。

为实现上述目的，本发明提供的一种图像传输方法，包括：

获取待传输的图像，并将所述图像发送至处理器；

对所述图像进行正向处理，提取特征值参数；

将所述特征值参数传输至服务器；

对所述特征值参数进行逆向处理，还原得到所述图像。

可选地，所述对所述图像进行正向处理，提取特征值参数之前还包括：

对神经网络进行训练，得到训练好的神经网络，获取每一层神经网络对应的权值和还原参数。

可选地，所述对所述图像进行正向处理，提取特征值参数包括：

通过神经网络深度学习模型对所述图像进行正向处理；

通过所述每一层神经网络对应的权值提取所述图像的特征值参数。

可选地，所述对所述特征值参数进行逆向处理，还原得到所述图像具体为：

通过每一层神经网络对应的还原参数对所述特征值参数进行逆向处理，还原得到所述图像。

可选地，所述将所述特征值参数传输至服务器具体为：

通过无线网络将所述特征值参数传输至服务器。

作为本发明的另一方面，提供的一种图像传输装置，包括：

图像获取模块，用于获取待传输的图像，并将所述图像发送至处理器；

正向处理模块，用于对所述图像进行正向处理，提取特征值参数；

传输模块，用于将所述特征值参数传输至服务器；

还原模块，用于对所述特征值参数进行逆向处理，还原得到所述图像。

可选地，还包括：

训练模块，用于对神经网络进行训练，得到训练好的神经网络，获取每一层神经网络对应的权值和还原参数。

可选地，所述正向处理模块包括：

学习单元，用于通过神经网络深度学习模型对所述图像进行正向处理；

提取单元，用于通过所述每一层神经网络对应的权值提取所述图像的特征值参数。

可选地，所述还原模块具体为：

通过每一层神经网络对应的还原参数对所述特征值参数进行逆向处理，还原得到所述图像。

可选地，所述传输模块具体为：

通过无线网络将所述特征值参数传输至服务器。

本发明提出的一种图像传输方法及装置，该方法包括：获取待传输的图像，并将所述图像发送至处理器；对所述图像进行正向处理，提取特征值参数；将所述特征值参数传输至服务器；对所述特征值参数进行逆向处理，还原得到所述图像；通过提取待传输图像的特征值进行图像传输，减少了传输数据，提高了传输的速度，减少了网络延时。

附图说明

图1为本发明实施例一提供的一种图像传输方法的流程图；

图2为本发明实施例一提供的另一种图像传输方法的流程图；

图3为图1中步骤s20的方法流程图；

图4为本发明实施例一提供的正向处理和反向处理过程示意图；

图5为本发明实施例二提供的一种图像传输装置的示范性结构框图；

图6为本发明实施例二提供的另一种图像传输装置的示范性结构框图；

图7为图5中正向处理模块的示范性结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。

实施例

如图1所示，在本实施例中，一种图像传输方法，包括：

s10、获取待传输的图像，并将所述图像发送至处理器；

s20、对所述图像进行正向处理，提取特征值参数；

s30、将所述特征值参数传输至服务器；

s40、对所述特征值参数进行逆向处理，还原得到所述图像。

在本实施例中，通过提取待传输图像的特征值进行图像传输，减少了传输数据，提高了传输的速度，减少了网络延时。

在本实施例中，通过摄像装置采集图片或图像信息，作为待传输的图像发送给处理器，处理器接收到摄像装置上传的图像，通过神经网络深度学习模型对所述图像进行正向处理，提取出特征值参数，与图像的原始数据相比较，特征值参数数据量较小，因此，提高了数据传输的速度。

如图2所示，在本实施例中，所述步骤s20之前还包括：

s11、对神经网络进行训练，得到训练好的神经网络，获取每一层神经网络对应的权值和还原参数。

在本实施例中，通过将一定数量的图像样本一一输入神经网络，经训练使得关于所有图像样本的预设函数值最小，即神经网络达到了收敛，由此就得到了训练好的神经网络。在训练过程中，x(k+1)＝g(wkxk)，其中，wk为每一层神经网络对应的权值，g为响应函数，x(k)＝(xk1，xk2，....，xkn)，而关于所有图像样本的预设函数为∑(x(n)-y)²，y为图像样本的质量值，即，该预设函数是对所有图像样本的输入输出差值求平方和，由此得到了每层wk对应的权值(w1，w2，....，wn),和每层ax的还原参数(a1,a2，....，ax)，从而得到了训练好的神经网络。

如图3所示，在本实施例中，所述步骤s20包括：

s21、通过神经网络深度学习模型对所述图像进行正向处理；

s22、通过所述每一层神经网络对应的权值提取所述图像的特征值参数。

在本实施例中，所述步骤s40具体为：

通过每一层神经网络对应的还原参数对所述特征值参数进行逆向处理，还原得到所述图像。

在本实施例中，通过深度学习模型进行逆向处理,每层对应的权益值wk(w1，w2，....，wn)通过每层an的还原参数(a1，a2，....，an)处理，得到原始图像x。

在本实施例中，所述将所述特征值参数传输至服务器具体为：

通过无线网络将所述特征值参数传输至服务器。

如图4所示，为本发明正向处理和反向处理过程示意图，在逆向处理过程中，包含将得到的判断结果作为反向传播途径中的一个参数a，使用图像样本的预设函数∑(x(n)-y)²求出一个值代码计算值与真值的误差，根据链式法则将该成本函数计算出来的值对上一层的各个权重进行链式求导，求出来的导数作为新的权重，求完该层权重后将成本函数计算出来的值对再上一层进行求导，以此类推，直到各层都完成求导并得到对应的权重值为止。

实施例二

如图5所示，在本实施例中，一种图像传输装置，包括：

图像获取模块10，用于获取待传输的图像，并将所述图像发送至处理器；

正向处理模块20，用于对所述图像进行正向处理，提取特征值参数；

传输模块30，用于将所述特征值参数传输至服务器；

还原模块40，用于对所述特征值参数进行逆向处理，还原得到所述图像。

在本实施例中，通过提取待传输图像的特征值进行图像传输，减少了传输数据，提高了传输的速度，减少了网络延时。

在本实施例中，通过摄像装置采集图片或图像信息，作为待传输的图像发送给处理器，处理器接收到摄像装置上传的图像，通过神经网络深度学习模型对所述图像进行正向处理，提取出特征值参数，与图像的原始数据相比较，特征值参数数据量较小，因此，提高了数据传输的速度。

如图6所示，在本实施例中，一种图像传输装置还包括：

训练模块50，用于对神经网络进行训练，得到训练好的神经网络，获取每一层神经网络对应的权值和还原参数。

在本实施例中，通过将一定数量的图像样本一一输入神经网络，经训练使得关于所有图像样本的预设函数值最小，即神经网络达到了收敛，由此就得到了训练好的神经网络。在训练过程中，x(k+1)＝g(wkxk)，其中，wk为每一层神经网络对应的权值，g为响应函数，x(k)＝(xk1，xk2，....，xkn)，而关于所有图像样本的预设函数为∑(x(n)-y)²，y为图像样本的质量值，即，该预设函数是对所有图像样本的输入输出差值求平方和，由此得到了每层wk对应的权值(w1，w2，....，wn),和每层ax的还原参数(a1,a2，....，ax)，从而得到了训练好的神经网络。

如图7所示，在本实施例中，所述正向处理模块包括：

学习单元21，用于通过神经网络深度学习模型对所述图像进行正向处理；

提取单元22，用于通过所述每一层神经网络对应的权值提取所述图像的特征值参数。

在本实施例中，所述还原模块具体为：

通过每一层神经网络对应的还原参数对所述特征值参数进行逆向处理，还原得到所述图像。

在本实施例中，通过深度学习模型进行逆向处理,每层对应的权益值wk(w1，w2，....，wn)通过每层an的还原参数(a1，a2，....，an)处理，得到原始图像x。

在本实施例中，所述将所述特征值参数传输至服务器具体为：

通过无线网络将所述特征值参数传输至服务器。

如图4所示，为本发明正向处理和反向处理过程示意图，在逆向处理过程中，包含将得到的判断结果作为反向传播途径中的一个参数a，使用图像样本的预设函数∑(x(n)-y)²求出一个值代码计算值与真值的误差，根据链式法则将该成本函数计算出来的值对上一层的各个权重进行链式求导，求出来的导数作为新的权重，求完该层权重后将成本函数计算出来的值对再上一层进行求导，以此类推，直到各层都完成求导并得到对应的权重值为止。

在本实施例中，所述传输模块具体为：

通过无线网络将所述特征值参数传输至服务器。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。