CN104850457A - 一种关联图中海量图像的快速加载显示方法及系统 - Google Patents

Abstract

本发明公开了一种关联图中海量图像的快速加载显示方法，包括：步骤1，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对图像进行解析，解析出图像及图像的索引值；步骤2，本地服务器对图像进行分块，将图像均分为m*n个区块，并采用Itti视觉感知模型对图像区块进行显著区域的提取；步骤3，客户端根据图像区块的重要程度，设置图像区块传输队列，采取多线程方式读取图像区块；步骤4，多线程加载，设置定时器；步骤5，判断图像读取完整性，刷新显示。本发明的有益效果为：实现海量图像的快速加载显示方法，并保证图片的质量，提高加载的效率，节约客户端请求的相应时间。

Description

一种关联图中海量图像的快速加载显示方法及系统

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种关联图中海量图像的快速加载显示方法及系统。

背景技术

信息可视化是一个跨学科领域，旨在研究大规模非数值型信息资源的视觉呈现，利用图形图像方面的技术与方法，帮助人们理解和分析数据。信息可视化系统是一种将一组复杂关系用网络图的方式进行可视化展现及分析的系统，在现实生活中具有广泛的应用。在使用可视化信息系统分析时，需要分析人员之间的关系，将这些关系采用关联图来展现，具有更加直观、易于分析的优点。

通常出于管理和安全考虑，信息可视化系统中采用的图像不是存储在本地，而是通过HTTP请求访问服务访问远程服务器进行加载。当要加载很大的图像或者一次加载大量照片时，会非常慢，这个过程中界面呈假死状态，无法操作。

关联图包含实体和链接，为了将不同的实体进行区分，通常采用差异化的图像进行标识。实际应用中发现，关联图可视化的图像加载具有如下的特点：

1)一次需要加载海量图像；

2)图像需要放大查看，因此图像应该保持质量；

3)关联图中所有图像信息基本加载完整才能显示。

因此，针对关联图可视化的图像加载的问题，需要提出一种能实现海量图像的快速加载显示方法，并保证图片的质量，提高加载的效率，节约客户端请求的相应时间。

发明内容

为解决上述问题，本发明的目的在于提供一种实现关联图中海量图像的快速加载显示方法和系统。

本发明提供了一种关联图中海量图像的快速加载显示方法，包括：

步骤1，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对所述图像进行解析，解析出所述图像及所述图像的索引值；

步骤2，本地服务器对所述图像进行分块，将所述图像均分为m*n个区块，并采用Itti视觉感知模型对所述图像区块进行显著区域的提取；

步骤3，客户端根据所述图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到所述图像之后，将所述图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作；

步骤4，当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的所述定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标；

步骤5，所述定时触发器不断触发，当所述定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭所述定时触发器，结束线程。

作为本发明进一步的改进，步骤2具体包括：

步骤201，对所述图像提取颜色、亮度、方向特征；

步骤202，分别对每个特征利用平滑和降采样生成所述图像的高斯金字塔，把所述高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

步骤203，根据Gabor滤波原理，提取所述图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,...,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

步骤204，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

步骤205，利用归一化算子对所述差异图进行融合，生成各特征的显著图；

步骤206，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

步骤207，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

作为本发明进一步的改进，在步骤3中，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。

本发明还提供了一种关联图中海量图像的快速加载显示系统，包括：

图像预加载模块，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对所述图像进行解析，解析出所述图像及所述图像的索引值；

图像分块模块，本地服务器对所述图像进行分块，将所述图像均分为m*n个区块，并采用Itti视觉感知模型对所述图像区块进行显著区域的提取；

图像读取模块，客户端根据所述图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到所述图像之后，将所述图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作；

图像显示模块，当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的所述定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标；

图像定时刷新模块，所述定时触发器不断触发，当所述定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭所述定时触发器，结束线程。

作为本发明进一步的改进，所述图像分块模块包括：

提取特征模块，对所述图像提取颜色、亮度、方向特征；

生成高斯金字塔模块，分别对每个特征利用平滑和降采样生成所述图像的高斯金字塔，把所述高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

生成Gabor金字塔模块，根据Gabor滤波原理，提取所述图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,...,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

生成差异图模块，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

融合差异图模块，利用归一化算子对所述差异图进行融合，生成各特征的显著图；

寻找显著区模块，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

提取显著区模块，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

作为本发明进一步的改进，所述图像读取模块中，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。

本发明的有益效果为：

1、对待加载的图像进行分块，计算每一图像区块的能量特征值，并对其进行重要性排序，从而进行优先加载；

2、利用Itti视觉感知模型，结合高斯金字塔和Gabor金字塔来提取图像区块的能量特征值，从而在请求加载海量图像时，优先加载图像的重要区块，从而实现图像的快速加载显示和海量图像可视化分析；

3、采取了多线程方式进行图像区块的读取，每个线程负责读取特定的图像区块，最大程度上利用当前带宽，实现图像区块异步同时读取；

4、上图快，不需要等待所有图像加载完成即可进行可视化分析；

5、对已加载的数据集加上互斥锁，防止其它线程对其进行操作，保证了数据的统一性；

6、设置定时触发器，不断对图像进行刷新显示，加快图像的显示进程，并定时判断图像读取的完整性，从而加快海量图像的可视化分析。

附图说明

图1为本发明实施例所述的一种关联图中海量图像的快速加载显示方法流程图；

图2为本发明实施例所述的一种关联图中海量图像的快速加载显示系统结构框图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

如图1所示，本发明实施例的一种关联图中海量图像的快速加载显示方法，包括：

步骤1，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对图像进行解析，解析出图像及图像的索引值。

步骤2，本地服务器对图像进行分块，将图像均分为m*n个区块，并采用Itti视觉感知模型对图像区块进行显著区域的提取。该模型综合利用了Gabor金字塔和高斯金字塔对待加载的图像进行图像区块划分并提取显著区域。其中Itti的基本原理：先从图像中划分出可能成为显著区域的候选区域，通过中心-周边(center-surround)算子比较候选区域与周边区域在亮度、颜色和方向这些早期视觉特征上的差异。具体步骤如下：

步骤201，对图像提取颜色、亮度、方向特征；

步骤202，分别对每个特征利用平滑和降采样生成图像的高斯金字塔，把高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

步骤203，根据Gabor滤波原理，提取图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,...,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

步骤204，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

步骤205，利用归一化算子对差异图进行融合，生成各特征的显著图；

步骤206，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

步骤207，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

步骤3，客户端根据图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到图像之后，将图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作，由于网络原因，可能会造成数据的读取失败，因此，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。

步骤4，当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标。

步骤5，定时触发器不断触发，当定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭定时触发器，结束线程。

如图2所示，本发明还提供了一种关联图中海量图像的快速加载显示系统，包括：

图像预加载模块，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对所述图像进行解析，解析出所述图像及所述图像的索引值。

图像分块模块，本地服务器对所述图像进行分块，将所述图像均分为m*n个区块，并采用Itti视觉感知模型对所述图像区块进行显著区域的提取。

图像读取模块，客户端根据所述图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到所述图像之后，将所述图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作，由于网络原因，可能会造成数据的读取失败，因此，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。

图像显示模块，当主线程执行到图像显示模块，且当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的所述定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标。

图像定时刷新模块，所述定时触发器不断触发，当所述定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭所述定时触发器，结束线程。

其中，图像分块模块包括：

提取特征模块，对所述图像提取颜色、亮度、方向特征；

生成高斯金字塔模块，分别对每个特征利用平滑和降采样生成所述图像的高斯金字塔，把所述高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

生成Gabor金字塔模块，根据Gabor滤波原理，提取所述图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,...,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

生成差异图模块，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

融合差异图模块，利用归一化算子对所述差异图进行融合，生成各特征的显著图；

寻找显著区模块，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

提取显著区模块，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种关联图中海量图像的快速加载显示方法，其特征在于，包括：

步骤1，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对所述图像进行解析，解析出所述图像及所述图像的索引值；

步骤2，本地服务器对所述图像进行分块，将所述图像均分为m*n个区块，并采用Itti视觉感知模型对所述图像区块进行显著区域的提取；

步骤3，客户端根据所述图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到所述图像之后，将所述图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作；

步骤4，当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的所述定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标；

步骤5，所述定时触发器不断触发，当所述定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭所述定时触发器，结束线程。

2.根据权利要求1所述的关联图中海量图像的快速加载显示方法，其特征在于，步骤2具体包括：

步骤201，对所述图像提取颜色、亮度、方向特征；

步骤202，分别对每个特征利用平滑和降采样生成所述图像的高斯金字塔，把所述高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

步骤203，根据Gabor滤波原理，提取所述图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,…,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

步骤204，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

步骤205，利用归一化算子对所述差异图进行融合，生成各特征的显著图；

步骤206，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

步骤207，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

3.根据权利要求2所述的关联图中海量图像的快速加载显示方法，其特征在于，在步骤3中，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。

4.一种关联图中海量图像的快速加载显示系统，其特征在于，包括：

图像预加载模块，使用HTTP协议将需要加载的图像从远程的存储系统中预加载到本地服务器的存储器中，并对所述图像进行解析，解析出所述图像及所述图像的索引值；

图像分块模块，本地服务器对所述图像进行分块，将所述图像均分为m*n个区块，并采用Itti视觉感知模型对所述图像区块进行显著区域的提取；

图像读取模块，客户端根据所述图像区块的重要程度，设置图像区块传输队列，并且每一图像区块对应一个特定的图像读取线程，实现多线程的异步同时读取图像区块，当图像读取线程读取到所述图像之后，将所述图像保存到主线程的一个结果集中，对这个结果集加上互斥锁，防止其它线程对其进行操作；

图像显示模块，当待请求的图像数据量很大而又没有请求到真实图像时，用默认图标进行显示，当请求到图像之后再刷新显示，同时设置一个定时触发器，当主线程的所述定时触发器触发时，对主线程的结果集进行检测，并取出相应的图像区块，对图像进行刷新并替换掉对应的默认图标；

图像定时刷新模块，所述定时触发器不断触发，当所述定时触发器触发时、发现图像区块存储队列为空时，并且当前线程数为0时，图像全部读取完毕，关闭所述定时触发器，结束线程。

5.根据权利要求4所述的关联图中海量图像的快速加载显示系统，其特征在于，所述图像分块模块包括：

提取特征模块，对所述图像提取颜色、亮度、方向特征；

生成高斯金字塔模块，分别对每个特征利用平滑和降采样生成所述图像的高斯金字塔，把所述高斯金字塔的每一级图像低通滤波产生下一级图像，把处在高斯金字塔最底层的输入图像用矩阵G₀表示，用高斯模板w(m,n)对矩阵G₀的第k层权平均采样后得到下一层图像，该运算可用函数R来表示：

$G_k=R\left(G_{k-1}\right)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)G_{k-1}(2i+m,2j+n);$

生成Gabor金字塔模块，根据Gabor滤波原理，提取所述图像的纹理特征，形成Gabor金字塔，2D Gabor滤波器的公式如下：

$h(x,y,{\mathrm{\θ}}_k,{\mathrm{\σ}}_x,{\mathrm{\σ}}_y)=\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\exp \{-\mathrm{\π}[{\left(\frac{x_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2]+{\left(\frac{y_{{\mathrm{\θ}}_k}}{{\mathrm{\σ}}_{{\mathrm{\θ}}_k}}\right)}^2\}\exp \left(\frac{2\mathrm{\π}{\mathrm{ix}}_{{\mathrm{\θ}}_k}}{\mathrm{\λ}}\right),$

上式是被正弦函数调制后的函数，其中λ是正弦波的波长，k＝1,2,…,n是正弦波的方向，

其中，和的计算方法为：

$\left\{\begin{array}{c}{x}_{{\mathrm{\θ}}_k}=x\cos \left({\mathrm{\θ}}_k\right)+y\sin \left({\mathrm{\θ}}_k\right)\\ y_{{\mathrm{\θ}}_k}=-\sin \left({\mathrm{\θ}}_k\right)+y\cos \left({\mathrm{\θ}}_k\right)\end{array}\right.;$

生成差异图模块，利用中心-周边算子对Gabor金字塔图像操作生成各特征差异图；

融合差异图模块，利用归一化算子对所述差异图进行融合，生成各特征的显著图；

寻找显著区模块，对各特征的显著图进行线性融合生成总的显著图，利用赢者全胜和禁止返回策略寻找显著区域；

提取显著区模块，进行阈值分割，检测出重要的图像区块，提取出图像显著区域。

6.根据权利要求4所述的关联图中海量图像的快速加载显示系统，其特征在于，所述图像读取模块中，设置一个最大读取次数，对同一图像区块进行多次反复读取，防止图像区块的漏取，避免线程一直读取同一图像区块。