CN110047077B - 一种用于以太坊共识机制的图像处理方法 - Google Patents
一种用于以太坊共识机制的图像处理方法 Download PDFInfo
- Publication number
- CN110047077B CN110047077B CN201910307569.5A CN201910307569A CN110047077B CN 110047077 B CN110047077 B CN 110047077B CN 201910307569 A CN201910307569 A CN 201910307569A CN 110047077 B CN110047077 B CN 110047077B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- seed
- mdl
- pixels
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/44—Secrecy systems
- H04N1/448—Rendering the image unintelligible, e.g. scrambling
- H04N1/4486—Rendering the image unintelligible, e.g. scrambling using digital data encryption
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种用于以太坊共识机制的图像处理方法包括以下步骤:将待处理图像转换为灰度图像;对生成的灰度图像进行过度分割,并输出分割图像作为最初分割图像;计算最初分割图像的MDL值;将分割图像中相邻区域进行两两合并,计算合并后图像的MDL值,将产生最小MDL值的合并后图像作为最新分割图像;输出MDL值最小的最新分割图像作为最优分割图像;以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;将最优分割图像作为随机数进行哈希运算,完成以太坊共识机制剩余要求。本发明提供的图像处理方法充分利用了以太坊上各节点用于投入生成随机数的算力对图像信息进行处理,从而达到提高算力资源的利用率及加强区块链安全性的目的。
Description
技术领域
本发明涉及一种共识机制,具体涉及一种用于以太坊共识机制的图像处理方法,属于区块链应用领域。
背景技术
以太坊共识机制为以太坊的重要组成部分,其中工作量证明机制为共识机制的一种主要的共识机制。工作量证明机制对于添加至区块链的新的交易请求生成要求,节点投入算力来计算满足要求的随机幸运值及哈希散列的数值解以争夺记账权。在大量算力被投入的情况下,工作量证明机制对于算力的运用仅是生成随机数值解,而该数值解并无实际意义或应用价值,因此被视为对算力资源的浪费。为了解决对算力资源浪费的问题,科罗拉多大学丹佛分校的Jake Billings提出了基于图像复杂度的工作量证明机制,然而这一工作量证明机制中的图像复杂度计算只涉及到熵的计算,而仅通过熵来表述图片复杂度并不足够准确,且该工作量证明机制中对算力的运用还不够充分。Thomas C.M.Lee在1997年曾提出过以MDL为标准判别的图像分割技术,然而其采用的链编码是三个方向的弗里曼链码,这种编码方式是针对像素的每一条边进行编码,方向链较长。Liu Yong Kui与Borut Zali根据角度变化出现的概率,基于八方向的弗里曼链码和哈夫曼编码提出了一种更高效的链码,使链上的每一个方向都与前一个方向相关,从而减少了单个方向所需要的编码长度,且其编码长度与边界像素的个数相等,缩短了方向链的长度。
以太坊是一个开源的有智能合约功能的公共区块链平台,通过其专用加密货币以太币(Ether)提供去中心化的以太虚拟机(Ethereum Virtual Machine)来处理点对点合约。智能合约是一种旨在以信息化方式传播、验证或执行合同的计算机协议。
现有技术中,在大量算力投入到生成随机数值解,而该数值解并无实际意义或应用价值,造成极大的算力及资源浪费。
发明内容
针对上述现有技术的不足,本发明的目的在于合理利用以太坊上各节点挖矿时的算力,将工作量证明机制中,原本进行随机数值求解的算力,用于进行图像信息的处理。将生成的最优分割图像作为随机数值带入哈希运算。充分利用了以太坊上各节点的算力,节约资源。本发明提供一种用于以太坊共识机制的图像处理方法,包括以下步骤:1)以太坊中的节点读取待处理图像,并将图像转换为灰度图像;2)以太坊中的节点对生成的灰度图像进行过度分割,并输出分割图像,作为最初分割图像;3)以太坊中的节点计算最初分割图像的MDL值;4)将分割图像中相邻区域进行两两合并,计算合并后图像的值、NFCH值和MDL值,将产生最小MDL值的合并后图像作为最新分割图像;5)以太坊中的节点以最新分割图像作为分割图像重复步骤4),直至输出MDL值最小的最新分割图像作为最优分割图像;6)以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;7)若所述比值符合要求,将最优分割图像的所有像素的灰度值依次相加,并乘以MDL值,得到nonce值。8)将nonce值代入哈希函数进行哈希运算,并输出哈希值;9)以太坊的共识机制判断所述哈希值是否符合要求,若符合则给予该以太坊节点记账权;10)授予记账权的节点将原始图片及最优分割图像上传至以太坊。
根据本发明的实施方案,提供一种用于以太坊共识机制的图像处理方法:
一种用于以太坊共识机制的图像处理方法,该图像处理方法包括以下步骤:
1)以太坊中的节点读取待处理图像,并将图像转换为灰度图像;
2)以太坊中的节点对生成的灰度图像进行过度分割,并输出分割图像;
3)以太坊中的节点计算分割图像的MDL值;
5)以太坊中的节点以最新分割图像作为分割图像重复步骤4),直至输出MDL值最小的最新分割图像作为最优分割图像;
6)以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;
7)若所述比值符合要求,将分割图像的所有像素的灰度值依次相加,并乘以MDL值,得到nonce值。
8)将nonce值代入哈希函数进行哈希运算,并输出哈希值;
9)以太坊的共识机制判断所述哈希值是否符合要求,若符合则给予该以太坊节点记账权;
10)授予记账权的节点将原始图片及最优分割图像上传至以太坊。
作为优选,在步骤2)中采用种子生长法对步骤1)得到的灰度图像进行过度分割。
作为优选,所述种子生长法对步骤1)得到的灰度图像进行过度分割的具体步骤为:
a)在灰度图像上,以阵列式布置大小相同的种子区域;
b)种子区域筛选:计算种子区域内像素最大灰度值与最小灰度值之差的绝对值;移除种子区域内像素最大灰度值与最小灰度值之差的绝对值大于等于10的不合格种子区域,保留种子区域内像素最大灰度值与最小灰度值之差的绝对值小于10的合格种子区域;
c)合格种子区域延伸:每一个合格种子区域向相邻合格种子区域生长;将与合格种子区域相邻的像素中,灰度值与当前合格种子区域的平均灰度值之差的绝对值小于等于10的像素添加到当前合格种子区域;重复生长和计算合格种子区域加权平均灰度值,直至相邻的所有像素都已被其他区域所占领,或所有相邻像素与当前种子区域的平均灰度值之差的绝对值大于10,生长完成;将生长完成后的种子区域作为延伸合格种子区域;
d)剩余像素的分配:将剩余的像素分配给相邻的延伸合格种子区域中与其灰度值之差的绝对值最小的延伸合格种子区域,直至所有像素分配完成;
e)输出分割图像:所有合格种子区域生长完成后,将所有延伸合格种子区域组合所成的图像作为分割图像输出,并输出分割图像中延伸合格种子区域的面积和边界像素信息。
b)统计所有被种子区域占领的像素的数量,记为n;单个像素的灰度值记为y;
作为优选,在步骤4)中,NFCH表示为所有种子区域的所有边界像素的寻迹长度值;计算NFCH值的步骤为:
rj为种子区域j中边界像素的数量;di为i-1像素到i像素的方向与i-2像素到i-1像素的方向所成的偏转角;C0-C7为预设方向,分别指代0°、45°、-45°、90°、-90°、135°、-135°、180°;H的取值为0或1,当di等于某预设方向时,公式中所属的H值等于1,其他的H值为0。
作为优选,在步骤3)和步骤4)中,计算MDL值的步骤为:
b)单个种子区域的面积记为a;
c)结合下方公式,输出MDL值;
计算MDL值的公式为:
其中aj为区域j的面积。
作为优选,所述种子区域的面积为种子区域中像素的数量。
作为优选,种子区域为像素,或者种子区域为像素块。
作为优选,在步骤5)中,以太坊中的节点对比过程中产生的MDL值;当最新图像产生的最小MDL值不变,则输出产生最小MDL值的图像作为最优分割图像;或以太坊中的节点所得灰度图像内只剩一个区域时,则输出该灰度图像作为最优分割图像。
作为优选,在步骤6)中以太坊的共识机制通过判断节点所提交比值是否在A值域内,来判断是否符合要求,A值域为0.2至1;优选A值域为0.3至0.9;更优选A值域为0.4至0.7。
作为优选,在步骤9)中,以太坊的共识机制通过判断哈希值是否在B值域内,来判断是否符合要求,B值域的范围根据设定的哈希计算的难度而定。
作为优选,在步骤1)中,以太坊中的节点从待处理图像服务器读取待处理图像。
作为优选,在步骤7)中,以太坊中的节点将待处理图像及最优分割图像上传至以太坊的已处理图像服务器。
在本申请中,以太坊中的节点读取待处理图像,先将图像转换为灰度图像;再对灰度图像进行分割,得到分割图像。此时的分割图像为最初分割图像。计算该最初分割图像得到最初MDL值。该最初MDL值用于与之后产生的MDL值进行对比。然后开始进行图像的优化分割。将分割图像中两两相邻的种子区域进行一次试合并,试合并后得到一个新图像;计算每一次试合并后的新图像的MDL值。当所有两两相邻的种子区域试合并结束,即得到所有相邻种子区域两两试合并后的新图像的MDL值。比对所有MDL值,选取产生最小MDL值的分割图像作为步骤4)输出的最新分割图像。执行步骤5),将步骤4)输出的最新分割图像,代回到步骤4)中,直至无法输出更小MDL值的分割图像,将最小MDL值的最新分割图像作为最优分割图像。以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求。若符合则,则以太坊节点将符合要求的最优分割后图像的所有像素的灰度值依次相加,并乘以MDL值,得到幸运值(nonce)。再将幸运值(nonce)带入哈希函数。即将最优分割图像作为幸运值(nonce),带入哈希函数。进行哈希运算,并输出哈希运算结果;若不符合,则直接拒绝给予该以太坊节点记账权。以太坊共识机制判断哈希运算结果是否满足要求,若满足要求则授予该以太坊节点记账权,不符合则直接拒绝给予该以太坊节点记账权。本发明方案利用了以太坊工作量机制生成随机数的算力进行了图像分割,生成的随机数从原来无意义的随机数,变为有意义的且不会重复的随机数。最后通过哈希运算得到哈希值。以太坊共识机制通过判断哈希值是否满足要求,来给予以太坊节点记账权。获得记账权的以太坊节点,将原始图片及最优分割图像上传至以太坊。本发明方案提供的一种用于以太坊共识机制的图像处理方法,能够充分利用了以太坊上各节点用于投入工作量证明机制中生成随机数的算力对图像进行分割处理,从而达到有效利用算力,节约资源的目的。
需要说明的是,在现有技术中,以太坊节点记账权的授予过程为:以太坊的工作量机制通过消耗节点算力生成一个随机数值,以太坊节点将该随机数值带入哈希函数进行哈希运算,生成哈希值。以太坊共识机制通过判断哈希值是否满足要求,来给予节点记账权。但这个过程中,以太坊工作量机制所生成的随机数值属于无意义的数值。该随机数值只是单一的一个用于考核节点哈希函数运算的数,无实际意义。本发明方案将以太坊工作量机制生成随机数的这个过程,与现实中的图像分割进行结合。将以太坊工作量机制生成随机数的算力,用于对现实生活中待处理的图像进行处理,如对图像进行分割,对图像进行渲染处理等。处理生成的最优分割图像具有单一性,满足以太坊共识机制对随机数的要求。将生成的最优分割图像作为随机数带入哈希函数运算,来考核以太坊节点的工作量。即满足了以太坊共识机制对生成随机数,考核以太坊节点工作量的要求;又实现了将带分隔图像进行处理的目的。
需要说明的是,MDL又称为最小描述长度。是一种处理长串数据信息的分析方法。针对图像建立MDL值的计算模型,可以有效的判断图像数据信息的结构及数据体量。通过选取最小MDL值,可以得到数据信息最为精简的图像所以通过判断最优分割图像的MDL值与最初分割图像的MDL值的比值,即能够有效的判断出,以太坊节点的图像处理工作是否满足工作量要求。满足工作量要求的以太坊节点,才能给予记账权。因此利用最小描述长度(MDL)这一数据分析方法对图像处理工作进行考核,能够有效的协助以太坊共识机制对记账权的管理。同时能够充分利用以太坊中各节点的算力,处理待分割图像。
需要说明的是,上述种子区域的“合并”,即合并后种子区域覆盖的范围等于合并前两个种子区域所覆盖的范围,像素的个数一致。合并后种子区域的灰度值,为合并后所有像素的原始灰度值的平均值。
在本申请中,灰度图像需要进行过度分割后,才能成为分割图像。所采用的过度分割的方法为种子生长法,又称为区域生长法。
在本申请中,采用种子生长法对图像进行过度分割的过程中,先以阵列的形式在灰度图像上设置大小相同的种子区域。设置了种子区域后,需要对种子区域进行筛选。将种子区域中各所含像素的灰度值之差大于或等于10的种子区域清除。保留各所含像素的灰度值之差小于10的种子区域作为合格种子区域。然后对合格种子区域进行延伸,即将合格种子区域周围灰度值相近的像素并入到该合格种子区域中,且在并入每一个像素后,重新合算该合格种子区域的灰度值。当合格种子区域周围灰度值相近的像素均被占领,或该合格种子区域周围无满足条件的像素,则该合格种子区域生长完毕,记为延伸合格种子区域。当所有合格种子区域生长完成后,将所有延伸合格种子区域组合所成的图像作为分割图像输出。并输出分割图像中延伸合格种子区域的面积和边界像素信息。
需要说明的是,与合格种子区域灰度值相当近的像素,即为与该合格种子区域的灰度值之差小于等于10的像素。
需要说明的是,如若种子区域中各所含像素的灰度值之差大于或等于10,则表示该种子区域设置在图像色块的分界线上,其无法代表某一色块区域,所以为不合格种子区域,必须清除。
在本申请中,值的模型公式为所有区域内的像素的原始灰度值减去所在区域的平均灰度值的差的平方和。其含义为:表示该分割图像中,各延伸合格种子区域的像素原始灰度值与该延伸合格种子区域的平均灰度值的离散程度。值越小,说明种子区域在生长过程中并入了很多灰度值相差较小的像素,从而说明整个分割图像更能够代表原始图像信息。
在本申请中,NFCH值的模型公式表示的意思为,所有种子区域的所有边界像素的寻迹长度值之和。将图像边界像素依次连接。连接过程中,从第i-1个像素到第i个像素的位移方向与从第i-2个像素到第i-1个像素的位移方向会形成一个偏转角,这个偏转角有且只有的可能值为:0°、45°、-45°、90°、-90°、135°、-135°、180°;由前一个方向逆时针偏转到后一个方向所成的偏转角记为正值;由前一个方向顺时针偏转到后一个方向所成的偏转角记为负值。当偏转角的值为0°时,表示的意思是,第i个像素、第i-1个像素和第i-2个像素同在一条直线上;当偏转角的值为90°是,表示的意思是,第i个像素、第i-1个像素和第i-2个像素所依次连接的线段成90°;以此类推。在公式中,偏转不同的角度,所得到的寻迹长度不同,例如,当某像素偏转角度为-45°时,该像素的寻迹长度值为3;当某像素偏转角度为135°时,该像素的寻迹长度值为6。求和所有种子区域的所有边界像素的寻迹长度。从而得到此时此刻分割图像的NFCH值。从公式中可以理解出,分割图像的种子区域越多,则边界像素越多,则所有边界像素的寻迹长度值加起来越大。反过来说就是,NFCH值越小,说明分割像素的种子区域越少,所代表的新图像越能体现原始分割图像。
需要说明的是,NFCH值的公式可以简化为:
需要进一步说明的是,NFCH值表示分割图像中所有种子区域的所有像素的寻迹长度。相比于现有技术,所需要的编码长度更小,即占用的运算空间更小。有利于图像数据在以太坊节点的处理;减少网络负载。
在本申请中,MDL值的模型公式表示图像的分割后的整合程度。MDL值与延伸合格种子区域的数量、被种子区域占领的像素的总数、所有延伸合格种子区域面积、所有延伸合格种子区域的边界像素的寻迹长度、单位像素的灰度值离散程度成正比。因此,MDL值越小,说明该两两相邻种子区域合并后,所产生的新图像,结构越简单,越能最简单的结构(像素区域两两合并),代表原始分割图像。因此选择产生最小MDL值的分割图像作为最优分割图像输出。
在本申请中,通过该最小描述长度(MDL)模型优化后的图像可运用到该图像的后期处理当中。在对图像进行最小描述长度(MDL)优化的过程当中,每一次优化,图像上个相邻且灰度相近的图像将合并,合并后的像素区域的灰度取平均灰度值。以此可以得到最能代表该图像的图像信息代码。该图像信息代码的文件大小,远远小于原图像的文件大小。有利于后期对图像的调用和分析。
在本申请中,单位像素的面积记为1。所以种子区域的面积为该区域内部所有像素面积之和。边界像素的外侧边的意思为,该外侧边不与本种子区域内的其他像素的边重合。
在本申请中,初始阵列布置的种子区域可以为单一像素或者某一规格的像素区域。
在本申请中,当后一次输出的最优分割图像的MDL值等于前一次最优分割图像的MDL值时,表示最小描述长度(MDL)的优化完成,输出当前MDL值的新图像作为最优分割图像。
在本申请中,采用最小描述长度(MDL)的优化方法,还可能产生只有一个灰度区域的灰度图像。产生后,直接输出为最优分割图像。
在本申请中,以太坊共识机制通过判断最优分割图像的MDL值与最初分割图像的MDL值的比值,可以判断出节点对于图像处理工作是否到位。当比值在A阈值内,以太坊共识机制。A值域为0.2至1;优选A值域为0.3至0.9;更优选A值域为0.4至0.7。
随着分割的循环进行,输出的MDL值越来越小,后输出的最优分割图像的MDL值小于最初分割图像的MDL值。因此最优分割图像的MDL值除以最初分割图像的MDL值所成的比值越小说明该分割图像越简单,且能代表原始图像。当比值小于某值时,代表以太坊节点完成图像处理。然后将符合要求的最优分割后图像的所有像素的灰度值依次相加,并乘以MDL值,得到幸运值(nonce)。再将幸运值(nonce)带入哈希函数。即利用了以太坊工作量机制生成随机数的算力进行了图像分割,生成的随机数从原来无意义的随机数,变为有意义的且不会重复的随机数。最后通过哈希运算得到哈希值。以太坊共识机制通过判断哈希值的大小是否处于B值域,来判断该以太坊节点的工作量是否满足要求。
需要说明的是,哈希值是否处于B值域,又可表示为,哈希值是否满足目标(target)值域。即生成的哈希值与目标(target)进行比较。若哈希值处于目标(target)的范围内,则以太坊共识机制判断,哈希函数的运算满足工作量要求。target为(0,t),其中t=M/d,其中M为2256,d为区块的难度值,其根据上一个区块产生时间、上一个区块的难度、当前区块产生时间及当前区块的序号计算生成,d的下限为131702。在这一情况下,d的增大会导致t的减小,从而target区间缩小。当target区间缩小时,所生成的哈希值落在target区间内的可能性会随之减小,从而使得挖矿的难度增大。
也就是说,B值域为(0,t),而t=M/d,其中M=2256,d≥131702。
哈希函数(Hash),一般翻译做散列、杂凑,或音译为哈希,就是把任意长度的输入(又叫做预映射,pre-image),通过散列算法,变换成固定长度的输出,该输出就是散列值。这种转换是一种压缩映射,也就是,散列值的空间通常远小于输入的空间,不同的输入可能会散列成相同的输出,而不可能从散列值来唯一的确定输入值。简单的说就是一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。所述固定长度的输出定义的位数(二进制数)越短,则哈希运算的工作量越大,越能提高节点的工作量,即哈希运算的难度越大。根据难度所限定的固定长度即为目标(target)。
需要进一步说明的是,目标(target)值域的大小根据所设定的难度(difficulty)而定。以太坊节点通过将最优分割图像带入哈希函数运算,得出满足目标(target)的哈希值,来体现其工作量。
在本申请中,以太坊中的节点从待处理图像服务器读取待处理图像。存储在待处理图像服务器的图像先去重,使得待处理图像服务器内的图像均不相同。以太坊中的节点将待处理图像及最优分割图像上传至以太坊的已处理图像服务器。
与现有技术相比,本发明具有以下有益效果:
1、能够充分利用了以太坊上各节点用于投入工作量证明机制的算力对图像信息进行处理,从而达到有效利用算力,节约资源的目的;
2、存储到已处理图像服务器的图像信息代码及待处理图像,有利于后期对图像的识别及调取;能够为医疗图像、图像搜索、图像处理(抠图)等领域提供帮助。
附图说明
图1为本发明实施例的方法流程图;
图2为初始图像;
图3为初始分割图像;
图4为最优分割图像;
图5为说明实施例1中的例图。
具体实施方式
根据本发明的实施方案,提供一种用于以太坊共识机制的图像处理方法:
一种用于以太坊共识机制的图像处理方法,该图像处理方法包括以下步骤:
1)以太坊中的节点读取待处理图像,并将图像转换为灰度图像;
2)以太坊中的节点对生成的灰度图像进行过度分割,并输出分割图像,作为最初分割图像;
3)以太坊中的节点计算最初分割图像的MDL值;
5)以太坊中的节点以最新分割图像作为分割图像重复步骤4),直至输出MDL值最小的最新分割图像作为最优分割图像;
6)以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;
7)若所述比值符合要求,将最优分割图像的所有像素的灰度值依次相加,并乘以MDL值,得到nonce值。
8)将nonce值代入哈希函数进行哈希运算,并输出哈希值;
9)以太坊的共识机制判断所述哈希值是否符合要求,若符合则给予该以太坊节点记账权;
10)授予记账权的节点将原始图片及最优分割图像上传至以太坊。
作为优选,在步骤2)中采用种子生长法对步骤1)得到的灰度图像进行过度分割。
作为优选,所述种子生长法对步骤1)得到的灰度图像进行过度分割的具体步骤为:
a)在灰度图像上,以阵列式布置大小相同的种子区域;
b)种子区域筛选:计算种子区域内像素最大灰度值与最小灰度值之差的绝对值;移除种子区域内像素最大灰度值与最小灰度值之差的绝对值大于等于10的不合格种子区域,保留种子区域内像素最大灰度值与最小灰度值之差的绝对值小于10的合格种子区域;
c)合格种子区域延伸:每一个合格种子区域向相邻合格种子区域生长;将与合格种子区域相邻的像素中,灰度值与当前合格种子区域的平均灰度值之差的绝对值小于等于10的像素添加到当前合格种子区域;重复生长和计算合格种子区域加权平均灰度值,直至相邻的所有像素都已被其他区域所占领,或所有相邻像素与当前种子区域的平均灰度值之差的绝对值大于10,生长完成;将生长完成后的种子区域作为延伸合格种子区域;
d)剩余像素的分配:将剩余的像素分配给相邻的延伸合格种子区域中与其灰度值之差的绝对值最小的延伸合格种子区域,直至所有像素分配完成;
e)输出分割图像:所有合格种子区域生长完成后,将所有延伸合格种子区域组合所成的图像作为分割图像输出,并输出分割图像中延伸合格种子区域的面积和边界像素信息。
b)统计所有被种子区域占领的像素的数量,记为n;单个像素的灰度值记为y;
作为优选,在步骤4)中,NFCH表示为所有种子区域的所有边界像素的寻迹长度值;计算NFCH值的步骤为:
rj为种子区域j中边界像素的数量;di为i-1像素到i像素的方向与i-2像素到i-1像素的方向所成的偏转角;C0-C7为预设方向,分别指代0°、45°、-45°、90°、-90°、135°、-135°、180°;H的取值为0或1,当di等于某预设方向时,公式中所属的H值等于1,其他的H值为0。
作为优选,在步骤3)和步骤4)中,计算MDL值的步骤为:
b)单个种子区域的面积记为a;
c)结合下方公式,输出MDL值;
计算MDL值的公式为:
其中aj为区域j的面积。
作为优选,所述种子区域的面积为种子区域中像素的数量。
作为优选,种子区域为像素,或者种子区域为像素块。
作为优选,在步骤5)中,以太坊中的节点对比过程中产生的MDL值;当最新图像产生的最小MDL值不变,则输出产生最小MDL值的图像作为最优分割图像;或以太坊中的节点所得灰度图像内只剩一个区域时,则输出该灰度图像作为最优分割图像。
作为优选,在步骤6)中以太坊的共识机制通过判断节点所提交比值是否在A值域内,来判断是否符合要求,A值域为0.2至1;优选A值域为0.3至0.9;更优选A值域为0.4至0.7。
作为优选,在步骤9)中,以太坊的共识机制通过判断哈希值是否在B值域内,来判断是否符合要求,B值域的范围根据设定的哈希计算的难度而定。
作为优选,在步骤1)中,以太坊中的节点从待处理图像服务器读取待处理图像。
作为优选,在步骤7)中,以太坊中的节点将待处理图像及最优分割图像上传至以太坊的已处理图像服务器。
实施例1
一种用于以太坊共识机制的图像处理方法,该图像处理方法包括以下步骤:
1)以太坊中的节点读取待处理图像,并将图像转换为灰度图像;
2)以太坊中的节点对生成的灰度图像进行过度分割,并输出分割图像;
3)以太坊中的节点计算分割图像的MDL值;
5)以太坊中的节点以最新分割图像作为分割图像重复步骤4),直至输出MDL值最小的最新分割图像作为最优分割图像;
6)以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;
7)若所述比值符合要求,将最优分割图像的所有像素的灰度值依次相加,并乘以MDL值,得到nonce值。
8)将nonce值代入哈希函数进行哈希运算,并输出哈希值;
9)以太坊的共识机制判断所述哈希值是否符合要求,若符合则给予该以太坊节点记账权;
10)授予记账权的节点将原始图片及最优分割图像上传至以太坊。
作为优选,在步骤2)中采用种子生长法对步骤1)得到的灰度图像进行过度分割。
作为优选,所述种子生长法对步骤1)得到的灰度图像进行过度分割的具体步骤为:
a)在灰度图像上,以阵列式布置大小相同的种子区域;
b)种子区域筛选:计算种子区域内像素最大灰度值与最小灰度值之差的绝对值;移除种子区域内像素最大灰度值与最小灰度值之差的绝对值大于等于10的不合格种子区域,保留种子区域内像素最大灰度值与最小灰度值之差的绝对值小于10的合格种子区域;
c)合格种子区域延伸:每一个合格种子区域向相邻合格种子区域生长;将与合格种子区域相邻的像素中,灰度值与当前合格种子区域的平均灰度值之差的绝对值小于等于10的像素添加到当前合格种子区域;重复生长和计算合格种子区域加权平均灰度值,直至相邻的所有像素都已被其他区域所占领,或所有相邻像素与当前种子区域的平均灰度值之差的绝对值大于10,生长完成;将生长完成后的种子区域作为延伸合格种子区域;
d)输出分割图像:所有合格种子区域生长完成后,将所有延伸合格种子区域组合所成的图像作为分割图像输出,并输出分割图像中延伸合格种子区域的面积和边界像素信息。
使用实施例1
1)本实例基于IPv6网络环境
IPv6环境配置(Mac):
1.进入“系统偏好设置”,点按“网络”,选择Wi-Fi。
2.点按“高级”,然后点按“TCP/IP”。
3.点按“配置IPv6”弹出式菜单,选取“手动”,输入IPv6地址、路由器地址和前缀长度。
2)读取大小为80*80的图像,首先将图像转换为256位灰度图像(如图2),初始化二维数组mat,存放该灰度图像的灰度值。在图像中每隔固定4个像素设置一个2*2大小的种子。单个种子是长度为4的数组,其中的元素为像素在mat中的二维索引(即图像中的坐标)。种子设置完成后,对所有种子进行遍历,根据mat中存放的灰度值,将种子内像素最大灰度值与最小灰度值之差大于等于10的种子移除,随后使每一个种子向相邻区域生长,即读取mat中与当前边界像素的横/纵坐标相差为1的像素的灰度值,并计算其与当前种子区域的平均灰度值之差的绝对值,将所得结果小于等于10的像素坐标添加到该种子区域数组中,并重新计算当前种子区域的平均灰度值,继续生长直至相邻的所有像素都已被其他区域所占领或与当前种子区域的平均灰度值之差的绝对值大于10,至此生长完成,其后,依次计算单个剩余像素的灰度值与其相邻区域的平均灰度值之差,并将其分配给相邻区域中与其灰度值之差最小的区域,直至所有像素分配完成。所有区域所构成的集合为初始分割,其图像如图3所示(为区分各个区域,分割图像中各像素的灰度值被赋值为所在区域的平均灰度值,然而MDL值的计算仍根据mat数组中所保存的初始灰度值)。计算初始分割的MDL值。遍历所有区域,对所有的相邻区域进行两两合并,即令其中一个区域的所有像素添加到另一区域中,两个区域的边界合二为一,交界处省略。此后计算出合并后分割的各项指标和值,计算出MDL值。比较每次合并后产生的MDL值,将产生最小MDL值的合并后分割作为下一次计算的初始分割,直至下一次分割后无法生成更小的MDL值或分割内只剩一个区域,此时的分割为最优分割,其灰度图像如图4所示。将最优分割图像的MDL值除以最初分割图像的MDL值,得出表示图像分割工作量的比值,以判定是否小于0.3,并生成最优分割图像(如图4),图像内像素赋值为其所在区域的平均灰度值。将赋值后生成的最优分割图像中所有像素的灰度值依次相加,所得到的结果再乘以其MDL值,得到nonce。将nonce带入哈希函数进行哈希运算。
说明实施例1
为说明两两合并,计算分割图像的MDL值,并输出最小MDL值最新分割图像作为最优分割图像。作如下说明:
1)已有初步分割图像如图5所示,分割图像中包括14个区域,分别是:(A)、(B)、(C)、(D)、(E)、(F)、(G)、(H)、(I)、(J)、(K)、(L)、(M)、(N);这14个区域中,有些两两相邻如:(A)和(B),有些不相邻如:(A)和(M)。
2)将这14个图像两两合并形成新分割图像,新分割图像有13个区域,如:(AB)、(HI)、(MN)。“(AB)”的意思为以初步分割图像为基准,只将(A)和(B)区域合并生成的最新分割图像。
3)分别计算所有最新分割图像的MDL值,并将做小MDL值得最新分割图像作为最优分割图像。如:“(AB)、(HI)、(MN)........等”中,MDLmin=MDL(HI),则将(H)和(I)区域合并,生成本轮合并的最新分割图像。表示为:(A)、(B)、(C)、(D)、(E)、(F)、(G)、(HI)、(J)、(K)、(L)、(M)、(N)。
4)在对上步3)中生成的最新分割图像“(A)、(B)、(C)、(D)、(E)、(F)、(G)、(HI)、(J)、(K)、(L)、(M)、(N)”进行两两合并,如本轮MDLmin=MDL(HI-BC),则生成“(A)、(BC)、(D)、(E)、(F)、(G)、(HI)、(J)、(K)、(L)、(M)、(N)”,即(HI-BC)最新分割图像。
5)进一步的,若对(HI-BC)最新分割图像,进行进一步的两两合并,计算MDL值。本轮的MDLmin=MDL(HI-BC),即本轮的最小MDL值为上一轮的最新分割图像的MDL值,则输出(HI-BC)最新分割图像作为最优分割图像。
6)将(HI-BC)最有分割图像作为随机数带入哈希函数。
Claims (12)
1.一种用于以太坊共识机制的图像处理方法,其特征在于:该图像处理方法包括以下步骤:
1)以太坊中的节点读取待处理图像,并将图像转换为灰度图像;
2)以太坊中的节点对生成的灰度图像采用种子生长法进行过度分割,并输出分割图像,作为最初分割图像;
3)以太坊中的节点计算最初分割图像的MDL值;
4)将分割图像中相邻区域进行两两合并,计算合并后图像的值、NFCH值和MDL值,将产生最小MDL值的合并后图像作为最新分割图像;其中:为所有区域内的像素的灰度值减去所在区域的平均灰度值的差的平方和;NFCH表示为所有种子区域的所有边界像素的寻迹长度值;MDL为最小描述长度;
5)以太坊中的节点以最新分割图像作为分割图像重复步骤4),直至输出MDL值最小的最新分割图像作为最优分割图像;
6)以太坊的共识机制判断最优分割图像的MDL值与最初分割图像的MDL值的比值是否符合要求;
7)若所述比值符合要求,将最优分割图像的所有像素的灰度值依次相加,并乘以MDL值,得到nonce值;
8)将nonce值代入哈希函数进行哈希运算,并输出哈希值;
9)以太坊的共识机制判断所述哈希值是否符合要求,若符合则给予该以太坊节点记账权;
10)授予记账权的节点将原始图片及最优分割图像上传至以太坊。
2.根据权利要求1所述的用于以太坊共识机制的图像处理方法,其特征在于:所述种子生长法对步骤1)得到的灰度图像进行过度分割的具体步骤为:
a)在灰度图像上,以阵列式布置大小相同的种子区域;
b)种子区域筛选:计算种子区域内像素最大灰度值与最小灰度值之差的绝对值;移除种子区域内像素最大灰度值与最小灰度值之差的绝对值大于等于10的不合格种子区域,保留种子区域内像素最大灰度值与最小灰度值之差的绝对值小于10的合格种子区域;
c)合格种子区域延伸:每一个合格种子区域向相邻合格种子区域生长;将与合格种子区域相邻的像素中,灰度值与当前合格种子区域的平均灰度值之差的绝对值小于等于10的像素添加到当前合格种子区域;重复生长和计算合格种子区域加权平均灰度值,直至相邻的所有像素都已被其他区域所占领,或所有相邻像素与当前种子区域的平均灰度值之差的绝对值大于10,生长完成;将生长完成后的种子区域作为延伸合格种子区域;
d)剩余像素的分配:将剩余的像素分配给相邻的延伸合格种子区域中与其灰度值之差的绝对值最小的延伸合格种子区域,直至所有像素分配完成;
e)输出分割图像:所有合格种子区域生长完成后,将所有延伸合格种子区域组合所成的图像作为分割图像输出,并输出分割图像中延伸合格种子区域的面积和边界像素信息。
6.根据权利要求5所述的用于以太坊共识机制的图像处理方法,其特征在于:所述种子区域的面积为种子区域中像素的数量;和/或
种子区域为像素,或者种子区域为像素块。
7.根据权利要求1所述的用于以太坊共识机制的图像处理方法,其特征在于:在步骤5)中,以太坊中的节点对比过程中产生的MDL值;当最新图像产生的最小MDL值不变,则输出产生最小MDL值的图像作为最优分割图像;或以太坊中的节点所得灰度图像内只剩一个区域时,则输出该灰度图像作为最优分割图像。
8.根据权利要求1-7中任一项所述的用于以太坊共识机制的图像处理方法,其特征在于:在步骤6)中以太坊的共识机制通过判断节点所提交比值是否在A值域内,来判断是否符合要求,A值域为0.2至1;和/或
在步骤9)中,以太坊的共识机制通过判断哈希值是否在B值域内,来判断是否符合要求,B值域的范围根据设定的哈希计算的难度而定。
9.根据权利要求8所述的用于以太坊共识机制的图像处理方法,其特征在于:A值域为0.3至0.9。
10.根据权利要求8所述的用于以太坊共识机制的图像处理方法,其特征在于:A值域为0.4至0.7。
11.根据权利要求1-7、9-10中任一项所述的用于以太坊共识机制的图像处理方法,其特征在于:在步骤1)中,以太坊中的节点从待处理图像服务器读取待处理图像;和/或
在步骤7)中,以太坊中的节点将待处理图像及最优分割图像上传至以太坊的已处理图像服务器。
12.根据权利要求8所述的用于以太坊共识机制的图像处理方法,其特征在于:在步骤1)中,以太坊中的节点从待处理图像服务器读取待处理图像;和/或
在步骤7)中,以太坊中的节点将待处理图像及最优分割图像上传至以太坊的已处理图像服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307569.5A CN110047077B (zh) | 2019-04-17 | 2019-04-17 | 一种用于以太坊共识机制的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307569.5A CN110047077B (zh) | 2019-04-17 | 2019-04-17 | 一种用于以太坊共识机制的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110047077A CN110047077A (zh) | 2019-07-23 |
CN110047077B true CN110047077B (zh) | 2020-11-17 |
Family
ID=67277543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910307569.5A Active CN110047077B (zh) | 2019-04-17 | 2019-04-17 | 一种用于以太坊共识机制的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110047077B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717124B (zh) * | 2019-10-09 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 用于实现像素页面的像素占领的方法及装置 |
CN111695569B (zh) * | 2020-05-12 | 2023-04-18 | 东南大学 | 一种基于多分割图融合的图像像素级分类方法 |
CN114760481B (zh) * | 2022-04-29 | 2023-05-30 | 北京淳中科技股份有限公司 | 一种视频编码方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639837A (zh) * | 2019-01-31 | 2019-04-16 | 东南大学 | 基于信任机制的区块链DPoS共识方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108769133A (zh) * | 2018-05-04 | 2018-11-06 | 珠海市筑巢科技有限公司 | 一种基于区块链的飞行数据共享方法、计算机装置及计算机可读存储介质 |
CN109284766A (zh) * | 2018-07-20 | 2019-01-29 | 深圳大学 | 一种多元离散的特征选择方法、装置、设备及存储介质 |
-
2019
- 2019-04-17 CN CN201910307569.5A patent/CN110047077B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639837A (zh) * | 2019-01-31 | 2019-04-16 | 东南大学 | 基于信任机制的区块链DPoS共识方法 |
Non-Patent Citations (3)
Title |
---|
A Fast Algorithm for MDL-Based Multi-Band Image Segmentation;Tapas Kanungo et al.;《IEEE》;19941231;第609-616页 * |
A research on consensus mechanism in blockchain;Han, X et al.;《Internet Secur》;20171231;第147–152页 * |
一种改进PBFT算法作为以太坊共识机制的研究与实现;黄秋波;《计算机应用与软件》;20171031;第34卷(第10期);第288-297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110047077A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047077B (zh) | 一种用于以太坊共识机制的图像处理方法 | |
CN106296669B (zh) | 一种图像质量评价方法和装置 | |
CN109741395B (zh) | 双心室量化方法、装置、电子设备及存储介质 | |
KR20220051162A (ko) | 시각적 포지셔닝 방법, 관련 모델의 훈련 방법 및 관련 장치, 기기 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
Fu et al. | Blind image quality assessment for multiply distorted images via convolutional neural networks | |
CN110784883B (zh) | 基站建设评估方法、装置、设备和存储介质 | |
El-Khatib et al. | Theoretical and experimental evaluation of hybrid ACO-k-means image segmentation algorithm for MRI images using drift-analysis | |
CN111192313A (zh) | 机器人构建地图的方法、机器人及存储介质 | |
Wang et al. | Reputation-enabled federated learning model aggregation in mobile platforms | |
CN111898750A (zh) | 基于进化算法的神经网络模型压缩方法及装置 | |
CN114255187A (zh) | 基于大数据平台的多层次多级图像优化方法及系统 | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN114627206A (zh) | 网格绘制方法、装置、电子设备及计算机可读存储介质 | |
CN111723923A (zh) | 用于确定针对神经网络的全局存储器大小的方法和设备 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN113297310A (zh) | 一种物联网中区块链分片验证者选取的方法 | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN116579967B (zh) | 一种基于计算机视觉的三维点云图像融合系统 | |
CN111784705A (zh) | 感兴趣区域的勾画方法、装置、设备和存储介质 | |
CN111402121A (zh) | 图像风格的转换方法、装置、计算机设备和存储介质 | |
CN110705593A (zh) | 训练关系网络嵌入模型和确定使用概率的方法及装置 | |
Chua et al. | Mobile Edge Adversarial Detection for Digital Twinning to the Metaverse with Deep Reinforcement Learning | |
CN102413269B (zh) | 视频处理方法及应用该方法的电路 | |
CN107886200A (zh) | 基于指数函数与正切函数变换及初值修正组合优化的gm(1,1)模型预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: OuYang Jianquan Inventor after: Yin Jiajun Inventor after: Tang Huanrong Inventor before: OuYang Jianquan Inventor before: Yin Jiajun Inventor before: Tang Huanrong |
|
GR01 | Patent grant | ||
GR01 | Patent grant |