CN108111873B - 一种基于机器学习的gis图像数据传输方法 - Google Patents

Abstract

一种基于机器学习的GIS图像数据传输方法。其包括获取所需传输的实际GIS图像；对实际GIS图像进行压缩转换而得到压缩转换图像；将压缩转换图像进行网络传输；接收到压缩转换图像后根据需要进行解压缩而得到最终GIS图像等步骤。本发明提供的基于机器学习的GIS图像数据传输方法的有益效果：本发明可以提高GIS图像数据的压缩率，大幅降低网络传输带宽。(2)在有效增加压缩率的情况下不会大幅减少图像的精度。

Description

一种基于机器学习的GIS图像数据传输方法

技术领域

本发明属于网络数据传输技术领域，特别是涉及一种基于机器学习的GIS图像数据传输方法。

背景技术

由于国家电网信息系统的规模非常大，使用人数也特别多，网络结构复杂，对于远距离网络数据传输的需求也越来越迫切。由于GIS数据中包含大量的地图图像，目前网络GIS图像数据传输相对比较传统，传输速率较低，传输时间长，因此无法满足现今国家电网的GIS图像传输需求。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于机器学习的GIS图像数据传输方法。

为了达到上述目的，本发明提供的基于机器学习的GIS图像数据传输方法包括按顺序进行的下列步骤：

1)获取所需传输的实际GIS图像的S01阶段；

从GIS数据库中获取所需传输的实际GIS图像，对原始GIS图像进行裁剪和拼接，由此获得最终所需传输的实际GIS图像A；

2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段；

将实际GIS图像A在压缩引擎中进行压缩转换，获得压缩转换图像B；

3)将上述压缩转换图像进行网络传输的S03阶段；

4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段；

接收到上述压缩转换图像B后能够作为低精度的GIS图像直接使用，如果需要原始精度的GIS图像，将压缩转换图像B进行解压缩而还原到原始精度，由此获得最终GIS图像A’。

在步骤2)中，所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤：

2.1、读取步骤1)中获得的实际GIS图像A；

2.2、对上述实际GIS图像A进行裁剪，切割成n个像素大小为L×L的小图像A_i，其中L为用户定义的像素，并获得实际GIS图像的小图像集Q_A＝[A₁,A₂,A₃,A₄,....A_n]；对于裁剪到边缘处的像素大小不足L×L的小图像，进行默认背景色填充，使之最终像素大小达到L×L；

2.3、将每个小图像A_i利用缩减取样的方法进行压缩转换，压缩转换后的像素大小为

其中k为用户设定的压缩率，压缩转换后的小图像B_i的大小约为小图像A_i的

即相当于小图像A_i的一个

的缩略图；并获得压缩转换后的小图像集Q_B＝[B₁,B₂,B₃,B₄,....B_n]，其中小图像集Q_A与压缩转换后的小图像集Q_B中的图像索引一一对应；

2.4、从小图像集Q_A与压缩转换后的小图像集Q_B中随机选取80％的数据作为训练集，剩余20％的数据作为测试集，设定机器学习参数，利用机器学习算法进行机器学习；机器学习将利用小图像A_i和压缩转换后的小图像B_i，采用监督学习方式，学习两者之间的关系，获得从压缩转换后的小图像B_i还原到小图像A_i的精度修复算法，达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的；

2.5、将上述获得的精度修复算法作为解压缩算法，对剩余20％的数据进行解压缩而获得解压缩图像A_i’，以对上述压缩转换结果进行验证，并将解压缩图像A_i’与小图像A_i进行比对，获得精度损失比例n，然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内；如果n≤N,说明上述精度修复算法能够满足用户的要求，并将其作为最终的解压缩算法Me；如果n>N，则说明该精度修复算法还需要进行机器学习参数的调整；机器学习参数调整后，重新进行步骤2.4，直至使精度修复算法能够满足用户的要求；如果多次尝试依然无法达到用户设定的精度损失比例阈值N，则提示用户机器学习参数设定有误，建议用户重新进行机器学习参数设定；

2.6、将压缩转换后的小图像集Q_B中的压缩转换后的小图像B_i进行拼接，获得汇总图像，然后将上述解压缩算法Me嵌入到汇总图像数据中，获得最终的压缩转换图像B。

在步骤4)中，所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤：

4.1、读取步骤3)中传输的压缩转换图像B；

4.2、将压缩转换图像B切割为n个小切割图像C_i，并获得小切割图像集Q_C，Q_C＝[C₁,C₂,C₃...C_n]，小切割图像C_i的像素大小为M×M，其中

4.3、调用解压程序，利用上述得到的解压缩算法Me的参数，将小切割图像C_i进行精度修复而获得L×L像素大小的解压缩小图像，并得到最终的解压缩图像集Q_A’；

4.4、将上述解压缩图像集Q_A’中的解压缩小图像进行拼接，获得最终的解压缩GIS图像A’。

本发明提供的基于机器学习的GIS图像数据传输方法的有益效果：

(1)本发明可以提高GIS图像数据的压缩率，大幅降低网络传输带宽。

(2)在有效增加压缩率的情况下不会大幅减少图像的精度。

附图说明

图1为本发明提供的基于机器学习的GIS图像数据传输方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于机器学习的GIS图像数据传输方法进行详细说明。

如图1所示，本发明提供的基于机器学习的GIS图像数据传输方法包括按顺序进行的下列步骤：

1)获取所需传输的实际GIS图像的S01阶段；

从GIS数据库中获取所需传输的实际GIS图像，由于GIS数据库中的原始GIS图像是按照分片存储的，可能所需的实际GIS图像包含在多张原始GIS图像中，所以需要对原始GIS图像进行裁剪和拼接，由此获得最终所需传输的实际GIS图像A。

2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段；

将实际GIS图像A在压缩引擎中进行压缩转换，获得压缩转换图像B；

3)将上述压缩转换图像进行网络传输的S03阶段；

由于压缩转换后的GIS图像体积可大幅减小，所以传输速率将大幅提高。

4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段；

接收到上述压缩转换图像B后可以作为低精度的GIS图像直接使用，如果需要原始精度的GIS图像，将压缩转换图像B进行解压缩而还原到原始精度，由此获得最终GIS图像A’。

在步骤2)中，所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤：

2.1、读取步骤1)中获得的实际GIS图像A；

2.2、对上述实际GIS图像A进行裁剪，切割成n个像素大小为L×L的小图像A_i，其中L为用户定义的像素，通常取值为64像素或者128像素，并获得实际GIS图像的小图像集Q_A＝[A₁,A₂,A₃,A₄,....A_n]；对于裁剪到边缘处的像素大小不足L×L的小图像，进行默认背景色填充，使之最终像素大小达到L×L；

2.3、将每个小图像A_i利用缩减取样的方法进行压缩转换，压缩转换后的像素大小为

其中k为用户设定的压缩率，压缩转换后的小图像B_i的大小约为小图像A_i的

即相当于小图像A_i的一个

的缩略图。一般压缩率k的取值为2，此时压缩转换后的小图像B_i为小图像A_i的

并获得压缩转换后的小图像集Q_B＝[B₁,B₂,B₃,B₄,....B_n]，其中小图像集Q_A与压缩转换后的小图像集Q_B中的图像索引一一对应；

2.4、从小图像集Q_A与压缩转换后的小图像集Q_B中随机选取80％的数据作为训练集，剩余20％的数据作为测试集，设定机器学习参数，利用机器学习算法进行机器学习；机器学习将利用小图像A_i和压缩转换后的小图像B_i，采用监督学习方式，学习两者之间的关系，获得从压缩转换后的小图像B_i还原到小图像A_i的精度修复算法，达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的；

5、将上述获得的精度修复算法作为解压缩算法，对剩余20％的数据进行解压缩而获得解压缩图像A_i’，以对上述压缩转换结果进行验证，并将解压缩图像A_i’与小图像A_i进行比对，获得精度损失比例n，然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内；如果n≤N,说明上述精度修复算法能够满足用户的要求，并将其作为最终的解压缩算法Me；如果n>N，则说明该精度修复算法还需要进行机器学习参数的调整；机器学习参数调整后，重新进行步骤2.4，直至使精度修复算法能够满足用户的要求；如果多次尝试依然无法达到用户设定的精度损失比例阈值N，则提示用户机器学习参数设定有误，建议用户重新进行机器学习参数设定，此时可采用减小压缩率k的方法；另外，精度损失比例阈值N一般可以在2～5％之内选取。此外，压缩率k的取值不宜过大，过大则会使精度损失比例阈值N非常大，当然，如果资源充分，可以多次尝试调整机器学习参数，以获得最佳的压缩率k。

2.6、将压缩转换后的小图像集Q_B中的压缩转换后的小图像B_i进行拼接，获得汇总图像，然后将上述解压缩算法Me嵌入到汇总图像数据中，获得最终的压缩转换图像B。该压缩转换图像B最终大小理论值约为实际GIS图像的

其中解压缩算法Me大小相对图像大小来说可以忽略不计。

在步骤4)中，所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤：

4.1、读取步骤3)中传输的压缩转换图像B；

4.2、将压缩转换图像B切割为n个小切割图像C_i，并获得小切割图像集Q_C，Q_C＝[C₁,C₂,C₃...C_n]，小切割图像C_i的像素大小为M×M，其中

4.3、调用解压程序，利用上述得到的解压缩算法Me的参数，将小切割图像C_i进行精度修复而获得L×L像素大小的解压缩小图像，并得到最终的解压缩图像集Q_A’；

4.4、将上述解压缩图像集Q_A’中的解压缩小图像进行拼接，获得最终的解压缩GIS图像A’。

Claims (2)

1.一种基于机器学习的GIS图像数据压缩的方法，其特征在于：所述的基于机器学习的GIS图像数据压缩的方法包括按顺序进行的下列步骤：

1)获取所需传输的实际GIS图像的S01阶段；

从GIS数据库中获取所需传输的实际GIS图像，对原始GIS图像进行裁剪和拼接，由此获得最终所需传输的实际GIS图像A；

2)对上述实际GIS图像进行压缩转换而得到压缩转换图像的S02阶段；

将实际GIS图像A在压缩引擎中进行压缩转换，获得压缩转换图像B；

3)将上述压缩转换图像进行网络传输的S03阶段；

4)接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的S04阶段；

接收到上述压缩转换图像B后能够作为低精度的GIS图像直接使用，如果需要原始精度的GIS图像，将压缩转换图像B进行解压缩而还原到原始精度，由此获得最终GIS图像A’；

在步骤2)中，所述的对实际GIS图像进行压缩转换而得到压缩转换图像的方法包括按顺序进行的下列步骤：

2.1、读取步骤1)中获得的实际GIS图像A；

2.2、对上述实际GIS图像A进行裁剪，切割成n个像素大小为L×L的小图像A_i，其中L为用户定义的像素，并获得实际GIS图像的小图像集Q_A＝[A₁,A₂,A₃,A₄,....A_n]；对于裁剪到边缘处的像素大小不足L×L的小图像，进行默认背景色填充，使之最终像素大小达到L×L；

2.3、将每个小图像A_i利用缩减取样的方法进行压缩转换，压缩转换后的像素大小为

其中k为用户设定的压缩率，压缩转换后的小图像B_i的大小约为小图像A_i的

即相当于小图像A_i的一个

的缩略图；并获得压缩转换后的小图像集Q_B＝[B₁,B₂,B₃,B₄,....B_n]，其中小图像集Q_A与压缩转换后的小图像集Q_B中的图像索引一一对应；

2.4、从小图像集Q_A与压缩转换后的小图像集Q_B中随机选取80％的数据作为训练集，剩余20％的数据作为测试集，设定机器学习参数，利用机器学习算法进行机器学习；机器学习将利用小图像A_i和压缩转换后的小图像B_i，采用监督学习方式，学习两者之间的关系，获得从压缩转换后的小图像B_i还原到小图像A_i的精度修复算法，达到将压缩转换后的图像通过精度修复还原到原始图像精度的目的；

2.5、将上述获得的精度修复算法作为解压缩算法，对剩余20％的数据进行解压缩而获得解压缩图像A_i’，以对上述压缩转换结果进行验证，并将解压缩图像A_i’与小图像A_i进行比对，获得精度损失比例n，然后验证该精度损失比例n是否在用户设定的精度损失比例阈值N之内；如果n≤N,说明上述精度修复算法能够满足用户的要求，并将其作为最终的解压缩算法Me；如果n>N，则说明该精度修复算法还需要进行机器学习参数的调整；机器学习参数调整后，重新进行步骤2.4，直至使精度修复算法能够满足用户的要求；如果多次尝试依然无法达到用户设定的精度损失比例阈值N，则提示用户机器学习参数设定有误，建议用户重新进行机器学习参数设定；

2.6、将压缩转换后的小图像集Q_B中的压缩转换后的小图像B_i进行拼接，获得汇总图像，然后将上述解压缩算法Me嵌入到汇总图像数据中，获得最终的压缩转换图像B。

2.根据权利要求1所述的基于机器学习的GIS图像数据压缩的方法，其特征在于：在步骤4)中，所述的接收到上述压缩转换图像后根据需要进行解压缩而得到最终GIS图像的方法包括按顺序进行的下列步骤：

4.1、读取步骤3)中传输的压缩转换图像B；

4.2、将压缩转换图像B切割为n个小切割图像C_i，并获得小切割图像集Q_C，Q_C＝[C₁,C₂,C₃...C_n]，小切割图像C_i的像素大小为M×M，其中

4.3、调用解压程序，利用上述得到的解压缩算法Me的参数，将小切割图像C_i进行精度修复而获得L×L像素大小的解压缩小图像，并得到最终的解压缩图像集Q_A’；

4.4、将上述解压缩图像集Q_A’中的解压缩小图像进行拼接，获得最终的解压缩GIS图像A’。

Images