CN110519608A - 针对插入图像后图像集的编码结构调整方法 - Google Patents
针对插入图像后图像集的编码结构调整方法 Download PDFInfo
- Publication number
- CN110519608A CN110519608A CN201910632478.9A CN201910632478A CN110519608A CN 110519608 A CN110519608 A CN 110519608A CN 201910632478 A CN201910632478 A CN 201910632478A CN 110519608 A CN110519608 A CN 110519608A
- Authority
- CN
- China
- Prior art keywords
- image
- node
- depth
- arborescence
- max
- 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.)
- Pending
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
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- 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
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出了一种针对插入图像后图像集的编码结构调整方法。旨在解决现有方法生成编码结构复杂度太高及编码效率不高的问题。实现步骤为:构造待插入图像的有权有向图;首先解码原图像集中第一层节点,与待插入图像生成限制深度的最小树形图,然后层数加1,对上一层中作为待插入图像父节点的孩子节点所对应图像进行解码,重新生成限制深度的最小树形图,依次循环,直到某一层中没有节点作为新插入图像的父节点或这一层达到最大深度限制。将得到的最小生成树作为群体图像编码结构。本发明在编解码复杂度不高的情况下,提高了编码效率。可应用于云中图像压缩、个人相册压缩等领域,针对插入图像后图像集进行编码结构调整。
Description
技术领域
本发明属于图像编码技术领域,具体涉及一种图像集管理中针对现有图像集插入图像后编码结构的调整方法,可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的类似场景中向现有图像集中加入相似图像的场景,更加方便群体图像的管理。
背景技术
在最近十年中.随着互联网相关产业的飞速发展,数字图像等多媒体内容也呈现出爆炸式的增长。据全球最大社交网络服务公司Facebook报告,其存储的照片己经超过二千二百亿张,并正以每天三亿张的速度增加。规模巨大的图像视频数据为带宽存储等方面带来了极大的压力。为此,研究者一直在努力改进数字图像压缩技术。相同场景下拍摄的很多图片具有很大的相似性,但他们的单独采用JPEG或JPEG-2000对图像进行编码,将会造成存储空间大、编码效率不够高。因此,对于相似图像的压缩存储很有必要。利用视觉内容分析技术可以建立起图像内部或外部的相关性,通过分析这些视觉相关性,建立对应的视觉模型或视觉联系,有助于消除图像视频中的视觉冗余,提升编码性能。目前最优方式是根据图像内容的相关性安排所有的相似图像在一个树结构中,然后对每个分支采用视频编码技术,可有效的消除相关图像间的视觉冗余,提高了图像集整体编码的效率。但如果在现有图像集中插入新的图像,势必会引起树的结构变化,目前针对新图像插入后生成编码结构的方法大致有以下两种:
第一种方法是重新生成编码结构方法,例如Hao Wu,Xiaoyan Sun,Jingyu Yang,Wenjun Zeng and Feng Wu在2016年IEEE Transactions on Image Processing上发表的论文“Lossless Compression of JPEG Coded Photo Collections”中提到的重新生成编码结构方法:解码原图像集中的所有图像,然后对新图像集重新生成树结构再对新图像集进行重新编码,这种方法虽然可以使编码效率达到最高,但是会耗费大量时间,影响用户体验,不适合实际应用。
第二种方法是基于根节点的编码结构调整方法,例如Hao Wu,Xiaoyan Sun,Jingyu Yang,Wenjun Zeng and Feng Wu在2016年6月Transactions on ImageProcessing上发表的论文“Lossless Compression of JPEG Coded Photo Collections”中提到的基于根节点的编码结构调整方法,即解码待插入图像集的最小树形图中的根节点,并将该根节点作为所有待插入图像的参考图像,得到插入图像后图像集的编码结构,此方法虽然在现有方法中复杂度最低,但因为插入图像可能与原树形图中根节点差异较大,导致编码效率提升不高,有时甚至与待插入图像单独编码并无差别。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种针对插入图像后图像集的编码结构调整方法,旨在提高编码效率,同时降低编码的复杂度。
本发明的基本思想是:首先解码原图像集中第一层节点,与待插入的图像生成限制深度的最小树形图,然后层数加1,对上一层中作为待插入图像父节点的孩子节点所对应图像进行解码,重新生成限制深度的最小树形图,依次循环,直到某一层中没有节点作为新插入图像的父节点或这一层达到最大深度限制。其实现方法包括如下步骤:
(1)获取待插入图像的有权有向图G(V,E):
(1a)设定节点集合V和有向边集合E;
(1b)构造待插入图像的有权有向图G(V,E):
当待插入图像为一幅时,将待插入图像抽象为节点,并为该节点分配节点标号为0后添加到节点集合V中,得到有向边集合E为空集的待插入图像有权有向图G(V,E);
当待插入图像为两幅以上时,将每一幅待插入图像抽象为节点,并从0开始为每个节点分配节点标号后添加到节点集合V中,再根据图像的相关性计算任意两个节点之间的距离,将计算出的所有距离添加到有向边集合E中,得到待插入图像有权有向图G(V,E);
(2)设定参数并初始化:
设定最终树形图的最大深度限制为dmax,设定参考图像对应的节点集合I,并对dmax和I进行初始化;
(3)获取最大深度限制为dmax的最小树形图T1:
(3a)设定待解码图像所在层的深度为i,并令i=1;
(3b)读取待插入图像集的树形图中的每个节点以及每个节点的前驱节点、孩子节点和节点深度,并为每个节点分配与节点集合V中已有节点标号不重复的节点标号后添加到节点集合V中;
(3c)构建待插入图像集树形图中每个节点到每个节点对应的孩子节点的有向边,并为每一个有向边指定一个不大于有向边集合E中所有边的距离,再将指定距离后的所有有向边添加到有向边集合E中;
(3d)将待插入图像集树形图中根节点添加到参考图像对应的节点集合I中,对根节点所对应的图像进行解码,得到解码图像,并根据图像的相关性计算解码图像到待插入图像的距离,再将计算出的距离添加到有向边集合E中,得到有权有向图G1(V,E);
(3e)将有权有向图G1(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1;
(4)判断待解码图像所在层的深度是否不小于最大深度限制dmax:
令i=i+1,判断i是否大于或等于最大深度限制dmax,若是,则将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则执行步骤(5);
(5)获取待解码图像所在层的深度为i时的最小树形图Ti:
(5a)对参考图像对应的节点集合I中添加的节点的孩子节点对应的图像进行解码,得到一幅或多幅解码图像,并根据图像的相关性,计算解码图像到待插入图像的距离;
(5b)将解码图像到待插入图像的距离添加到有向边集合E中,得到解码图像所在层深度为i时的有权有向图Gi(V,E),并将有权有向图Gi(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为i时的最大深度限制为dmax的最小树形图Ti;
(6)判断最小树形图Ti中与最小树形图Ti-1中的待插入图像的参考图像是否相同:
根据待插入图像的参考图像对应节点的标号是否相同,判断最小树形图Ti中待插入图像的参考图像与最小树形图Ti-1中的待插入图像的参考图像是否相同,若是,将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则,将最小树形图Ti中待插入图像的参考图像对应的节点添加到参考图像对应的节点集合I中,并执行步骤(4);
(7)输出插入图像后图像集的编码结构:
将最大深度限制为dmax的最小树形图Ti作为插入图像后图像集的编码结构,并输出。
本发明和现有技术相比,具有以下优点:
本发明由于在选择待插入图像的参考图像时,是通过对待插入图像集的树形图进行分支查找的方式实现的,充分考虑待插入图像与待插入图像集中图像的关系,并且考虑到待插入图像之间的相关关系,避免了现有技术中直接选取根节点对应的图像作为参考图像导致的参考图像与待插入图像的相似度较低的问题,实验结果表明,利用本发明生成的编码结构对插入图像进行编码,有效的提高了编码效率。
附图说明
图1为本发明的实现流程图;
图2为本发明与基于根节点的编码结构调整方法生成的编码结构对图集xidian中插入图像进行编码的编码效率曲线对比图;
图3为本发明与基于根节点的编码结构调整方法生成的编码结构对图集sculpture中插入图像进行编码的编码效率曲线对比图;
图4为本发明与基于根节点的编码结构调整方法生成的编码结构对图集corner中插入图像进行编码的编码效率曲线对比图;
图5为本发明与基于根节点的编码结构调整方法生成的编码结构对图集defense中插入图像进行编码的编码效率曲线对比图;
图6为本发明与基于根节点的编码结构调整方法生成的编码结构对插入多张图像时图集pathone中插入图像进行编码的编码效率曲线对比图;
图7为本发明与基于根节点的编码结构调整方法生成的编码结构对插入一张图像时图集pathone中插入图像进行编码的编码效率曲线对比图。
图8(a)至图8(e)为本发明与基于根节点的编码结构调整方法仿真采用的图像集的部分图像。
具体实施方式
下面将结合附图和具体实施例,对本发明作进一步详细描述。
实施例1,本实施例采用的待插入图像为4张图像。
参照图1,本发明的具体实现步骤如下:
步骤1)获取待插入图像的有权有向图G(V,E):
步骤1a)设定节点集合V和有向边集合E;
步骤1b)构造待插入图像的有权有向图G(V,E):
将每一幅待插入图像抽象为一个节点,并从0开始为每个节点分配节点标号后添加到节点集合V中,节点标号为0~3,保证节点标号连续且不重复,再对两两图像进行SIFT特征匹配,并计算任意两图像间的距离D,之后将这些距离D加入到有向边集合E中,得到满足各个节点之间相互关系的有权有向图;
其中,距离D的计算公式为:
其中Di为两个节点所对应图像间任意一对sift特征匹配点的距离,n为任意两个节点所对应的图像间sift特征匹配点对的个数。图像的相关性越大,得到图像间的距离D越小。
步骤2)设定参数并初始化:
设定最终树形图的最大深度限制为dmax,设定参考图像对应的节点集合I,集合I中节点的孩子节点所对应的图像在调整编码结构过程中需要解码,并对dmax和I进行初始化;
步骤3)获取最大深度限制为dmax的最小树形图T1:
步骤3a)设定待解码图像所在层的深度为i,并令i=1;
步骤3b)读取待插入图像集的树形图中的每个节点以及每个节点的前驱节点、孩子节点和节点深度,并为每个节点分配节点标号,新分配的节点标号与节点集合V中已有的节点标号不重复并且连续,本实施例中节点标号从4开始,之后将这些节点添加到节点集合V中;
步骤3c)为了在调整编码结构过程中待插入图像集的编码结构不发生变化,构建待插入图像集树形图中每个节点到每个节点对应的孩子节点的单向边,因无法读取到待插入图像集有向边的权值,此时为每一个有向边指定一个不大于有向边集合E中所有边的距离,再将指定距离后的所有有向边添加到有向边集合E中;
步骤3d)将待插入图像集树形图中根节点添加到参考图像对应的节点集合I中,根节点的节点深度为1,对根节点所对应的图像进行解码,得到解码图像,并根据图像的相关性计算解码图像到每一幅待插入图像的单向距离,保证根节点只能作为待插入图像所对应节点的父节点,再将计算出的距离添加到有向边集合E中,得到有权有向图G1(V,E);
步骤3e)将有权有向图G1(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1;
其中限制深度的最小生成树算法,实现步骤为:
步骤3e1)将有权有向图G1(V,E)作为朱刘算法的输入,得到最小树形图M;
步骤3e2)判断最小树形图M的深度是否小于等于最大深度限制dmax,若是,则将最小树形图M作为解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1,否则执行步骤(3e3);
步骤3e3)对最小生成树M按照节点vi的深度dep(vi)小于节点vj的深度dep(vj)的规则添加新边<vi,vj>,即添加上一层节点到下一层节点的边,得到添加新边后的有权有向图M(V,E);
步骤3e4)根据添加新边后的有权有向图M(V,E),使用OTTC(一次树构建算法)算法对最小树形图M进行深度限制,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1。
步骤4)判断待解码图像所在层的深度是否不小于最大深度限制dmax:
令i=i+1,判断i是否大于或等于最大深度限制dmax,若是,则将上次循环中得到的最小树形图Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则执行步骤(5);
步骤5)获取待解码图像所在层的深度为i时的最小树形图Ti:
步骤5a)对节点集合I中新添加的节点的孩子节点对应的图像进行解码,即待插入图像在上一层所选参考图像的孩子节点,得到一幅或多幅解码图像,并根据图像的相关性,计算解码图像到待插入图像的距离,同步骤(1b)中距离计算方法,当解码图像为一幅时计算该幅图像到每一幅待插入图像的单向距离,当解码图像为多幅时,则分别计算每一幅解码图像到每一幅待插入图像的单向距离,此处采用单向距离是为了保证待插入图像集树形图中的节点只能作为待插入图像所对应节点的父节点;
步骤5b)将解码图像到待插入图像的距离添加到有向边集合E中,得到解码图像所在层深度为i时的有权有向图Gi(V,E),将有权有向图Gi(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为i时的最大深度限制为dmax的最小树形图Ti;
步骤6)判断最小树形图Ti中与最小树形图Ti-1中的待插入图像的参考图像是否相同:
根据待插入图像的参考图像对应节点的标号是否相同,判断最小树形图Ti中待插入图像的参考图像与最小树形图Ti-1中的待插入图像的参考图像是否相同,若是,则将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则,找出待插入图像在最小树形图Ti中的参考图像不同于Ti-1中的参考图像,即待插入图像重新选择的参考图像,将这些参考图像所对应的节点添加到参考图像对应的节点集合I中,并执行步骤(4);
步骤7)输出插入图像后图像集的编码结构:
将最大深度限制为dmax的最小树形图Ti作为插入图像后图像集的编码结构,并输出,之后通过输出的编码结构中的待插入图像及与待插入图像对应的参考图像构建伪视频序列。
实施例2,本实施例采用的待插入图像为1张图像,具体实现步骤如下:
步骤1)获取待插入图像的有权有向图G(V,E):
步骤1a)设定节点集合V和有向边集合E;
步骤1b)构造待插入图像的有权有向图G(V,E):
将待插入图像抽象为一个节点,并为该节点分配节点标号为0后添加到节点集合V中,得到向边集合E为空集的待插入图像有权有向图G(V,E);
步骤2)设定参数并初始化:
设定最终树形图的最大深度限制为dmax,设定参考图像对应的节点集合I,集合I中节点的孩子节点所对应的图像在调整编码结构过程中需要解码,并对dmax和I进行初始化;
步骤3)获取最大深度限制为dmax的最小树形图T1:
步骤3a)设定待解码图像所在层的深度为i,并令i=1;
步骤3b)读取待插入图像集的树形图中的每个节点以及每个节点的前驱节点、孩子节点和节点深度,并为每个节点分配节点标号,因节点集合V已有标号为0的节点,此时从1开始为每个节点分配节点标号,节点标号不重复并且连续,之后将这些节点添加到节点集合V中;
步骤3c)为了在调整编码结构过程中待插入图像集的编码结构不发生变化,构建待插入图像集树形图中每个节点到每个节点对应的孩子节点的单向边,因无法读取到待插入图像集有向边的权值,此时为每一个有向边指定一个不大于有向边集合E中所有边的距离,再将指定距离后的所有有向边添加到有向边集合E中;
步骤3d)将待插入图像集树形图中根节点添加到节点集合I中,根节点的深度为1,对根节点所对应的图像进行解码,得到解码图像,并根据图像的相关性计算解码图像到待插入图像的单向距离,保证根节点只能作为待插入图像所对应节点的父节点,再将计算出的距离添加到有向边集合E中,得到有权有向图G1(V,E);
步骤3e)将有权有向图G1(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1;
其中限制深度的最小生成树算法,实现步骤为:
步骤3e1)将有权有向图G1(V,E)作为朱刘算法的输入,得到最小树形图M;
步骤3e2)判断最小树形图M的深度是否小于等于最大深度限制dmax,若是,则将最小树形图M作为解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1,否则执行步骤(3e3);
步骤3e3)对最小生成树M按照节点vi的深度dep(vi)小于节点vj的深度dep(vj)的规则添加新边<vi,vj>,即添加上一层节点到下一层节点的边,得到添加新边后的有权有向图M(V,E);
步骤3e4)根据添加新边后的有权有向图M(V,E),使用OTTC算法(一次树构建算法)对最小树形图M进行深度限制,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1。
步骤4)判断待解码图像所在层的深度是否不小于最大深度限制dmax:
令i=i+1,判断i是否大于或等于最大深度限制dmax,若是,则将上次循环中得到的最小树形图Ti作为最终的最大深度限制为dmax的最小树形图,执行步骤(7),否则执行步骤(5);
步骤5)获取待解码图像所在层的深度为i时的最小树形图Ti:
步骤5a)对节点参考图像对应的节点集合I中新添加的节点的孩子节点对应的图像进行解码,即待插入图像在上一层所选参考图像的孩子节点,得到一幅或多幅解码图像,并根据图像的相关性,计算解码图像到待插入图像的距离,同步骤(1b)中距离计算方法,当解码图像为一幅时计算该幅图像到待插入图像的单向距离,当解码图像为多幅时,则分别计算每一幅解码图像到待插入图像的单向距离,此处采用单向距离是为了保证待插入图像集树形图中的节点只能作为待插入图像所对应节点的父节点;
步骤5b)将解码图像到待插入图像的距离添加到有向边集合E中,得到解码图像所在层深度为i时的有权有向图Gi(V,E),将有权有向图Gi(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为i时的最大深度限制为dmax的最小树形图Ti;
步骤6)判断最小树形图Ti中与最小树形图Ti-1中的待插入图像的参考图像是否相同:
根据待插入图像的参考图像对应节点的标号是否相同,判断最小树形图Ti中待插入图像的参考图像与最小树形图Ti-1中的待插入图像的参考图像是否相同,若是,则将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则,将最小树形图Ti中待插入图像的参考图像对应的节点添加到参考图像对应的节点集合I中,并执行步骤(4);
步骤7)输出插入图像后图像集的编码结构:
将最大深度限制为dmax的最小树形图Ti作为插入图像后图像集的编码结构,并输出,之后通过输出的编码结构中的待插入图像及与待插入图像对应的参考图像构建伪视频序列。
以下通过仿真实验,对本发明技术效果作进一步说明:
1)实验条件:
采用windows Server 2008系统,处理器Intel(R)Xeon(R)CPU E5-2650v2@2.60GHz,RAM 64GB的环境下进行的。编程语言是C++,编程软件为VS2010。
实验测试图像的详细信息如表1所示:
表1
以上5个测试图像集,6个测试例,在使用本发明中,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xidian抽象后待插入图像集中图像的树形图节点个数为12,插入节点个数为9;sculpture抽象后待插入图像集中图像的树形图节点个数为11,插入节点个数为7;corner抽象后待插入图像集中图像的树形图节点个数为10,插入节点个数为7;其余同理。
2)实验内容及结果分析:
使用本发明和基于根节点的编码结构调整方法分别对上述六个测试用例得到插入图像后图像集编码结构,调整后编码结构对应的最小生成树代价如表2所示。并按照两种方法生成的编码结构使用群体图像编码技术分别对上述六个测试用例中的插入图像进行编码,得到两种方法的插入图像编码效率对比曲线图,如图2~7所示。图2~7中,在相同比特率下,峰值信噪比越高,其对应的编码效率就越高。
表2
从表2可以看出:本发明得到的调整后图像集编码结构对应的最小生成树代价均小于基于根节点的编码结构调整方法。由此可见,本发明减小了插入图像后图像集编码结构对应的最小生成树的代价。
从图2、3、4中可以看出,利用本发明生成的编码结构对xidian、sculpture、corner图像集进行群体图像编码,其编码效率均优于基于根节点的编码结构调整方法;图5、6中两方法的编码效率曲线趋近于重合,因为defense和pathone中的图像均非常相似,本发明和基于根节点的编码结构调整方法生成的群体图像编码结构对应的最小生成树权值相差很小,因此最终的编码效率相近,但本发明还是略优于基于根节点的编码结构调整方法;图7为pathone图像集插入一张图像时的编码效率对比图,这张图像和根节点所对应的图像具有较大的差异,因此本发明的编码效率较好。
综上,与现有技术相比,本发明生成的编码结构所对应的最小生成树的代价更小,应用本发明生成的编码结构对插入图像后的图像集进行编码有效的提高了编码效率。本发明可应用于云端图像压缩、个人相册压缩等领域,针对图像集插入进行编码结构调整。
Claims (3)
1.一种针对插入图像后图像集的编码结构调整方法,其特征在于,包括如下步骤:
(1)获取待插入图像的有权有向图G(V,E):
(1a)设定节点集合V和有向边集合E;
(1b)构造待插入图像的有权有向图G(V,E):
当待插入图像为一幅时,将待插入图像抽象为节点,并为该节点分配节点标号为0后添加到节点集合V中,得到有向边集合E为空集的待插入图像有权有向图G(V,E);
当待插入图像为两幅以上时,将每一幅待插入图像抽象为节点,并从0开始为每个节点分配节点标号后添加到节点集合V中,再根据图像的相关性计算任意两个节点之间的距离,将计算出的所有距离添加到有向边集合E中,得到待插入图像有权有向图G(V,E);
(2)设定参数并初始化:
设定最终树形图的最大深度限制为dmax,设定参考图像对应的节点集合I,并对dmax和I进行初始化;
(3)获取最大深度限制为dmax的最小树形图T1:
(3a)设定待解码图像所在层的深度为i,并令i=1;
(3b)读取待插入图像集的树形图中的每个节点以及每个节点的前驱节点、孩子节点和节点深度,并为每个节点分配与节点集合V中已有节点标号不重复的节点标号后添加到节点集合V中;
(3c)构建待插入图像集树形图中每个节点到每个节点对应的孩子节点的有向边,并为每一个有向边指定一个不大于有向边集合E中所有边的距离,再将指定距离后的所有有向边添加到有向边集合E中;
(3d)将待插入图像集树形图中根节点添加到参考图像对应的节点集合I中,对根节点所对应的图像进行解码,得到解码图像,并根据图像的相关性计算解码图像到待插入图像的距离,再将计算出的距离添加到有向边集合E中,得到有权有向图G1(V,E);
(3e)将有权有向图G1(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1;
(4)判断待解码图像所在层的深度是否不小于最大深度限制dmax:
令i=i+1,判断i是否大于或等于最大深度限制dmax,若是,则将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则执行步骤(5);
(5)获取待解码图像所在层的深度为i时的最小树形图Ti:
(5a)对参考图像对应的节点集合I中添加的节点的孩子节点对应的图像进行解码,得到一幅或多幅解码图像,并根据图像的相关性,计算解码图像到待插入图像的距离;
(5b)将解码图像到待插入图像的距离添加到有向边集合E中,得到解码图像所在层深度为i时的有权有向图Gi(V,E),并将有权有向图Gi(V,E)作为限制深度的最小生成树算法的输入,得到解码图像所在层深度为i时的最大深度限制为dmax的最小树形图Ti;
(6)判断最小树形图Ti中与最小树形图Ti-1中的待插入图像的参考图像是否相同:
根据待插入图像的参考图像对应节点的标号是否相同,判断最小树形图Ti中待插入图像的参考图像与最小树形图Ti-1中的待插入图像的参考图像是否相同,若是,将Ti作为最终的最大深度限制为dmax的最小树形图,并执行步骤(7),否则,将最小树形图Ti中待插入图像的参考图像对应的节点添加到参考图像对应的节点集合I中,并执行步骤(4);
(7)输出插入图像后图像集的编码结构:
将最大深度限制为dmax的最小树形图Ti作为插入图像后图像集的编码结构,并输出。
2.根据权利要求1所述的一种针对插入图像后图像集的编码结构调整方法,其特征在于,步骤(1b)中所述的根据图像的相关性计算任意两个节点之间的距离,计算公式为:
其中,Di为两个节点所对应图像间任意一对sift特征匹配点的距离,n为任意两个节点所对应的图像间sift特征匹配点对的个数。
3.根据权利要求1所述的一种针对插入图像后图像集的编码结构调整方法,其特征在于,步骤(3e)中所述的解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1,获取步骤为:
(3e1)将有权有向图G1(V,E)作为朱刘算法的输入,得到最小树形图M;
(3e2)判断最小树形图M的深度是否小于等于最终树形图的最大深度限制dmax,若是,将最小树形图M作为解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1,否则执行步骤(3e3);
(3e3)按照节点vi的深度dep(vi)小于节点vj的深度dep(vj)的规则,对最小生成树M添加新边<vi,vj>,得到添加新边后的有权有向图M(V,E);
(3e4)根据添加新边后的有权有向图M(V,E),使用一次树构建算法对最小树形图M进行深度限制,得到解码图像所在层深度为1时的最大深度限制为dmax的最小树形图T1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632478.9A CN110519608A (zh) | 2019-07-13 | 2019-07-13 | 针对插入图像后图像集的编码结构调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632478.9A CN110519608A (zh) | 2019-07-13 | 2019-07-13 | 针对插入图像后图像集的编码结构调整方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110519608A true CN110519608A (zh) | 2019-11-29 |
Family
ID=68623265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910632478.9A Pending CN110519608A (zh) | 2019-07-13 | 2019-07-13 | 针对插入图像后图像集的编码结构调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110519608A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140133745A1 (en) * | 2011-06-17 | 2014-05-15 | Eidgenossische Technische Hochschule Zurich | Object recognition device |
CN107105306A (zh) * | 2017-05-16 | 2017-08-29 | 西安电子科技大学 | 基于朱刘方法和ottc的群体图像编码结构生成方法 |
CN108462873A (zh) * | 2017-02-21 | 2018-08-28 | 联发科技股份有限公司 | 用于四叉树加二叉树拆分块的候选集决定的方法与装置 |
CN108764258A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 一种用于群体图像插入的最优图像集选取方法 |
-
2019
- 2019-07-13 CN CN201910632478.9A patent/CN110519608A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140133745A1 (en) * | 2011-06-17 | 2014-05-15 | Eidgenossische Technische Hochschule Zurich | Object recognition device |
CN108462873A (zh) * | 2017-02-21 | 2018-08-28 | 联发科技股份有限公司 | 用于四叉树加二叉树拆分块的候选集决定的方法与装置 |
CN107105306A (zh) * | 2017-05-16 | 2017-08-29 | 西安电子科技大学 | 基于朱刘方法和ottc的群体图像编码结构生成方法 |
CN108764258A (zh) * | 2018-05-24 | 2018-11-06 | 西安电子科技大学 | 一种用于群体图像插入的最优图像集选取方法 |
Non-Patent Citations (1)
Title |
---|
许冬梅: "《群体图像中图像插入与图像集合并算法》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Overview of the MPEG-CDVS standard | |
Wei et al. | Capturing humans in motion: Temporal-attentive 3d human pose and shape estimation from monocular video | |
CN108388900A (zh) | 基于多特征融合和时空注意力机制相结合的视频描述方法 | |
CN110555050B (zh) | 一种基于元路径的异构网络节点表示学习方法 | |
Shi et al. | Photo album compression for cloud storage using local features | |
US9349072B2 (en) | Local feature based image compression | |
Choudhary et al. | Visibility probability structure from sfm datasets and applications | |
Duan et al. | Compact descriptors for visual search | |
CN103957341B (zh) | 图片传输的方法及其相关设备 | |
CN107105306B (zh) | 基于朱刘方法和ottc的群体图像编码结构生成方法 | |
CN112598721A (zh) | 基于归一化回归函数单目深度估计系统训练方法和网络 | |
CN114549574A (zh) | 一种基于掩膜传播网络的交互式视频抠图系统 | |
CN106599917A (zh) | 一种基于稀疏表示的近似图像重复检测方法 | |
WO2023174098A1 (zh) | 一种实时手势检测方法及装置 | |
CN115438225B (zh) | 视频文本互检方法及其模型训练方法、装置、设备、介质 | |
CN107527010A (zh) | 一种根据局部特征和运动矢量抽取视频基因的方法 | |
CN114693929A (zh) | 一种rgb-d双模态特征融合的语义分割方法 | |
Ding et al. | A semantics-guided graph convolutional network for skeleton-based action recognition | |
Wang et al. | DepthNet nano: A highly compact self-normalizing neural network for monocular depth estimation | |
Wu et al. | Cross-fiber spatial-temporal co-enhanced networks for video action recognition | |
Perra et al. | Cloud-scale Image Compression Through Content Deduplication. | |
CN107426580B (zh) | 基于朱刘法和蚁群法的群体图像编码结构生成方法 | |
Wang et al. | Joint compression of near-duplicate videos | |
CN108764258A (zh) | 一种用于群体图像插入的最优图像集选取方法 | |
CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191129 |