压缩矩阵拆分设计方法、装置、设备及存储介质与流程

1.本发明涉及图像压缩领域，尤其是一种压缩矩阵拆分设计方法、装置、设备及存储介质。


背景技术：

2.相关技术中，在设计压缩矩阵时大多直接采用已经设计完成的决定性矩阵，但该方法无法根据压缩数据的改变而优化。因此，如何提供一种可以根据压缩数据的改变而优化的压缩矩阵拆分设计方法，是目前亟待解决的问题。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种压缩矩阵拆分设计方法，能够提升压缩矩阵的设计效率。
4.本发明还提出一种压缩矩阵拆分设计装置。
5.本发明还提出一种压缩矩阵拆分设计设备。
6.本发明还提出一种计算机可读存储介质。
7.根据本发明的第一方面实施例的压缩矩阵拆分设计方法，包括：
8.获取图片数据；
9.根据图片数据，生成第一参数矩阵和第二参数矩阵；
10.数据获取步骤：获取所述第一参数矩阵和所述第二参数矩阵，并根据所述图片数据、所述第一参数矩阵和所述第二参数矩阵，生成过程矩阵；
11.获取所述过程矩阵，并通过预设的深度频域神经网络对所述过程矩阵进行处理，生成修正数据；
12.获取收敛值，并根据所述修正数据和所述收敛值执行以下步骤之一：
13.若所述修正数据大于等于所述收敛值，则通过所述深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至所述数据获取步骤；
14.或者，
15.若所述修正数据小于所述收敛值，则通过克罗内克积运算，计算当前的所述第一参数矩阵和所述第二参数矩阵，以生成压缩矩阵。
16.根据本发明实施例的压缩矩阵拆分设计方法，至少具有如下有益效果：通过本发明提供的压缩矩阵拆分设计方法，可以实现获取图片数据，并根据图片数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵，从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压
缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。
17.根据本发明的一些实施例，所述根据图片数据，生成第一参数矩阵和第二参数矩阵，包括：
18.获取所述图片数据的初始行数与初始列数；
19.根据所述初始行数，生成列数与所述初始行数相同的第一参数矩阵；
20.根据所述初始列数，生成行数与所述初始列数相同的第二参数矩阵。
21.根据本发明的一些实施例，所述数据获取步骤：获取所述第一参数矩阵和所述第二参数矩阵，并根据所述图片数据、所述第一参数矩阵和所述第二参数矩阵，生成过程矩阵，包括：
22.将所述第二参数矩阵与所述图片数据做矩阵乘法，得到计算矩阵；
23.将所述第一参数矩阵与所述计算矩阵做矩阵乘法，生成所述过程矩阵。
24.根据本发明的一些实施例，所述获取所述过程矩阵，并通过预设的深度频域神经网络对所述过程矩阵进行处理，生成修正数据，包括：
25.通过预设的深度频域神经网络对所述过程矩阵进行处理，以生成处理结果；
26.获取所述处理结果，对所述处理结果通过全链接层进行处理，生成误差信息；
27.获取所述误差信息，并对所述误差信息进行分类操作，以生成修正数据。
28.根据本发明的一些实施例，所述若所述修正数据大于等于所述收敛值，则通过所述深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至所述数据获取步骤，包括：
29.若所述修正数据大于等于所述收敛值，则通过所述深度频域神经网络进行反向更新操作，生成参数改变矩阵；
30.获取所述参数改变矩阵和当前的第一参数矩阵和当前的第二参数矩阵，并根据所述参数改变矩阵和所述当前的第一参数矩阵和所述当前的第二参数矩阵生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至所述数据获取步骤。
31.根据本发明的一些实施例，所述若修正数据小于所述收敛值，则通过克罗内克积运算，计算当前的所述第一参数矩阵和所述第二参数矩阵，以生成压缩矩阵，包括：
32.获取所述第一参数矩阵和所述第二参数矩阵；
33.对所述第二参数矩阵进行转置处理，得到第三参数矩阵；
34.对所述第三参数矩阵和第二参数矩阵进行克罗内克积运算，生成压缩矩阵。
35.根据本发明的第二方面实施例的压缩矩阵拆分设计装置，包括：
36.图片获取模块，用于获取图片数据；
37.参数矩阵生成模块，用于根据图片数据，生成第一参数矩阵和第二参数矩阵；
38.数据获取模块，用于执行数据获取步骤，以执行获取所述第一参数矩阵和所述第二参数矩阵，并根据所述图片数据、所述第一参数矩阵和所述第二参数矩阵，生成过程矩阵；
39.深度频域神经网络处理模块，用于获取所述过程矩阵，并通过预设的深度频域神
经网络对所述过程矩阵进行处理，生成修正数据
40.判断模块，用于获取所述修正数据和收敛值，并根据所述修正数据和所述收敛值执行以下步骤之一：
41.若所述修正数据大于等于所述收敛值，则通过所述深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至所述数据获取步骤；
42.或者，
43.若所述修正数据小于所述收敛值，则通过克罗内克积运算，计算当前的所述第一参数矩阵和所述第二参数矩阵，以生成压缩矩阵。
44.根据本发明实施例的压缩矩阵拆分设计装置，至少具有如下有益效果：压缩矩阵拆分设计装置通过图片获取模块获取图片数据；通过参数矩阵生成模块，可以根据图片数据生成第一参数矩阵和第二参数矩阵；通过数据获取模块，可以获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；通过深度频域神经网络处理模块，可以获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据；通过判断模块可以获取修正数据和收敛值，并根据修正数据和收敛值执行以下步骤之一：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。实现了在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。
45.根据本发明的一些实施例中，所述参数矩阵生成模块包括：
46.图片数据分析单元，所述图片数据分析单元用于获取图片数据的初始行数与初始列数；
47.参数矩阵配置单元，所述参数矩阵配置单元用于根据所述初始行数，生成列数与所述初始行数相同的第一参数矩阵；并根据所述初始列数，生成行数与所述初始列数相同的第二参数矩阵。
48.根据本发明的第三方面实施例的压缩矩阵拆分设计设备，包括：
49.至少一个处理器，以及，
50.与所述至少一个处理器通信连接的存储器；其中，
51.所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时，实现如本发明第一方面实施例所述的压缩矩阵拆分设计方法。
52.根据本发明实施例的压缩矩阵拆分设计设备，至少具有如下有益效果：通过存储器存储如本发明第一方面实施例中的压缩矩阵拆分设计方法，以及与存储器通信连接的至少一个处理器，本发明所提供的压缩矩阵拆分设计设备可以实现如本发明第一方面实施例中的压缩矩阵拆分设计方法，从而实现获取图片数据，并根据图片数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关
系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。
53.根据本发明的第四方面实施例的计算机可读存储介质，包括：
54.所述计算机可读存储介质存储有计算机可执行指令，可用于执行如本发明第一方面实施例所述的压缩矩阵拆分设计方法。
55.根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：通过计算机可读存储介质，可以提供执行其中存储的本发明第一方面实施例的压缩矩阵拆分设计方法，从而实现获取图片数据，并根据图片数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
56.下面结合附图和实施例对本发明做进一步的说明，其中：
57.图1为本发明实施例压缩矩阵拆分设计方法的流程图。
58.图2为图1中步骤s200的具体流程图。
59.图3为图1中步骤s300的具体流程图。
60.图4为图1中步骤s400的具体流程图。
61.图5为图1中步骤s610的具体流程图。
62.图6为图1中步骤s620的具体流程图。
63.图7为本发明实施例压缩矩阵拆分设计装置的结构图。
64.图8为图7中参数矩阵生成模块200的具体结构图。
65.附图标记：100，图片获取模块；200，参数矩阵生成模块；300，数据获取模块；400，深度频域神经网络处理模块；500，判断模块；210，图片数据分析单元；220，参数矩阵配置单元。
具体实施方式
66.下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
67.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
68.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
69.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
70.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
71.上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
72.第一方面，参照图1，在一些实施例中，本发明提供了一种压缩矩阵的设计方法，包括：
73.s100，获取图片数据；
74.s200，根据图片数据，生成第一参数矩阵和第二参数矩阵；
75.s300，数据获取步骤：获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；
76.s400，获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据；
77.s500，获取收敛值，
78.并根据修正数据和收敛值执行以下步骤之一：
79.s610，若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；
80.或者，
81.s620，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。
82.通过本发明提供的压缩矩阵拆分设计方法，可以实现获取图片数据，并根据图片
数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。其中，收敛值并不固定，针对于不同的压缩图像和不同参数设定的深度频域神经网络均采取不同的设定值。
83.此外，本发明提供的压缩矩阵拆分设计方法通过通用采用克罗内克积运算，将第一参数矩阵和第二参数矩阵进行矩阵参数优化，大大减少了计算量，实现了显著提升对于压缩矩阵每一元素的优化速度，从而提供了一种高效的压缩矩阵拆分设计方法。
84.在一些具体的实施例中，对于行数与列数均为100的通用矩阵，在没有对通用矩阵进行克罗内克积拆分时，需要计算的元素为10000个，通过拆分为两个行数和列数均为10的第一参数矩阵和第二参数矩阵，本发明在压缩矩阵的设计过程中，仅需对200个元素进行计算，显著的降低了计算量，有效的提升了压缩矩阵的设计效率。
85.参照图2，在一些实施例中，步骤s200包括：
86.s210，获取图片数据的初始行数与初始列数；
87.s220，根据所述初始行数，生成列数与所述初始行数相同的第一参数矩阵；
88.s230，根据所述初始列数，生成行数与所述初始列数相同的第二参数矩阵。
89.通过获取图片数据的初始行数与初始列数，并根据初始行数与初始列数确定第一参数矩阵的列数和第二参数矩阵的行数。本方法可以对压缩矩阵所包含的元素进行简化，减少计算压缩矩阵的过程中所需要包含的数据量，从而可以减少压缩过程的计算时间。
90.在一些具体的实施例中，第一参数矩阵的行数小于第一参数矩阵的列数，第二参数矩阵的列数小于第二参数矩阵的行数，以保证经过第一参数矩阵和第二参数矩阵处理后的图片数据的矩阵大小小于原始的图片数据大小，从而实现对图片数据的压缩处理。
91.在一些实施例中，参照图3，步骤s300包括：
92.s310，将第二参数矩阵与图片数据做矩阵乘法，得到计算矩阵；
93.s320，将第一参数矩阵与计算矩阵做矩阵乘法，生成过程矩阵。
94.通过获取第二参数矩阵和图片数据，并将第二参数矩阵作为左矩阵与图片数据进行矩阵乘法，可以获得计算矩阵；其中，计算矩阵包含经过初步压缩的图片数据。根据计算矩阵和第一参数矩阵，将第一参数矩阵作为计算矩阵的右矩阵进行矩阵乘法，从而获得过程矩阵。其中，过程矩阵为对图片数据进行压缩处理后的压缩文件。这一方法能够获取通用矩阵拆分后生成的第一参数矩阵和第二参数矩阵，根据第一参数矩阵和第二参数矩阵分别对图片数据进行矩阵右乘法和矩阵左乘法，实现对图片数据的压缩处理，有效地降低了运算量，提高了压缩效率。
95.在一些实施例中，参照图4，步骤s400包括：
96.s410，通过预设的深度频域神经网络对过程矩阵进行处理，以生成处理结果；
97.s420，获取处理结果，对处理结果通过全链接层进行处理，生成误差信息；
98.s430，获取误差信息，并对误差信息进行分类操作，以生成修正数据。
99.本发明通过将含有图片数据的过程矩阵输入值深度频域神经网络中进行训练，获得了包含有全部误差信息的处理结果，从而实现了对误差信息的预提取；并通过获取包含有全部误差信息的处理结果，对处理结果中的误差信息进行全链接层计算处理，获得归纳后的误差信息，以实现对归纳信息进行分类操作，生成包含误差信息的修正数据，实现了对压缩矩阵拆分设计过程中的误差信息的提取。在一些具体的实施例中，包含全部误差信息的处理结果可以是多个包含误差信息的矩阵，矩阵的个数根据深度频域神经网络的参数设定而决定；此外，可以采用softmax函数对误差信息进行分类误差计算来实现识别误差，并生成修正数据，在一些实施例里也可以是其它，不做限制。
100.在一些其他的实施例中，深度频域神经网络包括至少一组如下的：卷积层、池化层和激活函数。其中，卷积层可以根据过程矩阵的行数和列数对其中的卷积核进行零值填充，得到第一中间矩阵，其中，第一中间矩阵的行数与过程矩阵的行数相同，第一中间矩阵的列数与过程矩阵的列数相同；并对第一中间矩阵进行离散余弦变换处理，得到第二中间矩阵；再将过程矩阵与第二中间矩阵进行矩阵点乘处理，生成第一处理数据；池化层可以对第一处理数据进行池化处理，生成第二处理数据；再对第二处理数据进行离散余弦逆变换处理；激活函数可以对第二处理数据进行激活处理，以实现生成对应处理结果。此处的处理结果仅为进行了一次深度频域神经网路处理后的处理结果，在一些具体的实施例中，可以对进行了一次深度频域神经网络处理后的处理结果再次输入到预设的深度频域神经网络中进行处理，以降低获取数据中偶然性因素导致的数据误差较大而产生的误差。通过卷积层、池化层和激活函数处理，相比于传统的神经网络，具有更少的层数，计算过程更高效。其中，预设的激活函数可以是relu函数、sigmoid函数等，不做限制。
101.在一些实施例中，s500包括：获取收敛值
102.本发明提供的压缩矩阵拆分设计方法中，通过获取收敛值，并根据收敛值和修正数据之间的大小关系，判断执行步骤s610与步骤s620中之一，实现了根据不同的修正数据，对其代表的不同图片数据，生成针对性设计的压缩矩阵，从而有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。其中，收敛值的大小设定根据一般经验判断，并不做固定要求。
103.参照图5，在一些实施例中，步骤s610包括：
104.s611，若修正数据大于等于收敛值，则通过深度频域神经网络进行反向更新操作，生成参数改变矩阵；
105.s612，获取参数改变矩阵和当前的第一参数矩阵和当前的第二参数矩阵，并根据参数改变矩阵和当前的第一参数矩阵和当前的第二参数矩阵生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤。
106.本发明通过获取修正数据，并根据修正数据与收敛值进行比对，当比对结果为若修正数据大于等于收敛值，则根据修正数据反向更新深度频域神经网络，并同时获取到对应的参数改变矩阵。根据获取到的参数改变矩阵，本发明将当前的第一参数矩阵和当前的
第二参数矩阵与参数改变矩阵做矩阵加法运算，从而实现更新对应的第一参数矩阵和第二参数矩阵，并将更新后的通用矩阵提交至数据获取步骤，以提供更新后的第一参数矩阵和第二参数矩阵，进而执行本发明所提供的压缩矩阵拆分设计方法。本发明的压缩矩阵拆分设计方法提供了一种根据识别结果对第一参数矩阵和第二参数矩阵进行更新的手段、一种简化压缩矩阵拆分设计过程的方法，提高了压缩矩阵拆分设计的效率。
107.参照图6，在一些实施例中，s620包括：
108.s621，获取第一参数矩阵和第二参数矩阵；
109.s622，对第二参数矩阵进行转置处理，得到第三参数矩阵；
110.s623，对第三参数矩阵和第二参数矩阵进行克罗内克积运算，生成压缩矩阵。
111.本发明通过获取当前的第一参数矩阵和当前的第二参数矩阵，并对当前的第二参数矩阵进行转置处理，并将转置处理之后的第二参数矩阵与第一参数矩阵做克罗内克积运算，实现获取当前的第一参数矩阵和第二参数矩阵所对应的压缩矩阵。通过第一参数矩阵和第二参数矩阵对图片数据进行压缩处理，能够减少计算量。此外，通过将获取到的第一参数矩阵与第二参数矩阵采取克罗内克积运算计算，可以获取到第一参数矩阵和第二参数矩阵对应的压缩矩阵，降低了压缩矩阵拆分设计的难度，提高了压缩矩阵的设计效率。
112.第二方面，参照图7，本发明提供了一种压缩矩阵拆分设计装置，包括：
113.图片获取模块100，用于获取图片数据；
114.参数矩阵生成模块200，用于根据图片数据，生成第一参数矩阵和第二参数矩阵；
115.数据获取模块300，用于获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；
116.深度频域神经网络处理模块400，用于获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据；
117.判断模块500，用于获取修正数据和收敛值，并根据修正数据和收敛值执行以下步骤之一：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。
118.本发明提供的压缩矩阵拆分设计装置通过图片获取模块100获取图片数据；通过参数矩阵生成模块200，可以根据图片数据生成第一参数矩阵和第二参数矩阵；通过数据获取模块 300，可以获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；通过深度频域神经网络处理模块100，可以获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据；通过判断模块500可以获取修正数据和收敛值，并根据修正数据和收敛值执行以下步骤之一：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。实现了在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络400对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案
119.参照图8，在一些实施例中，矩阵拆分模块200包括：
120.图片数据分析单元210，图片数据分析单元用于获取图片数据的初始行数与初始列数；
121.参数矩阵配置单元220，参数矩阵配置单元220用于根据初始行数，生成列数与初始行数相同的第一参数矩阵；并根据初始列数，生成行数与初始列数相同的第二参数矩阵。
122.压缩矩阵拆分设计装置通过图片数据分析单元210可以获取图片数据的初始行数与初始列数，通过参数矩阵配置单元220可以根据初始行数，生成列数与初始行数相同的第一参数矩阵；并根据初始列数，生成行数与初始列数相同的第二参数矩阵。其中，根据初始行数和初始列数生成的第一参数矩阵和第二参数矩阵中的元素，可以是系统预设的，也可以是完全随机的，并不做限制。通过获取到的第一参数矩阵和第二参数矩阵对图片数据进行压缩处理，可以有效地简化压缩过程，即减小过程矩阵生成过程所需要的计算量，也降低了压缩矩阵的设计难度，提高了压缩矩阵拆分设计效率。
123.在一些具体的实施例中，参数矩阵配置单元220生成的第一参数矩阵的行数小于列数，生成的第二参数矩阵的列数小于行数，以实现图片数据经过参数矩阵配置单元220生成的第一参数矩阵和第二参数矩阵压缩后，生成小于原始的图片数据的压缩数据，以实现对图片数据的压缩处理。
124.第三方面，本发明提供了一种压缩矩阵拆分设计设备，包括：
125.至少一个处理器，以及，
126.与至少一个处理器通信连接的存储器；其中，
127.存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时，实现如本发明第一方面实施例的压缩矩阵拆分设计方法。
128.本发明提供的压缩矩阵拆分设计设备，通过存储器存储如本发明第一方面实施例中的压缩矩阵拆分设计方法，以及与存储器通信连接的至少一个处理器，本发明所提供的压缩矩阵拆分设计设备可以实现如本发明第一方面实施例中的压缩矩阵拆分设计方法，可以实现获取图片数据，并根据图片数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，可用于执行如本发明第一方面实施例的压缩矩阵拆分设计方法。
129.根据本发明实施例计算机可读存储介质，可以实现通过计算机可读存储介质，提供执行其中存储的本发明第一方面实施例的压缩矩阵拆分设计方法。根据本发明实施例的
计算机可读存储介质，至少具有如下有益效果：通过计算机可读存储介质，可以提供执行其中存储的本发明第一方面实施例的压缩矩阵拆分设计方法，以实现获取图片数据，并根据图片数据生成第一参数矩阵和第二参数矩阵。通过执行数据获取步骤，获取第一参数矩阵和第二参数矩阵，并根据图片数据、第一参数矩阵和第二参数矩阵，生成过程矩阵；从而获取过程矩阵，并通过预设的深度频域神经网络对过程矩阵进行处理，生成修正数据，并根据修正数据与收敛值的大小关系进行如下操作：若修正数据大于等于收敛值，则通过深度频域神经网络处理，生成更新后的第一参数矩阵和更新后的第二参数矩阵并跳转至数据获取步骤；或者，若修正数据小于收敛值，则通过克罗内克积运算，计算当前的第一参数矩阵和第二参数矩阵，以生成压缩矩阵。该方法在压缩矩阵的设计过程中，通过第一参数矩阵和第二参数矩阵实现对图片的压缩，利用深度频域神经网络对压缩结果进行处理获取到的修正数据对第一参数矩阵和第二参数矩阵的不断修正，实现了获取到压缩效果较好的压缩矩阵，有效地提供了一种可以对不同的压缩数据进行针对性设计的压缩矩阵设计方案。