1.一种基于模型分割压缩自编码器的图像压缩算法，其特征在于，包括：

图像数据集的获取、数据集的预处理、构建MS‑CAE网络模型、MS‑CAE网络模型的训练；

数据集的预处理包括：对获取的图像数据集进行分割处理，将填充图像分割为像素块；

MS‑CAE网络模型包括：编码网络和解码网络；

所述编码网络部署在边缘设备，用于对输入的像素块进行压缩；

减小所述编码网络的规模，用于减小所述边缘设备的负担；

所述解码网络部署在云端设备，用于获取压缩后的像素块，对其进行升维，得到升维后的像素块；

增大所述解码网络的规模，用于提升解码图像的质量；

将所述升维后的像素块进行拼接，重构处完整的图像；

图像数据集的分割处理包括：

将输入的720p图像分割为60个128*128*3小像素块；

编码网络的训练过程包括：

将60个128*128*3小像素块输入编码网络中，所述编码网络对输入的所述小像素块进行特征降维处理，其中，所述小像素块进入EN_conv1层，通过卷积单元Conv5/2p1.5，得到

64*64*64的特征图；所述64*64*64的特征图进入EN_conv2层，通过卷积单元Conv5/2p1.5，形成32*32*128的特征图；将32*32*128特征图与三层两个相同的卷积层EN_block1、EN_block2和EN_block3层经过卷积单元Conv3/1p1进行特征的线性叠加，形成新的32*32*128的特征图；整合线性叠加所获取的特征，新的32*32*128的特征图进入EN_conv3，通过卷积单元Conv5/1p2，将其压缩为32*32*32的压缩特征图，并发送至解码网络；

所述解码网络的训练过程为：

对所述32*32*32的压缩特征图通过量化器进行量化，得到量化系数；

所述量化系数作为所述解码网络的输入，进入up_DEconv1层，通过卷积单元Conv3/1p1升维形成32*32*64的特征图；通过卷积单元ConvTransposed2/2p1将32*32*64的特征图升维形成64*64*128的特征图，并将其发送至残差块网络进行处理；将处理后产生的64*64*

128的特征图通过三层两个相同的卷积层DE_blcok1、DE_block2和DE_block3层经过卷积单元Conv3/1p1进行特征线性叠加进行特征升维，形成新的64*64*128的特征图；将新的64*

64*128的特征图输入up_DEconv2层，通过卷积单元Conv3/1p1将64*64*128的特征图升维形成128*128*32的特征图；将128*128*32的特征图通过卷积单元Conv5/1p2将128*128*32的特征图变成128*128*256的特征图；将128*128*256的特征图输入up_DEconv3层，通过卷积单元Conv3/1p1将128*128*256的特征图变成128*128*16的特征图；将128*128*16的特征图通过卷积单元Conv3/1p2形成128*128*3的重构图像像素块，将重构图像像素块按顺序进行拼接，重构出完整图像。

2.根据权利要求1所述的图像压缩算法，其特征在于，所述图像数据集包括：肖像、卡通、游戏、自然风光、广告图案、城市场景、医学影像七大类图像，包含具有1280×720分辨率的多张图片。

3.根据权利要求1所述的图像压缩算法，其特征在于，将64*64*128的特征图发送至残差块网络进行处理包括：

64*64*128的特征图首先通过残差块网络的Conv1/1，进行一次正则化BatchNormal处理，再通过PReLU函数激活，通过Conv3/1p1，进行一次正则化BatchNormal处理，再通过PReLU函数激活，通过Conv1/1，进行一次正则化BatchNormal处理，在通过PReLU函数激活，将三次残差迭代的结果送入SUM函数进行加权并通过PReLU函数激活，输出残差块函数迭代的结果。