CN111400528B - 一种图像压缩方法、装置、服务器及存储介质 - Google Patents
一种图像压缩方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111400528B CN111400528B CN202010180941.3A CN202010180941A CN111400528B CN 111400528 B CN111400528 B CN 111400528B CN 202010180941 A CN202010180941 A CN 202010180941A CN 111400528 B CN111400528 B CN 111400528B
- Authority
- CN
- China
- Prior art keywords
- image
- clustering
- matrix
- key points
- images
- 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
- 230000006835 compression Effects 0.000 title claims abstract description 65
- 238000007906 compression Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像压缩方法、装置、服务器及存储介质，该方法包括：对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。本发明的技术方案实现了实现便于图像检索以及检索中的相关性水平标注以提高检索质量。
Description
技术领域
本发明实施例涉及图像识别技术，尤其涉及一种图像压缩方法、装置、服务器及存储介质。
背景技术
随着成像技术的发展，眼科数字影像已成为眼科学的主要数据，这一趋势驱动着眼科影像检索系统的建设，以辅助医生临床决策。近年来，在医学影像领域，以深度卷积网络(CNN)为代表的深度学习算法在眼科影像的疾病分类和病灶分割上获得了优异性能，在提取纹理、颜色、形态等特征上超过传统分类器如支持向量机(SVM)、随机森林(RF)等，加速了眼科影像检索系统的发展。但目前眼科影像的数据集都为分类、分割、检测任务而采集，这些数据集用在检索任务时，只能进行相关性标签的有监督训练，而不能进行相关性水平的有监督训练。
发明内容
本发明提供一种图像压缩方法、装置、服务器及存储介质，以实现便于图像检索以及检索中的相关性水平标注以提高检索质量。
第一方面，本发明实施例提供了一种图像压缩方法，包括：
对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
第二方面，本发明实施例还提供了一种图像压缩装置，包括：
关键点提取模块，用于对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
聚类像素矩阵定义模块，用于对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
图像聚类矩阵生成模块，用于基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
图像压缩矩阵生成模块，用于根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
第三方面，本发明实施例还提供了一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的图像压缩方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的图像压缩方法。
本发明的技术方案通过对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量，解决了在图像检索时图像像素庞大检索不便的问题，达到了便于图像检索以及检索中的相关性水平标注以提高检索质量的效果。
附图说明
图1是本发明实施例一中的图像压缩方法的流程图。
图2是本发明实施例二中的图像压缩方法的流程图。
图3是本发明实施例三中的图像压缩装置的结构示意图。
图4是本发明实施例四中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的图像压缩方法的流程图，本实施例可适用于图像压缩情况，该方法具体包括如下步骤：
S110、对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量。
本实施例中，一张图像的表示可以通过提取图像的关键点来描述，该关键点也可以称为关键点描述子，包括关键点的像素特征向量。本实施例可以通过SIFT算法即尺度不变特征转换(Scale-invariant feature transform，SIFT)算法进行关键点提取。该算法以特征点为中心取16×16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图，最后获得4×4×8的128维关键点描述子。当两张图像的关键点描述子生成以后，下一步就可以采用关键点特征向量的欧式距离来作为两张图像中关键点的相似性判定度量。每张影像的关键点数量不一样，取决于算法对关键点的检测。假设每个关键点有n维，m张影像共提取d个关键点。这样，从m张影像中提取了大小为(d,n)的矩阵，这个矩阵反应这个数据集所有关键点的结构信息，每个关键点用n维表示。通常n非常小，比如128维。这一步将数据集的内在结构信息通过SIFT算法挖掘出来，即把整个数据集的所有关键点(d个)都检测出来，并用描述子表示(n维特征向量)。
S120、对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵。
本实施例中，在对样本图像提取出关键点后，可以获得d个关键点，每个关键点用n为像素表示，则形成大小为(d,n)的矩阵，其反映了m张影像数据集的内在结构信息。由于d也是非常大的数值，匹配计算时所需时间多，则需要对关键点进行聚类，示例性的，可以以坐标系为基准将所有关键点划分为k个簇，可以先设置多个聚类簇中心，根据欧式距离算法计算关键点与各个聚类簇中心的距离来对关键点进行归类划分。K的设置需要根据经验设置，一般来说越大越能保留原始结构信息，但越大性能越低，是一个效率和效果平衡的问题。经过聚类后，大小为(d,n)的关键点矩阵就成为大小为(k,n)的聚类像素矩阵。
S130、基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵。
本实施例中，在对样本图像提取出关键点后，可以获得d个关键点，每个关键点用n为像素表示，如步骤120所述设置多个聚类簇中心，根据计算的关键点和聚类簇中心点的距离将每张影像的关键点归到相应的k个簇中。示例性的，假设影像A，检测到a个关键点，则将这a个关键点分别和k个簇的中心点进行距离计算(都是n维)，距离最小的就将该关键点归于该簇，可获得一个统计向量，如下表：
| 影像\簇 | 1 | 2 | …… | k |
| A | 8 | 0 | 16 |
表中每个簇都对应的数值，表示影像A中有8个关键点属于这个簇。如簇1有8个关键点，簇2则没有关键点，簇k有16个关键点。这样影像A中的a个关键点都分布到不同簇中。
影像通过聚类表示，可以得到大小为(m,k)的图像聚类矩阵，如下表：
| 影像\簇 | 1 | 2 | …… | k |
| 1 | 8 | 0 | …… | 16 |
| 2 | 1 | 9 | …… | 0 |
| …… | 26 | 6 | …… | 3 |
| m | 0 | 78 | …… | 7 |
S140、根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
本实施例中，通过关键点提取和聚类，可以将样本图像的内在结构近似到图像压缩矩阵上，这样每张样本图像都用n维向量来表示。则每个样本图像都以n维的特征向量来表示，可以根据相同步骤对需要检索查询的目标图像进行处理，以获得代表目标图像的n维目标图像的压缩矩阵，即包括以n维特征向量表示的目标图像，可以根据目标图像的特征向量与图像压缩矩阵的特征向量记性距离计算即可获得接近的样本图像并且可以根据距离对与目标图像接近的样本图像进行排序或者标注处理，也可以用于计算影像对的相关性水平以进行检索模型训练以便于评价检索返回结果的质量，相关性就是相似，相关性水平就是反应相似的程度。
本发明实施例的技术方案通过对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量，解决了在图像检索时图像像素庞大检索不便的问题，达到了便于图像检索以及检索中的相关性水平标注以提高检索质量的效果。
实施例二
图2为本发明实施例二提供的图像压缩方法的流程图，本实施例在上述各实施例的基础上进一步优化，该方法具体包括：
S210、对所述m个样本图像进行预处理以转换成m个灰度图像。
本实施例中，如果样本图像是彩色图像的话，就要先将模板图像转化为灰度图像。然后将转化完成后得到的灰度图的分辨率调整为240x320，这样可以避免产生大量的SIFT关键点描述子，这样可以大大的减少匹配的时间。可选的，所述对所述m个样本图像进行预处理以转换成m个灰度图像包括：采用中值滤波法对所述m个样本图像进行去噪处理；将进行去噪处理后的所述m个样本图像由RGB色度空间转换成m个灰度图像。
本实施例中，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。如果样本图像为彩色，则可以将去噪处理后的样本图像由RGB色度空间将彩色的图像转换为灰度图像。
S220、对所述m个灰度图像提取所述关键点。
本实施例中，可以通过SIFT算法即尺度不变特征转换(Scale-invariant featuretransform，SIFT)算法对灰度图像进行关键点提取。该算法以特征点为中心取16×16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图，最后获得4×4×8的128维关键点描述子。可选的，所述对所述m个灰度图像提取所述关键点包括：将所述灰度图像经过高斯函数卷积和降采样获得高斯金字塔图像；将相邻两层的所述高斯金字塔图像相减获得高斯差分图像，并在所述高斯差分图像上检测所述关键点，并根据邻域像素确定所述关键点的主方向，所述主方向为所述关键点基于像素的特征向量的方向。
本实施例中，高斯金字塔是在图像处理、计算机视觉、信号处理上所使用的一项技术。首先构建图像的高斯金字塔，其中高斯金字塔通过样本图像与高斯函数卷积、降采样来获得，然后在高斯差分图像上检测关键点。由于每一个采样点要和它所有的相邻点比较，其中相邻点为和采样点同尺度的8个相邻点和上下相邻尺度对应的9*2个点，共26个。如果比较结果显示为极值点，则该采样点为要检测的关键点。然后通过统计关键点邻域像素的梯度来确定关键点的主方向，该步骤的目的使得SIFT算法具有旋转不变性。最后根据关键点的主方向生成关键点描述子。每个关键点描述子由128维的特征向量组成。
S230、对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵。
本实施例中，本实施例中，在对样本图像提取出关键点后，可以获得d个关键点，每个关键点用n为像素表示，则形成大小为(d,n)的矩阵，其反应了m张影像数据集的内在结构信息。经过聚类后，大小为(d,n)的关键点矩阵就成为大小为(k,n)的聚类像素矩阵。
可选的，所述对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵包括：使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心；通过计算所述关键点与所述聚类簇中心的距离对所述关键点进行归类以生成所述聚类像素矩阵。
本实施例中，Kmeans聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。可选的，所述使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心之后，还包括：将所述多个聚类簇中心作为所述高斯金字塔图像的下一层图像的初始随机中心以重复进行所述Kmeans聚类至聚类收敛。
本实施例中，将样本图像利用高斯金字塔降采样，使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心，再将所述K个簇中心作为下一层图像的初始中心颜色，重新对该层图像进行聚类，选取聚类中心作为再下一层的随机中心直到底层。
S240、基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵。
本实施例中，本实施例中，在对样本图像提取出关键点后，可以获得d个关键点，每个关键点用n为像素表示，如步骤120所述设置多个聚类簇中心，根据计算的关键点和聚类簇中心点的距离将每张影像的关键点归到相应的k个簇中，即可得到大小为(m,k)的图像聚类矩阵。
S250、根据所述聚类像素矩阵和所述图像聚类矩阵通过预设算法生成图像压缩矩阵，所述预设算法包括
Rm,n≈Um,k*Vk,n，
图像压缩矩阵Rm,n，图像聚类矩阵Um,x，聚类像素矩阵Vk,n，k为聚类序号。
本实施例中，预设算法为用于将步骤230和步骤240生成的聚类像素矩阵和图像聚类矩阵反推基于n维的样本图像的原始矩阵的近似矩阵。该预设算法基于奇异值分解(Singular Value Decomposition,SVD)，针对高维空间中的数据集，矩阵分解通过寻找到一组基及每一个数据点在该基向量下的表示，可对原始高维空间中的数据集进行压缩表示。
本发明实施例的技术方案通过对所述m个样本图像进行预处理以转换成m个灰度图像；对所述m个灰度图像提取所述关键点；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵通过预设算法生成图像压缩矩阵，解决了如何对图像进行压缩表示的问题，达到了提高图像检索效率及方便图像相关性水平标注的效果。
实施例三
图3所示为本发明实施例三提供的图像压缩装置300的结构示意图，本实施例可适用于图像压缩情况，具体结构如下：
关键点提取模块310，用于对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
聚类像素矩阵定义模块320，用于对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
图像聚类矩阵生成模块330，用于基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
图像压缩矩阵生成模块340，用于根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
可选的，关键点提取模块310包括灰度图像转换单元和关键点提取单元，
灰度图像转换单元用于对所述m个样本图像进行预处理以转换成m个灰度图像；
关键点提取单元用于对所述m个灰度图像提取所述关键点。
可选的，灰度图像转换单元包括图像去噪子单元和灰度图像转换子单元，
图像去噪子单元用于采用中值滤波法对所述m个样本图像进行去噪处理；
灰度图像转换子单元将进行去噪处理后的所述m个样本图像由RGB色度空间转换成m个灰度图像。
可选的，关键点提取单元包括高斯金字塔生成子单元和向量方向确定子单元，
高斯金字塔生成子单元用于将所述灰度图像经过高斯函数卷积和降采样获得高斯金字塔图像；
向量方向确定子单元用于将相邻两层的所述高斯金字塔图像相减获得高斯差分图像，并在所述高斯差分图像上检测所述关键点，并根据邻域像素确定所述关键点的主方向，所述主方向为所述关键点基于像素的特征向量的方向。
可选的，聚类像素矩阵定义模块320包括聚类簇中心确定单元和聚类像素矩阵生成单元，
聚类簇中心确定单元用于使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心；
聚类像素矩阵生成单元用于通过计算所述关键点与所述聚类簇中心的距离对所述关键点进行归类以生成所述聚类像素矩阵。
可选的，聚类像素矩阵定义模块320还包括聚类收敛单元，用于将所述多个聚类簇中心作为所述高斯金字塔图像的下一层图像的初始随机中心以重复进行所述Kmeans聚类至聚类收敛。
可选的，图像压缩矩阵生成模块340包括根据所述聚类像素矩阵和所述图像聚类矩阵通过预设算法生成图像压缩矩阵，所述预设算法包括
Rm,n≈Um,k*Vk,n，
图像压缩矩阵Rm,n，图像聚类矩阵Um,k，聚类像素矩阵Vk,n，k为聚类序号。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器412的框图。图4显示的服务器412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，服务器412以通用服务器的形式表现。服务器412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(VideoElectronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。终端412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
服务器412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该服务器412交互的终端通信，和/或与使得该服务器412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，服务器412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与服务器412的其它模块通信。应当明白，尽管图中未示出，可以结合服务器412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种图像压缩方法，该方法可以包括：
对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的一种图像压缩方法，该方法可以包括：
对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种图像压缩方法，其特征在于，包括：
对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量；
所述对m个样本图像提取多个关键点包括：
对所述m个样本图像进行预处理以转换成m个灰度图像；
对所述m个灰度图像提取所述关键点；
所述对所述m个灰度图像提取所述关键点包括：
将所述灰度图像经过高斯函数卷积和降采样获得高斯金字塔图像；
将相邻两层的所述高斯金字塔图像相减获得高斯差分图像，并在所述高斯差分图像上检测所述关键点，并根据邻域像素确定所述关键点的主方向，所述主方向为所述关键点基于像素的特征向量的方向。
2.根据权利要求1所述的图像压缩方法，其特征在于，所述对所述m个样本图像进行预处理以转换成m个灰度图像包括：
采用中值滤波法对所述m个样本图像进行去噪处理；
将进行去噪处理后的所述m个样本图像由RGB色度空间转换成m个灰度图像。
3.根据权利要求1所述的图像压缩方法，其特征在于，所述对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵包括：
使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心；
通过计算所述关键点与所述聚类簇中心的距离对所述关键点进行归类以生成所述聚类像素矩阵。
4.根据权利要求3所述的图像压缩方法，其特征在于，所述使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心之后，还包括：
将所述多个聚类簇中心作为所述高斯金字塔图像的下一层图像的初始随机中心以重复进行所述Kmeans聚类至聚类收敛。
5.根据权利要求1所述的图像压缩方法，其特征在于，所述根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像包括：
根据所述聚类像素矩阵和所述图像聚类矩阵通过预设算法生成图像压缩矩阵，所述预设算法包括
Rm,n≤Um,k*Vk,n，
图像压缩矩阵Rm,n，图像聚类矩阵Um,k，聚类像素矩阵Vk,n，k为聚类序号。
6.一种图像压缩装置，其特征在于，包括：
关键点提取模块，用于对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
聚类像素矩阵定义模块，用于对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
图像聚类矩阵生成模块，用于基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
图像压缩矩阵生成模块，用于根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量；
所述关键点提取模块包括灰度图像转换单元和关键点提取单元；
所述灰度图像转换单元，用于对所述m个样本图像进行预处理以转换成m个灰度图像；
所述关键点提取单元，用于对所述m个灰度图像提取所述关键点；
所述关键点提取单元包括高斯金字塔生成子单元和向量方向确定子单元；
所述高斯金字塔生成子单元，用于将所述灰度图像经过高斯函数卷积和降采样获得高斯金字塔图像；
所述向量方向确定子单元，用于将相邻两层的所述高斯金字塔图像相减获得高斯差分图像，并在所述高斯差分图像上检测所述关键点，并根据邻域像素确定所述关键点的主方向，所述主方向为所述关键点基于像素的特征向量的方向。
7.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的图像压缩方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的图像压缩方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010180941.3A CN111400528B (zh) | 2020-03-16 | 2020-03-16 | 一种图像压缩方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010180941.3A CN111400528B (zh) | 2020-03-16 | 2020-03-16 | 一种图像压缩方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111400528A CN111400528A (zh) | 2020-07-10 |
| CN111400528B true CN111400528B (zh) | 2023-09-01 |
Family
ID=71434976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010180941.3A Active CN111400528B (zh) | 2020-03-16 | 2020-03-16 | 一种图像压缩方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400528B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016621B (zh) * | 2020-08-28 | 2023-11-24 | 上海应帆数字科技有限公司 | 分类模型的训练方法、颜色的分类方法及电子设备 |
| CN113095397A (zh) * | 2021-04-03 | 2021-07-09 | 国家计算机网络与信息安全管理中心 | 一种基于层次聚类法的图像数据压缩方法 |
| CN116796021B (zh) * | 2023-08-28 | 2023-12-05 | 上海任意门科技有限公司 | 图像检索方法、系统、电子设备和介质 |
| CN117576493B (zh) * | 2024-01-16 | 2024-04-02 | 武汉明炀大数据科技有限公司 | 一种大样本数据的云存储压缩方法及系统 |
| CN117911546A (zh) * | 2024-01-17 | 2024-04-19 | 深圳信息职业技术学院 | 一种基于图像数据分析的图像压缩方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101577824A (zh) * | 2009-06-12 | 2009-11-11 | 西安理工大学 | 基于邻近i帧dc图像相似度的压缩域关键帧提取方法 |
| CN103065153A (zh) * | 2012-12-17 | 2013-04-24 | 西南科技大学 | 一种基于色彩量化和聚类的视频关键帧提取方法 |
| CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
| CN108921130A (zh) * | 2018-07-26 | 2018-11-30 | 聊城大学 | 基于显著性区域的视频关键帧提取方法 |
-
2020
- 2020-03-16 CN CN202010180941.3A patent/CN111400528B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101577824A (zh) * | 2009-06-12 | 2009-11-11 | 西安理工大学 | 基于邻近i帧dc图像相似度的压缩域关键帧提取方法 |
| CN103065153A (zh) * | 2012-12-17 | 2013-04-24 | 西南科技大学 | 一种基于色彩量化和聚类的视频关键帧提取方法 |
| CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
| CN108921130A (zh) * | 2018-07-26 | 2018-11-30 | 聊城大学 | 基于显著性区域的视频关键帧提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111400528A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400528B (zh) | 一种图像压缩方法、装置、服务器及存储介质 | |
| US7406200B1 (en) | Method and system for finding structures in multi-dimensional spaces using image-guided clustering | |
| Di Cataldo et al. | Subclass discriminant analysis of morphological and textural features for hep-2 staining pattern classification | |
| CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
| CN112488123B (zh) | 一种基于细化局部模式的纹理图像分类方法及系统 | |
| CN112926592B (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
| CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN114255381B (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
| WO2020247494A1 (en) | Cross-matching contactless fingerprints against legacy contact-based fingerprints | |
| CN111178254A (zh) | 一种签名识别方法及设备 | |
| CN111597875A (zh) | 一种交通标志识别方法、装置、设备及存储介质 | |
| CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
| Hameed et al. | Content based image retrieval based on feature fusion and support vector machine | |
| Jubair et al. | A simplified method for handwritten character recognition from document image | |
| CN113537158B (zh) | 一种图像目标检测方法、装置、设备及存储介质 | |
| CN113177479B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN111709312B (zh) | 一种基于联合主模式的局部特征人脸识别方法 | |
| CN114387489A (zh) | 电力设备识别方法、装置和终端设备 | |
| CN113763313A (zh) | 文本图像的质量检测方法、装置、介质及电子设备 | |
| Li et al. | A pre-training strategy for convolutional neural network applied to Chinese digital gesture recognition | |
| CN113032622A (zh) | 一种新型医学视频图像采集和数据管理系统 | |
| CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
| CN113095185A (zh) | 人脸表情识别方法、装置、设备及存储介质 | |
| Eko | Bonferroni Mean Fuzzy K-Nearest Neighbors Based Handwritten Chinese Character Recognition | |
| CN108334850A (zh) | 一种智能交互系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |