本发明属于视频压缩,具体涉及一种基于深度学习的医疗视频实时压缩方法和系统。
背景技术:
1、近年来,信息技术发展十分迅速,大数据、人工智能等相关研究的快速进步,不仅在互联网领域大放光彩,也为农业,建设,甚至是医疗等行业带来了便利。
2、医疗信息化建设一直是医疗卫生领域重要的发展方向之一,利用信息技术数据获取、数据分析、数据转化等方面独特优势,能有效提高诊疗的效率,不仅能使医生获取更为详细和充分的信息,做出准确的判断,也能减轻医生的负担。
3、呼吸内镜是一项重要的诊疗技术,已经渗透在整个呼吸系统疾病的诊断和治疗过程中,是呼吸介入病学的重要组成之一。在呼吸内镜的诊疗过程中,对视频传输的时效性和图像显示的准确性要求极高,要实现高效且清晰视频传输,视频压缩技术尤为重要。
4、视频压缩能节省存储数据所需的大量存储空间,提供高质量的视频画面。在过去的十年里,基于深度神经网络的机器学习方法在各种cv(computer vison,计算机视觉)领域的研究中,取得了革命性的进步。
5、现有的视频压缩技术是通过去除视频图像中的冗余部分,对图像进行编码来减少图像存储的大小。压缩将减少网络中数据传输所需的信息,从而减少设备的存储空间和传输的数据量大小,对提高网络传输的效率,提高实时性很有价值。但是编码尽管消除了冗余,缩减了数据大小,同时会导致图像分辨率的损失和额外的图像造成,导致图像失真,对人类的视觉感知产生影响,也就是说,现有的视频压缩技术往往是以牺牲图像质量来换取压缩效率,这一点对于要求高精度的医疗视频比如内镜视频而言是无法接受的。
技术实现思路
1、为了解决现有的视频压缩技术往往以牺牲图像质量来换取压缩效率,会导致图像分辨率的损失以及额外的图像噪声,导致图像失真的技术问题,本发明提供一种基于深度学习的医疗视频实时压缩方法和系统。
2、第一方面
3、本发明提供了一种基于深度学习的医疗视频实时压缩方法,包括:
4、s101:获取医疗视频数据,按帧提取图像帧;
5、s102:通过卷积神经网络,识别图像帧中的重复帧;
6、s103:通过基于注意力机制的长短期记忆网络,删除图像帧中的重复帧,并记录删除位置;
7、s104:通过生成对抗网络,检测删除重复帧后的医疗视频数据中的图像帧的变化情况,在通过长短期记忆网络记录的删除位置处,生成图像帧并插入;
8、s105:对各个图像帧中的像素点进行逐个比对,将图像帧中的像素转化为红、绿或者蓝中的一者;
9、s106:通过奇异值分解,对各个图像帧进行压缩;
10、s107:通过编码器,将压缩后图像帧按照标准打包并转换为视频格式。
11、第二方面
12、本发明提供了一种基于深度学习的医疗视频实时压缩系统,用于执行第一方面中的基于深度学习的医疗视频实时压缩方法。
13、与现有技术相比,本发明至少具有以下有益技术效果:
14、(1)在本发明中,通过卷积神经网络和基于注意力机制的长短期记忆网络,可以准确地识别并删除图像帧中的重复帧,消除冗余信息,并减少数据的大小,提高了视频压缩以及传输的效率。
15、(2)在本发明中,通过生成对抗网络,可以检测医疗视频数据中的图像帧的变化情况,并在删除位置处生成并插入新的图像帧,可以填补删除重复帧造成的空缺,减少图像的失真和不连续性,提升图像质量,保证图像不失真。
16、(3)在本发明中,对于医疗视频而言,形状信息的价值远大于颜色信息,通过逐个比对像素点并将其转化为红、绿或蓝中的一者,可以减少相对不重要的颜色信息,进一步减小图像数据的大小,提高网络传输的效率。
17、(4)在本发明中,通过奇异值分解对图像帧进行压缩,可以提取图像的主要特征并减少数据的维度,进一步在减小数据的大小、提高网络传输的效率的同时,保留图像的关键信息,保证图像不失真。
1.一种基于深度学习的医疗视频实时压缩方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s102具体包括:
3.根据权利要求2所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述软阈值ψ的确定方式为:
4.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s103具体包括:
5.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s104具体包括:
6.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s105具体包括:
7.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s106具体包括:
8.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,所述s107具体包括:
9.根据权利要求1所述的基于深度学习的医疗视频实时压缩方法,其特征在于,还包括:
10.一种基于深度学习的医疗视频实时压缩系统,其特征在于,用于执行权利要求1至9任一项所述的基于深度学习的医疗视频实时压缩方法。