CN107426580A - 基于朱刘法和蚁群法的群体图像编码结构生成方法 - Google Patents

基于朱刘法和蚁群法的群体图像编码结构生成方法 Download PDF

Info

Publication number
CN107426580A
CN107426580A CN201710343309.4A CN201710343309A CN107426580A CN 107426580 A CN107426580 A CN 107426580A CN 201710343309 A CN201710343309 A CN 201710343309A CN 107426580 A CN107426580 A CN 107426580A
Authority
CN
China
Prior art keywords
mrow
node
spanning tree
depth
minimum spanning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710343309.4A
Other languages
English (en)
Other versions
CN107426580B (zh
Inventor
吴炜
裴婉婉
王思柯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710343309.4A priority Critical patent/CN107426580B/zh
Publication of CN107426580A publication Critical patent/CN107426580A/zh
Application granted granted Critical
Publication of CN107426580B publication Critical patent/CN107426580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于朱刘法和蚁群法的群体图像编码结构生成方法。解决了现有多数方法不能保证用户即时访问以及HAP方法编码效率提升不高的问题。实现步骤为：构造群体图像相互关系的有权有向图；使用朱刘方法得到最小生成树；判断最小生成树是否满足深度限制；若满足，则输出该最小生成树，还原成图像，构成群体图像编码结构；若不满足深度限制，采用适宜蚁群法的规则添加新边，使用最大最小蚁群法对最小生成树进行深度限制，输出深度受限的最小生成树，还原成图像，构成群体图像编码结构。本发明生成的深度受限最小生成树权值小，编码效率高，且能保证用户即时访问。可应用于云中图像压缩、个人相册压缩等领域。

Description

基于朱刘法和蚁群法的群体图像编码结构生成方法
技术领域
本发明属于图像编码领域，更进一步涉及群体图像编码结构生成方法，具体是一种基于朱刘法和蚁群法的群体图像编码结构生成方法，用于云端群体图像压缩，个人相册图像压缩以及图像数据库压缩等类似场景，更加方便群体图像的压缩与存储。
背景技术
图像通常以JPEG的格式存储，虽然能够实现存取方便，但也造成了存储空间大、编码效率低的缺点。现有群体图像编码主要利用群体图像间的相关性生成伪视频结构，再采用视频压缩技术进行压缩，极大地节省了互联网中海量图像的存储空间。伪视频结构即为群体图像编码结构，是群体图像经过一系列处理得到的类似于自然视频的序列。生成群体图像编码结构，不仅要考虑提高编码效率，还要保证用户能随时读取图像。能够随时读取图像，就要求对编码结构相对应的树形图进行深度限制。现有得到深度限制的最小生成树的方法主要有迭代式求解深度限制最小生成树方法和图像集层次聚类方法。迭代式求解深度限制最小生成树方法是通过不断对最小生成树的子树进行迭代，直到找到权值最小、且满足深度限制的最小生成树为止，这种方法需要将所有满足条件的最小生成树全部计算，从中选取权值最小的一个作为群体图像编码结构，时间复杂度高，不适用于现实情况；图像集层次方法是利用传统自下而上或者自上而下的方法对群体图像进行聚类，形成一个具有深度限制的聚类树形结构，但此类方法通常得到的树形结构并不是最优结构，编码效率提升不高。
施云慧、李达、丁文鹏、尹宝才在其申请的专利“一种屏幕图像集合的压缩方法”(申请号:201510029087.X)公开了一种屏幕图像集合的压缩方法。其主要是计算图像集中每幅图像的每个图像块的哈希值，并通过哈希特征来表征图像之间的相关性，在对其生成最小生成树来确定预测结构，继而使用HEVC编码。但这种方法没有对最小生成树的深度进行限制，使得编解码时间较长，用户访问深度较深的图像时，等待时间过长。
Yonggen Ling,Oscar C.Au,Ruobing Zou,Jiahao Pang,Haiyan Yang,AminZheng在其发表的论文“Photo Album Compression By Leveraging Temporal-SpatialCorrelations and HEVC”(《IEEE International Symposium on Circuits&Systems》2014)提出采用HAP方法得到深度限制的有向图最小生成树，HAP方法是通过聚类的思想将图像分类并形成中心点，低层的聚类中心点作为高层的图像，依次从低层到高层迭代，直至最后得到一个聚类中心作为根图像。但HAP方法通过公式自动迭代，过程难于理解，且该聚类方法往往会产生生成树代价过大，继而造成编码效率不高。
RT Wang，Y Zhao，CY Lin，HH Bai，MQ Liu在其发表的论文“Image setcompression based on undirected weighted graph”(《Journal of InformationHiding and Multimedia Signal Processing》2015)提出基础无向图的编码预测结构，其具体过程为：对两两图像之间YUV文件中y分量进行下采样，将高分辨率图像转换为低分辨率，并使用相关系数描述图像间相似程度，进而将群体图像描述为无向图，并使用prim算法得到最小生成树，但这种方法没有对最小生成树的深度进行限制，若用户访问深度较深的图像时，等待时间过长。
Zou R,Au O C,Zhou G在其发表的论文“Personal photo album compressionand management”(《IEEE International Symposium on Circuits and Systems.IEEE》2013)提出以迭代方法不断地判断子树是否满足深度限制条件，本质上是对所有满足条件的最小生成树进行遍历。对于节点数较多，得到最小生成树深度较深的情况下，迭代过程繁琐，必须将满足条件的子树全部计算完成才能得到结果，很难在有效时间内得到深度限制的最小生成树，因此不适用于现实情况。
微软技术许可有限公司在其申请的专利“基于特征的图像集合压缩”(申请号:201380078260.4)公开了一种使用SIFT特征的压缩方法。其主要思想是：将图像集根据SIFT特征进行聚类，并对聚类好的图像进行有向图描述，再生成最小生成树，根据最小生成树对图像的残差进行编码。但这种方法没有对最小生成树的深度进行限制，若用户访问深度较深的图像时，等待时间过长，不适用于现实情况。
西安电子科技大学在其申请的专利“群体图像编码结构生成方法”(申请号：201710028348.5)提出使用基于最短路径的群体图像编码结构生成方法，依次搜索根节点s经过1个中间节点，2个中间节点，…n个中间节点到达其余所有节点的最短路径，得到一棵有重复节点的生成树；通过遍历根节点s到其余每个节点的路径，去除重复节点，得到群体图像编码结构。该方法适用于群体图像间相关性差异较大的情况，对于群体图像间相关性差异较小的情况并不适用。
目前，现有大多群体图像编码结构生成方法基本不能满足用户即时访问图像的需求，而针对于群体图像之间相关性差异较小的情况，现有的HAP方法，虽然能够限制最小生成树的深度，但其得到的生成树的代价较大，编码效率不够高。
发明内容
本发明在于针对上述现有技术的不足，提出一种基于朱刘法和蚁群法的群体图像编码结构生成方法，该方法能够限制最小生成树深度且提高群体图像编码效率。
其实现步骤如下：
(1)构造群体图像相互关系的有权有向图：将群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征为两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图G(V,E)，其中，V为节点集合，E为有向边集合；
(2)初始化：给定最大深度限制dmax，用于限制最终树形图的深度；给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图G(V,E)的初始化；
(3)在有权有向图G(V,E)中使用朱刘方法得到最小生成树T：
(3a)对有权有向图G(V,E)进行预处理，得到预处理后的有权有向图G1(V,E)：虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图G(V,E)中所有边的权值之和；对于任意两个节点vi和vj，若从节点vi到节点vj有多条边，则只保留其中最短的一条；
(3b)寻找所有节点的最短入边，构成最短入边集合P，节点v的最短入边的起点用π(v)来表示；
(3c)判断最短入边集合P＝{＜π(v),v＞}是否构成环，其中，节点v∈V且v≠r，若不构成任何环，得到最小生成树T，跳转至步骤(4)；否则，执行步骤(3d)；
(3d)对构成环的有权有向图进行缩环处理，并返回步骤(3b)；
(4)判断最小生成树的深度dep(T)是否大于最大深度限制dmax，若是，则执行步骤(5)；否则，则该最小生成树T即为深度受限的最小生成树，执行步骤(7)；
(5)采用适宜蚁群法的规则对最小生成树T添加新边＜vi,vj＞，得到添加新边后的有权有向图G2(V,E)，添加规则是节点vi的深度dep(vi)小于节点vj的深度dep(vj)且dep(vj)＞dmax；
(6)在添加新边后的有权有向图G2(V,E)使用最大最小蚁群法对最小生成树进行深度限制：
(6a)初始化最大最小蚂蚁法参数：给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，已迭代次数iter为0；
(6b)构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk,k代表任意一只蚂蚁，k＝1,2,…,m，并初始化为空；
(6c)将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabku中，其中C＝{v|dep(v)＜dmax}，k＝1,2,…,m，置本次迭代最优解的初始权值为无穷大；
(6d)取第k只蚂蚁，计算其深度限制最小生成树Tk(V,E)；
(6e)计算当前蚂蚁k深度限制最小生成树Tk(V,E)的权值Qk，清空该蚂蚁对应的禁忌表Tabuk；
(6f)判断全部蚂蚁是否找到当次深度限制最小生成树Tk(V,E)，若是，执行步骤(6g)，否则，返回步骤(6d)；
(6g)从所有蚂蚁的权值(Q1，Q2，…Qk，…，Qm)中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解；再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解；
(6h)计算最大信息素τmax和最小信息素τmin；
(6i)更新路径信息素τij(t+1)；
(6j)迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，全局最优解即为对应的深度限制的最小生成树，否则，返回步骤(6c)；
(7)输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构。
本发明的技术思路是：通过将群体图像抽象为有权有向图，先使用朱刘方法得到最小生成树，判断最小生成树的深度是否大于最大深度限制，若最小生成树的深度大于最大深度限制，使用适宜蚁群法的规则将最小生成树添加新边，并进一步使用最大最小蚁群方法得到深度限制的最小生成树，最后将深度限制的最小生成树还原成群体图像伪视频序列编码结构
本发明与现有技术相比，具有以下优点：
第一：本发明将群体图像编码结构生成分解为两个步骤：使用朱刘法得到最小生成树；在不满足深度限制的条件下，使用最大最小蚁群法进行深度限制。相对于现有HAP中不断通过迭代实现层间传递消息的方法，本发明实现过程简单，易于理解。
第二：本发明解决了现有多数方法没有考虑用户即时读取图像的缺陷，使用最大最小蚁群法对最小生成树进行深度限制；又避免了现有HAP方法中，高层的中心点到其它图像的权值过大，进而造成深度限制的最小生成树权值不够优的缺点；使得最终深度限制的最小生成树权值较小，编码效率提高，又能满足用户即时读取图像的需求。
第三，本发明采用适宜蚁群法的添边规则，只将未纳入到最终深度限制最小生成树节点相关的入度边添加到朱刘法得到的最小生成树中，再使用最大最小蚁群法进行深度限制。即：只添加后续蚁群法所需要的候选有向边，避免了蚂蚁访问无用边。
附图说明
图1为本发明总实现流程图；
图2为本发明中朱刘法实现流程图；
图3为本发明中最大最小蚁群法实现流程图；
图4为针对图集1本发明与现有HAP方法的群体图像编码效率曲线对比图。
图5为针对图集2本发明与现有HAP方法的群体图像编码效率曲线对比图。
图6为针对图集3本发明与现有HAP方法的群体图像编码效率曲线对比图。
具体实施方式
实施例1：
现有提出的多数方法没有对最小生成树进行深度限制，不能实现用户即时读取图像，不适应现实情况。而针对群体图像之间相关性差异较小的情况，现有HAP方法，得到的深度受限的最小生成树的代价较大，编码效率不够高，针对以上方法存在的缺点，本发明经过研究与创新，提出一种基于朱刘法和蚁群法的群体图像编码结构生成方法。
本发明是一种基于朱刘方法和最大最小蚁群法的群体图像编码结构生成方法，参照附图1，包括有如下步骤：
(1)构造有权有向图：群体图像即为传统意义上的图像集，若群体图像相关性不强，则将其进行聚类，分成相关性较强的多组群体图像，再将这多组群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图G(V,E)，其中，V为节点集合，E为有向边集合。
(2)初始化：给定最大深度限制dmax，用于限制最终树形图的深度，通常设置为3层、4层、或者5层；给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图G(V,E)的初始化。
(3)参照附图2，在有权有向图G(V,E)中使用朱刘方法得到最小生成树T：
(3a)对有权有向图G(V,E)进行预处理，得到预处理后的有权有向图G1(V,E)：
虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图G(V,E)中所有边的权值之和，因为在初始时刻，不能确定有权有向图G(V,E)中的节点作为根节点，因此，需要虚拟根节点；
对于任意两个节点vi和vj，若从节点vi到节点vj有多条边，则只保留其中最短的一条，其余的有向边为无用边。
(3b)寻找所有节点的最短入边，构成最短入边集合P，节点v的最短入边的起点用π(v)来表示。
(3c)判断最短入边集合P＝{＜π(v),v＞}是否构成环，其中，节点v∈V且v≠r，若不构成任何环，得到最小生成树T，跳转至步骤(4)；否则，执行步骤(3d)。
(3d)对构成环的有权有向图进行缩环处理，并返回步骤(3b)。
(4)判断最小生成树的深度dep(T)是否大于最大深度限制dmax，若是，则执行步骤(5)；否则，则该最小生成树T即为深度受限的最小生成树，执行步骤(7)。
(5)采用适宜蚁群法的规则对最小生成树T添加新边＜vi,vj＞，得到添加新边后的有权有向图G2(V,E)，添边规则是：对于节点vi和节点vj，若节点vi的深度dep(vi)小于节点vj的深度dep(vj)且dep(vj)＞dmax，则添加新边＜vi,vj＞，对于满足dep(vj)≤dmax的节点vj，不需要进行添加新边。
本发明中，使用了新的添边规则，对于任意节点vi和节点vj，添边的条件是：节点vi的深度必须小于另一节点vj的深度，且另一节点vj的深度还需大于最大深度限制。这样的添加规则为后续最大最小蚁群提供了有效的候选有向边，且又避免添加已满足深度限制的有向边。
(6)参照附图3，在添加新边后的有权有向图G2(V,E)使用最大最小蚁群法对最小生成树进行深度限制：
(6a)初始化最大最小蚂蚁法参数：给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，迭代次数iter为0。
(6b)构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk,k＝1,2,…,m，并初始化为空；禁忌表的作用是防止蚂蚁重复经过节点或者边。
(6c)将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C＝{v|dep(v)＜dmax}，k＝1,2,…,m，置本次迭代最优解的初始权值为无穷大。当前节点集C中包含的节点为朱刘法得到的最小生成树中小于最大深度限制的节点，加入到禁忌表中，防止以后再次访问。对于节点深度等于最大深度限制的节点，不加入到禁忌表中，因为这部分节点的出度边均不满足深度限制。
(6d)取第k只蚂蚁，计算其深度限制最小生成树Tk(V,E)。
(6e)计算当前蚂蚁k深度限制最小生成树Tk(V,E)的权值Qk，清空该蚂蚁对应的禁忌表Tabuk。
(6f)判断全部蚂蚁是否都找到当次深度限制最小生成树Tk(V,E)，若是，执行步骤(6g)，否则，返回步骤(6d)。
(6g)从所有蚂蚁的权值(Q1，Q2，…Qk，…，Qm)中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解，即：将当前迭代最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构；再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解，即：将全局最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构。
(6h)计算最大信息素τmax和最小信息素τmin。
(6i)更新路径信息素τij(t+1)，且满足τmin≤τij(t+1)≤τmax，以方便后续蚂蚁进行路径选择。
(6j)迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，全局最优解存储的编码结构即为对应的深度限制的最小生成树，否则，返回步骤(6c)。
(7)输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构。
本发明将群体图像抽象为有权有向图后，先使用朱刘方法得到最小生成树，并在不满足深度限制的生成中，采用适宜蚁群法的规则添加新边，使用最大最小蚁群思想，不断更新当前节点集，选择可访问的下一节点，直到得到深度限制的最小生成树，最后将深度限制的最小生成树还原成群体图像伪视频序列编码结构。
实施例2：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1，其中步骤(3d)中对环C进行缩环处理，按如下步骤进行：
(3d1)如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，节点节点vj∈C，则将环C缩为新的节点vc，得到新边enew＝＜vi,vc＞，新边权重ω(enew)＝ω(e)-ω(π(vj),vj)。
(3d2)如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，节点vi∈C，节点则将环C缩为新的节点vc，得到新边enew＝＜vc,vj＞，新边权重ω(enew)＝ω(vi,vj)。
本发明采用朱刘方法中缩环的方式，不断将构成环的节点和边缩成新的节点，直到得到无环的生成树，再对缩完的环进行展开，得到权值最小的树形图。若该树形图满足深度限制，则是所有生成树中权值最小的，对应的群体图像编码效率最高。
实施例3：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-2，步骤(6d)中计算第k只蚂蚁的深度限制最小生成树Tk(V,E)，按如下步骤进行：
(6d1)初始化第k只蚂蚁的最小生成树Tk(V,E)。其中，V＝{vi|dep(vi)≤dmax}，E＝{＜vi,vj＞|＜vi,vj＞∈G1(V,E)∩dep(vi)≤dmax∩dep(vj)≤dmax}，即：初始最小生成树中包含朱刘方法得到的最小生成树中满足深度限制的节点和有向边。
(6d2)按照随机原则选择当前节点集中一个节点作为当前访问节点vcur。
(6d3)按照如下公式计算转移概率选择下一个访问节点vnext，并对其进行访问，判断其深度是否满足dep(vcur)＜dmax，若满足，将vnext添加到当前节点集中。
其中，τij(t)表示当前时刻，节点i到节点j路径上的信息素，ηij表示从节点i到节点j的能见度，取值为节点i到节点j的距离的倒数，α为信息素的加权值，β为能见度的加权值。
(6d4)将第k只蚂蚁所对应的禁忌表Tabuk进行更新：将访问到的节点以及有向边添加到禁忌表Tabuk中。
(6d5)判断所有节点是否都已添加到禁忌表Tabuk，若是，说明已经访问了所有节点，得到该深度受限的最小生成树Tk(V,E)，否则，返回步骤(6d2)。
本发明中将最大最小蚁群法应用于深度限制的最小生成树中，从朱刘法确定的当前节点集进行随机选择，不断根据转移概率选择下一节点，得到满足深度限制的最小生成树，经过多次迭代，能够得到权值较小的生成树。
实施例4：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-3，其中步骤(6h)中更新最大信息素τmax和最小信息素τmin，按如下公式进行：
其中，L是截止目前时刻，最优蚂蚁走过的路径长度，n为节点个数N的大小，avg＝n/2，Pbest表示蚂蚁一次搜索找到最优解的概率，通常为给定值。
最大最小信息素对蚂蚁走过边的信息素进行约束，任意一边的信息素不能小于最小信息素，不能大于最大信息素。
实施例5：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-4，其中步骤(6i)中更新路径信息素τij(t+1)，按如下公式进行：
其中，代表最优蚂蚁在(t,t+1)时间内，i到j的边信息素增量。若通过计算得到边的信息素超过最大信息素，则将其赋值为最大信息素；若边的信息素小于最小信息素，则将其赋值为最小信息素。
下边给出一个更加详尽的例子，对本发明进一步说明。
实施例6：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-5，给定一组群体图像，若该群体图像相似度不高，则对其进行聚类，分为多组相似度较高的群体图像，再使用本发明生成群体图像编码结构，若该群体图像相似度较高，直接使用本发明生成群体图像编码结构，其实现步骤如下：
步骤1，构造有权有向图：
将群体图像抽象为有权有向图，即将群体图像中每一幅图像抽象为节点，节点之间的距离表示图像间的相关性，即通过尺度不变特征转换方法SIFT匹配两两图像的特征点，并依次计算两两匹配特征点的距离，统计平均后得到两两图像之间的平均距离E，相关性越大，平均距离E越小，得到满足各个节点之间相互关系的有权有向图G(V,E)，其中，V为节点集合，E为有向边集合。
通过距离反映图像间的相关性还可通过颜色直方图、局部二值算子等方法实现，其中，颜色直方图是统计图像中所包含的颜色，并对其进行直方图统计，局部二值算子是给定窗口，比较窗口中心像素与周围像素的灰度值大小，并生成局部二值算子，直到得到整幅图像的局部二值算子，并统计成直方图。通过计算直方图的相关系数来表示图像间的相关性。但这类方法通常不能完全反映图像的相关程度，且受光照、旋转、尺寸影响较大。所以本发明中使用SIFT匹配较为准确稳定。
步骤2，初始化：给定最大深度限制dmax，用于限制最终树形图的深度，通常设置为3层、4层、或者5层；给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图G(V,E)的初始化。
步骤3，对有权有向图G(V,E)使用朱刘法得到最小生成树T：
步骤3a，对有权有向图G(V,E)进行预处理得到预处理后的有权有向图G1(V,E)，其中预处理包括：
虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图G(V,E)中所有边的权值之和，因为在初始时刻，不能确定有权有向图G(V,E)中的节点作为根节点，因此，需要虚拟根节点；
对于任意两个节点vi和vj，若从节点vi到节点vj有多条边，则保留其中最短的一条，除去其余各条边，最短的这条边为节点vi到节点vj的有向边，其余的有向边为无用边。
步骤3b，寻找所有节点的最短入边，最短入边构成边集合P，节点v的最短入边的起点用π(v)来表示。
步骤3c，判断最短入边集合P＝{＜π(v),v＞}是否构成环，其中，节点v∈V且v≠r，如果不包含任何环，去除虚拟根节点r，得到最小生成树T，跳转至步骤(4)。否则，说明边集合中至少包含了一个环，进行步骤(3d)进行缩环处理。
步骤3d，对构成环的有权有向图进行缩环处理：
如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，vj∈C，那么将环C缩为新的节点vc，得到新边enew＝＜vi,vc＞，权重ω(enew)＝ω(e)-ω(π(vj),vj)。
如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，vi∈C，那么将环C缩为新的节点vc，得到新边enew＝＜vc,vj＞，权重ω(enew)＝ω(vi,vj)。
如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，则不进行缩环。
进行以上步骤后，返回步骤(3b)。
步骤4，判断最小生成树T的深度dep(T)是否大于最大深度限制dmax，若是，则执行步骤(5)；否则，执行步骤(7)。
步骤5，采用适宜蚁群法的规则对最小生成树T添加新边＜vi,vj＞，得到图G2(V,E)，添加规则是：对于节点vi和节点vj，若节点vi的深度dep(vi)小于节点vj的深度dep(vj)且dep(vj)＞dmax，则添加新边＜vi,vj＞，对于满足dep(vj)≤dmax的节点vj，不需要进行添加新边。
步骤6，在添加新边后的有权有向图G2(V,E)使用最大最小蚁群法对最小生成树进行深度限制：
步骤6a，初始化最大最小蚂蚁方法参数：给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，迭代次数iter为0。
步骤6b，构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk,k＝1,2,…,m，并初始化为空，
步骤6c，将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C＝{v|dep(v)＜dmax}，置本次迭代最优解的初始权值为无穷大。
当前节点集C中包含的节点为朱刘法得到的最小生成树中小于最大深度限制的节点，加入到禁忌表中，防止以后再次访问。对于节点深度等于最大深度限制的节点，不加入到禁忌表中，因为这部分节点的出度边均不满足深度限制。
步骤6d，取第k只蚂蚁，计算其深度限制最小生成树Tk(V,E)：
(6d1)初始化第k只蚂蚁的最小生成树Tk(V,E)。其中，V＝{vi|dep(vi)≤dmax}，E＝{＜vi,vj＞|＜vi,vj＞∈G1(V,E)∩dep(vi)≤dmax∩dep(vj)≤dmax}；
(6d2)按照随机原则选择当前节点集中一个节点作为当前访问节点vcur；
(6d3)按照如下公式计算转移概率选择下一个访问节点vnext，并对其进行访问，判断其深度是否满足dep(vcur)＜dmax，若满足，将vnext添加到当前节点集中；
其中，τij(t)表示当前时刻，节点i到节点j路径上的信息素，ηij表示从节点i到节点j的能见度，取值为节点i到节点j的距离的倒数，α为信息素的加权值，β为能见度的加权值；
(6d4)将第k只蚂蚁所对应的禁忌表Tabuk进行更新；
(6d5)判断所有节点是否都已添加到禁忌表Tabuk，若是，执行步骤(6e)，否则，返回步骤(6d2)。
步骤6e，计算当前蚂蚁k深度限制最小生成树Tk(V,E)的权值Qk，清空该蚂蚁对应的禁忌表Tabuk；
步骤6f，判断全部蚂蚁是否找到当次深度限制最小生成树Tk(V,E)，若是，执行(6g)；否则，返回(6d)；
步骤6g，从所有蚂蚁的权值(Q1，Q2，…Qk，…，Qm)中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解，即：将当前迭代最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构；再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解，即：将全局最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构。
步骤6h，计算最大信息素τmax和最小信息素τmin：
其中，L是截止目前时刻，最优蚂蚁走过的路径长度，n为节点个数，avg＝n/2，Pbest表示蚂蚁一次搜索找到最优解的概率，通常为给定值；
步骤6i，更新路径信息素τij(t+1)，在更新后满足τmin≤τij(t+1)≤τmax。
其中，代表最优蚂蚁在(t,t+1)时间内，i到j的边信息素增量。
步骤6j，迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，输出全局最优解中保存的深度限制的最小生成树，否则，返回(6c)。
步骤7，输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构：根图像作为视频编码中的I帧，其余图像可作为P帧，其中，下层图像将上层图像作为参考图像。
本发明先将群体图像通过一定的特征提取抽象为有权有向图，通过朱刘方法得到不限深度的最小生成树，并判断该最小生成树是否满足深度限制，若不满足深度限制，则在该最小生成树中添加新边，并采用最大最小蚁群思想对最小生成树进行深度限制，得到深度限制的最小生成树，继而生成群体图像伪视频编码结构。本发明针对群体图像之间相关性差异较小的情况，既考虑到用户即时读取图像，使用最大最小蚁群将最小生成树进行深度限制，又比现有HAP方法得到的深度受限最小生成树权值小，编码效率更高。
本发明的效果通过以下实验进一步说明：
实施例7：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-6，
实验条件：
本发明仿真实验是在windows7系统，处理器Intel(R)Core(Tm)i5-2450M CPU主频2.50GHz，RAM 4GB的环境下进行的。编程语言是C++,编程软件为VS2010。
本发明中，所有测试图像来源于Visual Geometry Group中巴黎数据集(ParisDataset)网址：http://www.robots.ox.ac.uk/～vgg/data/parisbuildings/。在该图像集中，图集种类多且图像之间差异性不一，选取一部分图像，构成群体图像。图像集信息如表1所示：其中，用N表示图像尺寸不统一。
表1 图像集信息
以上3个测试图集，在使用本发明之前，先对图像的尺寸进行统一，并采用尺度不变特征转换方法SIFT得到图像之间的距离用来表征图像的相关性。其中，invalides抽象为有权有向图后，节点个数为8，总边数为56；sacrecoeur抽象为有权有向图后，节点个数为16，总边数为240；defense抽象为有权有向图后，节点个数为24，总边数为552。
实验内容及结果分析：
仿真1，使用本发明与现有的HAP方法分别对上述3个图集进行三层限制、四层限制、五层限制，得到的群体图像编码结构对应的最小生成树权值如表2。
表2 两种方法测试结果
从表2可以看出：invalides图集中，总图像个数较少，所以本发明经过朱刘方法得到的最小生成树为3层，在4层、5层深度限制下的实际层数也为3层，权值与3层限制下的最小生成树的权值相同，本发明在3层深度限制下得到的最小生成树的权值小于HAP方法；sacrecoeur图集中，本发明在5层限制下得到的最小生成树实际为4层，权值与4层限制下的最小生成树的权值相同，在进行3层、4层深度限制下，本发明都会得到比HAP方法更为小的权值；defense图集中，在3层、4层、5层深度限制下，本发明得到的最小生成树的权值均小于HAP方法。因此，本发明在多个图像集中，在多个深度限制条件下，均能得到比现有HAP方法权值更小的最小生成树。
实施例8：
基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-6，其中仿真条件及内容同实施例7。
仿真2，使用本发明和HAP方法对invalides、sacrecoeur、defense分别进行3层、4层、5层深度限制，得到群体图像编码结构，并按照该结构进行编码，得到两种方法的编码效率对比曲线图。因为invalides图像集图像个数较少，在3层、4层、5层限制下，本发明得到的深度受限最小生成树均为3层，因此，只将3层限制下本发明和HAP方法编码效率对比；sacrecoeur图像集在4层、5层深度限制下，都得到4层的最小生成树，因此，对sacrecoeur图像集进行3层、4层深度限制下本发明和HAP方法的编码效率对比。
客观的说，HAP方法相较于原有JPEG或者JPEG-2000技术，其编码效率已经有了很大的提高，但因为其近似聚类的思想的缺陷，使得最终的深度受限的最小生成树的权值不够小，使得编码效率还有一定的提升空间。本发明先使用朱刘方法确定最小生成树，对不满足深度限制的生成树使用最大最小蚁群法进行深度限制，经过多次迭代后，基本都能稳定到一个最优解，该最优解对应的深度受限最小生成树权值小于HAP方法，提升了编码效率。
从图4可以看出，针对invalides，深度限制为3层时，在比特率相同的情况下，本发明的峰值信噪比高于HAP方法，可得其编码效率优于HAP方法。
从图5可以看出，针对sacrecoeur，深度限制为3层、4层时，在比特率相同的情况下，本发明无论是在3层限制下，如图5a，还是在4层限制下，如图5b，其峰值信噪比均高于HAP方法，可知其编码效率均优于HAP方法。
从图6可以看出，针对defense，深度限制为3层、4层、5层时，在比特率相同的情况下，本发明无论是在3层限制下，如图6a；4层限制下，如图6b；还是5层限制下，如图6c，其峰值信噪比均高于HAP方法，其编码效率均优于HAP方法。
本发明相对于HAP方法，易于理解，得到的群体图像编码结构提升了编码效率。
综上所述，本发明公开的一种基于朱刘法和蚁群法的群体图像编码结构生成方法。解决了现有多数方法不能保证用户即时访问以及HAP方法编码效率提升不高的问题。实现步骤为：(1)构造有权有向图；(2)使用朱刘方法得到最小生成树；(3)判断最小生成树的深度是否满足限制；(4)假如满足，则输出该最小生成树，还原成图像，构成群体图像编码结构；(5)假如最小生成树深度不满足限制，采用适宜蚁群法的规则添加新边，使用最大最小蚁群法对其进行深度限制，输出深度受限的最小生成树，还原成图像，构成群体图像编码结构。本发明生成的深度受限最小生成树的权值小，编码效率高，且能保证用户即时访问，与现有HAP方法进行实验对比，进一步证明了本发明生成树权值小，编码效率高。可应用于云中图像压缩、个人相册压缩等领域。

Claims (5)

1.一种基于朱刘法和蚁群法的群体图像编码结构生成方法，其特征在于，包括有如下步骤：
(1)构造群体图像相互关系的有权有向图：将群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征为两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图G(V,E)，其中，V为节点集合，E为有向边集合；
(2)初始化：给定最大深度限制dmax，用于限制最终树形图的深度；给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图G(V,E)的初始化；
(3)在有权有向图G(V,E)中使用朱刘方法得到最小生成树T：
(3a)对有权有向图G(V,E)进行预处理，得到预处理后的有权有向图G1(V,E)：虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图G(V,E)中所有边的权值之和；对于任意两个节点vi和vj，若从节点vi到节点vj有多条边，则只保留其中最短的一条；
(3b)寻找所有节点的最短入边，构成最短入边集合P，节点v的最短入边的起点用π(v)来表示；
(3c)判断最短入边集合P＝{＜π(v),v＞}是否构成环，其中，节点v∈V且v≠r，若不构成任何环，得到最小生成树T，跳转至步骤(4)；否则，执行步骤(3d)；
(3d)对构成环的有权有向图进行缩环处理，并返回步骤(3b)；
(4)判断最小生成树的深度dep(T)是否大于最大深度限制dmax，若是，则执行步骤(5)；否则，则该最小生成树T即为深度受限的最小生成树，执行步骤(7)；
(5)采用适宜蚁群法的规则对最小生成树T添加新边＜vi,vj＞，得到添加新边后的有权有向图G2(V,E)，添加规则是节点vi的深度dep(vi)小于节点vj的深度dep(vj)且dep(vj)＞dmax；
(6)在添加新边后的有权有向图G2(V,E)使用最大最小蚁群法对最小生成树进行深度限制：
(6a)初始化最大最小蚂蚁法参数：给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，已迭代次数iter为0；
(6b)构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk,k代表任意一只蚂蚁，k＝1,2,…,m，并初始化为空；
(6c)将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C＝{v|dep(v)＜dmax}，k＝1,2,…,m，置本次迭代最优解的初始权值为无穷大；
(6d)取第k只蚂蚁，计算其深度限制最小生成树Tk(V,E)；
(6e)计算当前蚂蚁k深度限制最小生成树Tk(V,E)的权值Qk，清空该蚂蚁对应的禁忌表Tabuk；
(6f)判断全部蚂蚁是否找到当次深度限制最小生成树Tk(V,E)，若是，执行步骤(6g)，否则，返回步骤(6d)；
(6g)从所有蚂蚁的权值(Q1，Q2，…Qk，…，Qm)中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解；再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解；
(6h)计算最大信息素τmax和最小信息素τmin；
(6i)更新路径信息素τij(t+1)；
(6j)迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，全局最优解即为对应的深度限制的最小生成树，否则，返回步骤(6c)；
(7)输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构。
2.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤(3d)中对环C进行缩环处理，按如下步骤进行：
(3d1)如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，节点节点vj∈C，则将环C缩为新的节点vc，得到新边enew＝＜vi,vc＞，新边权重ω(enew)＝ω(e)-ω(π(vj),vj)；
(3d2)如果＜vi,vj＞是最短入边集合P中的一条有向边e，其中，节点vi∈C，节点则将环C缩为新的节点vc，得到新边enew＝＜vc,vj＞，新边权重ω(enew)＝ω(vi,vj)。
3.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤(6d)中计算第k只蚂蚁的深度限制最小生成树Tk(V,E)，按如下步骤进行：
(6d1)初始化第k只蚂蚁的最小生成树Tk(V,E)，其中，V＝{vi|dep(vi)≤dmax}，E＝{＜vi,vj＞|＜vi,vj＞∈G1(V,E)∩dep(vi)≤dmax∩dep(vj)≤dmax}；
(6d2)按照随机原则选择当前节点集C中一个节点作为当前访问节点vcur；
(6d3)按照如下公式计算转移概率选择下一个访问节点vnext，并对其进行访问，判断其深度是否满足dep(vcur)＜dmax，若满足，将vnext添加到当前节点集中；
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mrow> <msubsup> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&amp;part;</mo> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;eta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>&amp;beta;</mi> </msubsup> </mrow> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>s</mi> <mo>&amp;NotElement;</mo> <msub> <mi>Tabu</mi> <mi>k</mi> </msub> </mrow> </munder> <msubsup> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mi>s</mi> </mrow> <mo>&amp;part;</mo> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;eta;</mi> <mrow> <mi>i</mi> <mi>s</mi> </mrow> <mi>&amp;beta;</mi> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <mi>j</mi> <mo>&amp;NotElement;</mo> <msub> <mi>Tabu</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，τij(t)表示当前时刻，节点i到节点j路径上的信息素，ηij表示从节点i到节点j的能见度，取值为节点i到节点j的距离的倒数，α为信息素的加权值，β为能见度的加权值；
(6d4)将第k只蚂蚁所对应的禁忌表Tabuk进行更新；
(6d5)判断所有节点是否都已添加到禁忌表Tabuk，若是，得到该深度受限的最小生成树Tk(V,E)，否则，返回步骤(6d2)。
4.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤(6h)中更新最大信息素τmax和最小信息素τmin，按如下公式进行：
<mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> <mi>L</mi> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mroot> <msub> <mi>P</mi> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mi>n</mi> </mroot> <mo>)</mo> </mrow> </mrow> <mrow> <mo>(</mo> <mi>a</mi> <mi>v</mi> <mi>g</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mroot> <msub> <mi>P</mi> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mi>n</mi> </mroot> </mrow> </mfrac> </mrow>
其中，L是截止目前时刻，最优蚂蚁走过的路径长度，n为节点个数，avg＝n/2，Pbest表示蚂蚁一次搜索找到最优解的概率，通常为给定值。
5.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤(6i)中更新路径信息素τij(t+1)，按如下公式进行：
<mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;rho;</mi> <mo>*</mo> <msub> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;&amp;tau;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msubsup> </mrow> 2
<mrow> <msubsup> <mi>&amp;Delta;&amp;tau;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msubsup> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mi>Q</mi> <mi>L</mi> </mfrac> </mtd> <mtd> <mrow> <mi>&amp;omega;</mi> <mrow> <mo>(</mo> <mo>&lt;</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>v</mi> <mi>j</mi> </msub> <mo>&gt;</mo> <mo>)</mo> </mrow> <mo>&lt;</mo> <mi>&amp;infin;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，代表最优蚂蚁在(t,t+1)时间内，i到j的边信息素增量。
CN201710343309.4A 2017-05-16 2017-05-16 基于朱刘法和蚁群法的群体图像编码结构生成方法 Active CN107426580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710343309.4A CN107426580B (zh) 2017-05-16 2017-05-16 基于朱刘法和蚁群法的群体图像编码结构生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710343309.4A CN107426580B (zh) 2017-05-16 2017-05-16 基于朱刘法和蚁群法的群体图像编码结构生成方法

Publications (2)

Publication Number Publication Date
CN107426580A true CN107426580A (zh) 2017-12-01
CN107426580B CN107426580B (zh) 2019-11-15

Family

ID=60425907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710343309.4A Active CN107426580B (zh) 2017-05-16 2017-05-16 基于朱刘法和蚁群法的群体图像编码结构生成方法

Country Status (1)

Country Link
CN (1) CN107426580B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491876A (zh) * 2018-03-20 2018-09-04 西安电子科技大学 基于二次拟合光度变换的群体图像编码方法
CN108650517A (zh) * 2018-05-16 2018-10-12 西安电子科技大学 基于物体的群体图像编码多参考图像的确定方法
CN115604480A (zh) * 2022-09-19 2023-01-13 杨凌职业技术学院（Cn） 一种用于多优先级相似图像的云图像集编码方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150103907A1 (en) * 2013-10-15 2015-04-16 Qualcomm Incorporated Support for large numbers of views in multi-layer coding
CN104780379A (zh) * 2015-01-21 2015-07-15 北京工业大学 一种屏幕图像集合的压缩方法
CN105259899A (zh) * 2015-12-01 2016-01-20 国网重庆市电力公司电力科学研究院 一种变电站巡检机器人的控制系统
CN105740916A (zh) * 2016-03-15 2016-07-06 北京陌上花科技有限公司 图像特征编码方法及装置
US20160255357A1 (en) * 2013-07-15 2016-09-01 Microsoft Technology Licensing, Llc Feature-based image set compression

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160255357A1 (en) * 2013-07-15 2016-09-01 Microsoft Technology Licensing, Llc Feature-based image set compression
US20150103907A1 (en) * 2013-10-15 2015-04-16 Qualcomm Incorporated Support for large numbers of views in multi-layer coding
CN104780379A (zh) * 2015-01-21 2015-07-15 北京工业大学 一种屏幕图像集合的压缩方法
CN105259899A (zh) * 2015-12-01 2016-01-20 国网重庆市电力公司电力科学研究院 一种变电站巡检机器人的控制系统
CN105740916A (zh) * 2016-03-15 2016-07-06 北京陌上花科技有限公司 图像特征编码方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491876A (zh) * 2018-03-20 2018-09-04 西安电子科技大学 基于二次拟合光度变换的群体图像编码方法
CN108491876B (zh) * 2018-03-20 2021-10-29 西安电子科技大学 基于二次拟合光度变换的群体图像编码方法
CN108650517A (zh) * 2018-05-16 2018-10-12 西安电子科技大学 基于物体的群体图像编码多参考图像的确定方法
CN108650517B (zh) * 2018-05-16 2019-11-15 西安电子科技大学 基于物体的群体图像编码多参考图像的确定方法
CN115604480A (zh) * 2022-09-19 2023-01-13 杨凌职业技术学院（Cn） 一种用于多优先级相似图像的云图像集编码方法
CN115604480B (zh) * 2022-09-19 2023-06-20 杨凌职业技术学院 一种用于多优先级相似图像的云图像集编码方法

Also Published As

Publication number Publication date
CN107426580B (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
US20220309762A1 (en) Generating scene graphs from digital images using external knowledge and image reconstruction
CN111444410B (zh) 一种基于知识图谱的关联交易挖掘识别方法及装置
CN107105306B (zh) 基于朱刘方法和ottc的群体图像编码结构生成方法
US11803971B2 (en) Generating improved panoptic segmented digital images based on panoptic segmentation neural networks that utilize exemplar unknown object classes
CN107426580B (zh) 基于朱刘法和蚁群法的群体图像编码结构生成方法
de Mauro et al. Similarity learning for graph-based image representations
CN113298234B (zh) 一种生成多关系图中节点的表示向量的方法
CN112016601A (zh) 基于知识图谱增强小样本视觉分类的网络模型构建方法
CN114172688A (zh) 基于gcn-dl的加密流量网络威胁关键节点自动提取方法
CN115188067A (zh) 一种视频行为识别方法、装置、电子设备及存储介质
CN112487200A (zh) 一种改进的包含多重边信息与多任务学习的深度推荐方法
CN114882288B (zh) 基于分层图增强堆叠自编码器的多视图图像分类方法
CN115114542B (zh) 一种对象推荐方法、系统、训练方法、介质及计算机设备
CN114332472A (zh) 一种基于图神经网络的数据处理方法及装置
Zhai Auto-encoder generative adversarial networks
CN113111193A (zh) 知识图谱的数据处理方法及装置
CN114756768B (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN111259176A (zh) 融合有监督信息的基于矩阵分解的跨模态哈希检索方法
CN115526391A (zh) 用于预测企业风险的方法、装置及存储介质
CN115272768A (zh) 内容识别方法、装置、设备、存储介质及计算机程序产品
CN107203586A (zh) 一种基于多模态信息的自动化结果生成方法
CN113554450A (zh) 数据模型训练及数据处理方法、装置、设备及存储介质
Vishwakarma et al. A meta-heuristic approach for image segmentation using firefly algorithm
CN113822291A (zh) 一种图像处理方法、装置、设备及存储介质
CN118470329B (zh) 一种基于多模态大模型的点云全景分割方法、系统及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant