CN112184843B - 图像数据压缩的冗余数据去除系统及方法 - Google Patents
图像数据压缩的冗余数据去除系统及方法 Download PDFInfo
- Publication number
- CN112184843B CN112184843B CN202011239740.2A CN202011239740A CN112184843B CN 112184843 B CN112184843 B CN 112184843B CN 202011239740 A CN202011239740 A CN 202011239740A CN 112184843 B CN112184843 B CN 112184843B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- compression
- original
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及图像压缩技术领域,具体涉及图像数据压缩的冗余数据去除系统及方法。所述系统包括:图像分割单元,配置用于将原始图像按照均匀等分成9份,得到9个子原始图像;图像特征分析单元,配置用于对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;空间映射单元,配置用于将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间。其将图像数据进行空间映射转换,再比对目标空间的特征,以获得图像数据中冗余的部分,进而实现图像数据压缩的冗余数据去除,具有冗余数据去除率高和效率高的优点。
Description
技术领域
本发明属于图像压缩技术领域,具体涉及图像数据压缩的冗余数据去除系统及方法。
背景技术
图像压缩即去除多余数据,以数学的观点来看,这一过程实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合
数字相机、装配有相机的移动电话和手持式设备以及其他便利的图像捕捉设备的广泛可用性已导致被定期地上载到各种基于web的图像应用上的大量图像。诸如这些的应用凸显出对提高了效率、质量和灵活性的图像压缩技术的持续需求。
便携式网络图形(PNG)格式是用于在诸如因特网的网络上存储并传送图像的频繁使用的格式。也在因特网环境中频繁地使用其他图像格式,诸如图形交换格式(GIF)、标记图像文件格式(TIFF)和联合图像专家组(JPEG)。PNG和GIF被认为是无损压缩方法,而JPEG是有损压缩方法。TIFF可以有时使用有损或无损压缩。这些技术中的每一个在图像压缩时提供了许多益处。然而,这些技术中的每一个在效率、质量或灵活性方面具有弱点。
专利号为CN201610127676.6A的专利公开了一种图像压缩系统、解压缩系统、训练方法和装置、显示装置,该图像压缩系统中,采用卷积神经网络模块完成更新和预测的过程,这样通过对卷积神经网络模块中的各个滤波器单元中的权值进行训练即可使得相应的图像压缩系统具有较佳的压缩率,降低了图像压缩单元及图像解压缩单元中滤波参数设定的难度。
其利用卷积神经网络进行压缩,但其压缩后冗余数据的去除比率依然较低。
发明内容
有鉴于此,本发明的主要目的在于提供图像数据压缩的冗余数据去除系统及方法,其将图像数据进行空间映射转换,再比对目标空间的特征,以获得图像数据中冗余的部分,进而实现图像数据压缩的冗余数据去除,具有冗余数据去除率高和效率高的优点。
为达到上述目的,本发明的技术方案是这样实现的:
图像数据压缩的冗余数据去除系统,所述系统包括:图像分割单元,配置用于将原始图像按照均匀等分成9份,得到9个子原始图像;图像特征分析单元,配置用于对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;空间映射单元,配置用于将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;冗余处理单元,配置用于比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;图像压缩单元,对剩下的所有的子原始图像进行压缩,完成图像数据的压缩。
进一步的,所述图像特征分析单元包括:配对单元,对子原始图像进行配对,获得配对后的图像;子图像构建单元,用于对所述配对后的图像构建多个结构化子图像;视觉特征提取单元,用于采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;融合单元,用于将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;运算单元,用于采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
进一步的,所述空间映射单元将每一份子原始图像的特征进行空间映射的方法包括:将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 其中,sim(dj,dk)为映射到目标空间的结果,为子原始图像的特征,wji为矩阵行值,|dj|为对应的矩阵行列式的值;为定向特征空间群,wki为矩阵行值,|dk|为对应的矩阵行列式的值。
进一步的,所述图像压缩单元包括:第一图像分离单元,配置用于基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;颜色决定单元,配置用于将上述可逆压缩用图像进一步分离时所用的颜色信息;第二图像分离单元,配置用于将上述第一图像分离单元所分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;以及图像压缩单元,配置用于对上述第一图像分离单元所分离的不可逆压缩用图像、上述第二图像分离单元所分离的第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
进一步的,所述第一图像分离单元按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
基于图像数据压缩的冗余数据去除方法,所述方法执行以下步骤:步骤1:将原始图像按照均匀等分成9份,得到9个子原始图像;步骤2:对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;步骤3:将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;步骤4:比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;步骤5:对剩下的所有的子原始图像进行压缩,完成图像数据的压缩。
进一步的,所述步骤2包括:步骤2.1:对子原始图像进行配对,获得配对后的图像;步骤2.2:对所述配对后的图像构建多个结构化子图像;步骤2.3:采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;步骤2.4:将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;步骤2.5:采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
进一步的,所述步骤3中:空间映射单元将每一份子原始图像的特征进行空间映射的方法包括:将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 其中,sim(dj,dk)为映射到目标空间的结果,为子原始图像的特征,wji为矩阵行值,|dj|为对应的矩阵行列式的值;为定向特征空间群,wki为矩阵行值,|dk|为对应的矩阵行列式的值。
进一步的,所述步骤5包括:步骤5.1:基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;步骤5.2:将上述可逆压缩用图像进一步分离时所用的颜色信息;步骤5.3:分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;步骤5.4:对分离的不可逆压缩用图像、第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
进一步的,所述步骤5.1还包括:按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
本发明的图像数据压缩的冗余数据去除系统及方法,具有如下有益效果:其将图像数据进行空间映射转换,再比对目标空间的特征,以获得图像数据中冗余的部分,进而实现图像数据压缩的冗余数据去除,具有冗余数据去除率高和效率高的优点。主要通过以下过程实现:1.图像的特征分析,本发明通过对图像的特征分析,来进行图像相似度的比对,这种比对过程相较于现有技术的直接对两幅图像进行比对,其效率更高;2.特征的空间映射,进一步的,本发明通过将特征从特征空间映射到目标空间,来发现图像更深层的相似度比对,因为单从图像中提取特征,其特征变化将会比较显著,只要图像中有些许的不同,其特征将会不同,这样会导致尽管两幅图像的相似度很高,但通过特征比对难以发现,本发明特征映射后,可以排除干扰,更能发现两幅图像的相似性;3.空间映射算法:本发明的空间映射算法,将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射:该算法相较于现有算法,首先将子原始图像转换为矩阵,空间映射的效率更高,空间映射后的特征也更容易暴露出图像的更深层的特征。
附图说明
图1为本发明实施例提供的图像数据压缩的冗余数据去除系统的系统结构示意图;
图2为本发明实施例提供的图像数据压缩的冗余数据去除方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示,图像数据压缩的冗余数据去除系统,所述系统包括:图像分割单元,配置用于将原始图像按照均匀等分成9份,得到9个子原始图像;图像特征分析单元,配置用于对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;空间映射单元,配置用于将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;冗余处理单元,配置用于比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;图像压缩单元,对剩下的所有的子原始图像进行压缩,完成图像数据的压缩。
采用上述技术方案,本发明将图像数据进行空间映射转换,再比对目标空间的特征,以获得图像数据中冗余的部分,进而实现图像数据压缩的冗余数据去除,具有冗余数据去除率高和效率高的优点。主要通过以下过程实现:1.图像的特征分析,本发明通过对图像的特征分析,来进行图像相似度的比对,这种比对过程相较于现有技术的直接对两幅图像进行比对,其效率更高;2.特征的空间映射,进一步的,本发明通过将特征从特征空间映射到目标空间,来发现图像更深层的相似度比对,因为单从图像中提取特征,其特征变化将会比较显著,只要图像中有些许的不同,其特征将会不同,这样会导致尽管两幅图像的相似度很高,但通过特征比对难以发现,本发明特征映射后,可以排除干扰,更能发现两幅图像的相似性;3.空间映射算法:本发明的空间映射算法,将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 该算法相较于现有算法,首先将子原始图像转换为矩阵,空间映射的效率更高,空间映射后的特征也更容易暴露出图像的更深层的特征。
实施例2
在上一实施例的基础上,所述图像特征分析单元包括:配对单元,对子原始图像进行配对,获得配对后的图像;子图像构建单元,用于对所述配对后的图像构建多个结构化子图像;视觉特征提取单元,用于采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;融合单元,用于将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;运算单元,用于采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
采用上述技术方案,在机器学习、模式识别和图像处理中,特征提取从初始的一组测量数据开始,并建立旨在提供信息和非冗余的派生值(特征),从而促进后续的学习和泛化步骤,并且在某些情况下带来更好的可解释性。特征提取与降维有关。特征的好坏对泛化能力有至关重要的影响。
特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。
特征提取和特征选择都是从原始特征中找出最有效(同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性)的特征
特征提取:将原始特征转换为一组具有明显物理意义(Gabor、几何特征[角点、不变量]、纹理[LBP HOG])或者统计意义或核的特征
特征选择:从特征集合中挑选一组最具统计意义的特征,达到降维。
实施例3
在上一实施例的基础上,所述空间映射单元将每一份子原始图像的特征进行空间映射的方法包括:将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 其中,sim(dj,dk)为映射到目标空间的结果,为子原始图像的特征,wji为矩阵行值,|dj|为对应的矩阵行列式的值;为定向特征空间群,wki为矩阵行值,|dk|为对应的矩阵行列式的值。
具体的,本发明通过对图像的特征分析,来进行图像相似度的比对,这种比对过程相较于现有技术的直接对两幅图像进行比对,其效率更高。
实施例4
在上一实施例的基础上,所述图像压缩单元包括:第一图像分离单元,配置用于基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;颜色决定单元,配置用于将上述可逆压缩用图像进一步分离时所用的颜色信息;第二图像分离单元,配置用于将上述第一图像分离单元所分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;以及图像压缩单元,配置用于对上述第一图像分离单元所分离的不可逆压缩用图像、上述第二图像分离单元所分离的第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
实施例5
在上一实施例的基础上,所述第一图像分离单元按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
实施例6
基于图像数据压缩的冗余数据去除方法,所述方法执行以下步骤:步骤1:将原始图像按照均匀等分成9份,得到9个子原始图像;步骤2:对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;步骤3:将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;步骤4:比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;步骤5:对剩下的所有的子原始图像进行压缩,完成图像数据的压缩。
具体的,本发明将图像数据进行空间映射转换,再比对目标空间的特征,以获得图像数据中冗余的部分,进而实现图像数据压缩的冗余数据去除,具有冗余数据去除率高和效率高的优点。
实施例7
在上一实施例的基础上,所述步骤2包括:步骤2.1:对子原始图像进行配对,获得配对后的图像;步骤2.2:对所述配对后的图像构建多个结构化子图像;步骤2.3:采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;步骤2.4:将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;步骤2.5:采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
具体的,本发明通过对图像的特征分析,来进行图像相似度的比对,这种比对过程相较于现有技术的直接对两幅图像进行比对,其效率更高;本发明通过将特征从特征空间映射到目标空间,来发现图像更深层的相似度比对,因为单从图像中提取特征,其特征变化将会比较显著,只要图像中有些许的不同,其特征将会不同,这样会导致尽管两幅图像的相似度很高,但通过特征比对难以发现,本发明特征映射后,可以排除干扰,更能发现两幅图像的相似性。
实施例8
在上一实施例的基础上,所述步骤3中:空间映射单元将每一份子原始图像的特征进行空间映射的方法包括:将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 其中,sim(dj,dk)为映射到目标空间的结果,为子原始图像的特征,wji为矩阵行值,|dj|为对应的矩阵行列式的值;为定向特征空间群,wki为矩阵行值,|dk|为对应的矩阵行列式的值。
具体的,本发明的空间映射算法,将子原始图像的特征转换为一个矩阵;将子原始图像的特征的矩阵使用如下公式,进行空间映射: 该算法相较于现有算法,首先将子原始图像转换为矩阵,空间映射的效率更高,空间映射后的特征也更容易暴露出图像的更深层的特征。
实施例9
在上一实施例的基础上,所述步骤5包括:步骤5.1:基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;步骤5.2:将上述可逆压缩用图像进一步分离时所用的颜色信息;步骤5.3:分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;步骤5.4:对分离的不可逆压缩用图像、第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
实施例10
在上一实施例的基础上,所述步骤5.1还包括:按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能单元的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能单元来完成,即将本发明实施例中的单元或者步骤再分解或者组合,例如,上述实施例的单元可以合并为一个单元,也可以进一步拆分成多个子单元,以完成以上描述的全单元或者单元功能。对于本发明实施例中涉及的单元、步骤的名称,仅仅是为了区分各个单元或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的单元、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一单元分”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术标记作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (9)
1.图像数据压缩的冗余数据去除系统,其特征在于,所述系统包括:图像分割单元,配置用于将原始图像按照均匀等分成9份,得到9个子原始图像;图像特征分析单元,配置用于对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;空间映射单元,配置用于将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;冗余处理单元,配置用于比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;图像压缩单元,对剩下的所有的子原始图像进行压缩,完成图像数据的压缩;所述图像压缩单元包括:第一图像分离单元,配置用于基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;颜色决定单元,配置用于将上述可逆压缩用图像进一步分离时所用的颜色信息;第二图像分离单元,配置用于将上述第一图像分离单元所分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;以及图像压缩单元,配置用于对上述第一图像分离单元所分离的不可逆压缩用图像、上述第二图像分离单元所分离的第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
2.如权利要求1所述的系统,其特征在于,所述图像特征分析单元包括:配对单元,对子原始图像进行配对,获得配对后的图像;子图像构建单元,用于对所述配对后的图像构建多个结构化子图像;视觉特征提取单元,用于采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;融合单元,用于将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;运算单元,用于采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
4.如权利要求1所述的系统,其特征在于,所述第一图像分离单元按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
5.基于权利要求1至4之一所述系统的图像数据压缩的冗余数据去除方法,其特征在于,所述方法执行以下步骤:步骤1:将原始图像按照均匀等分成9份,得到9个子原始图像;步骤2:对每一份子原始图像进行特征分析,得到每一份子原始图像的特征,该特征所在的位置为特征空间;步骤3:将每一份子原始图像的特征进行空间映射,即将特征空间所在的特征映射到目标空间;步骤4:比对目标空间中的特征的相似度,将相似度高于设定的阈值的特征对应的子原始图像进行同一类别标记,标记完成后,针对同一类别标记下的子原始图像只保留一个;步骤5:对剩下的所有的子原始图像进行压缩,完成图像数据的压缩。
6.如权利要求5所述的方法,其特征在于,所述步骤2包括:步骤2.1:对子原始图像进行配对,获得配对后的图像;步骤2.2:对所述配对后的图像构建多个结构化子图像;步骤2.3:采用多模型训练获得的特征模型提取每个所述结构化子图像的视觉特征;步骤2.4:将所述多个结构化子图像的视觉特征进行结构化融合,获得结构化特征数据;步骤2.5:采用结构化模型训练得到的模型,对所述结构化特征数据进行运算,获得子原始图像的特征。
8.如权利要求7所述的方法,其特征在于,所述步骤5包括:步骤5.1:基于像素属性信息将子原始图像分离成施行可逆压缩的可逆压缩用图像以及施行不可逆压缩的不可逆压缩用图像,该像素属性信息表示构成子原始图像的像素分别属于包含字符区域以及照片区域的多个区域中的哪个区域;步骤5.2:将上述可逆压缩用图像进一步分离时所用的颜色信息;步骤5.3:分离的可逆压缩用图像分离成包含上述颜色决定单元所决定的颜色信息的第一可逆压缩用图像、以及除该第一可逆压缩用图像外的一个或多个第二可逆压缩用图像;步骤5.4:对分离的不可逆压缩用图像、第一可逆压缩用图像以及第二可逆压缩用图像分别进行不同的压缩处理。
9.如权利要求8所述的方法,其特征在于,所述步骤5.1还包括:按照预先设定的条件将子原始图像分离成可逆压缩用图像以及不可逆压缩用图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011239740.2A CN112184843B (zh) | 2020-11-09 | 2020-11-09 | 图像数据压缩的冗余数据去除系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011239740.2A CN112184843B (zh) | 2020-11-09 | 2020-11-09 | 图像数据压缩的冗余数据去除系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184843A CN112184843A (zh) | 2021-01-05 |
CN112184843B true CN112184843B (zh) | 2021-06-29 |
Family
ID=73916524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011239740.2A Active CN112184843B (zh) | 2020-11-09 | 2020-11-09 | 图像数据压缩的冗余数据去除系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184843B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860986B (zh) * | 2022-07-06 | 2022-10-11 | 西安工业大学 | 一种计算机非结构化数据存储方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN103871088A (zh) * | 2014-04-08 | 2014-06-18 | 武汉大学 | 基于图像稀疏特征的空间统计数据分块压缩方法及系统 |
CN106791836A (zh) * | 2016-12-02 | 2017-05-31 | 深圳市唯特视科技有限公司 | 一种基于一对多网络的减少图像压缩效应的方法 |
CN108632625A (zh) * | 2017-03-21 | 2018-10-09 | 华为技术有限公司 | 一种视频编码方法、视频解码方法和相关设备 |
CN110120019A (zh) * | 2019-04-26 | 2019-08-13 | 电子科技大学 | 一种基于特征增强的残差神经网络及图像去块效应方法 |
US10491924B2 (en) * | 2016-12-21 | 2019-11-26 | Apical Limited | Encoding and decoding of image data |
CN110971904A (zh) * | 2018-10-15 | 2020-04-07 | 新相微电子(上海)有限公司 | 一种图像压缩的控制方法 |
CN111581298A (zh) * | 2020-04-29 | 2020-08-25 | 北华航天工业学院 | 大数据仓库的异构数据整合系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485186B (zh) * | 2015-08-26 | 2020-02-18 | 阿里巴巴集团控股有限公司 | 图像特征提取方法、装置、终端设备及系统 |
-
2020
- 2020-11-09 CN CN202011239740.2A patent/CN112184843B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102413328A (zh) * | 2011-11-11 | 2012-04-11 | 中国科学院深圳先进技术研究院 | Jpeg图像双重压缩检测方法及系统 |
CN103871088A (zh) * | 2014-04-08 | 2014-06-18 | 武汉大学 | 基于图像稀疏特征的空间统计数据分块压缩方法及系统 |
CN106791836A (zh) * | 2016-12-02 | 2017-05-31 | 深圳市唯特视科技有限公司 | 一种基于一对多网络的减少图像压缩效应的方法 |
US10491924B2 (en) * | 2016-12-21 | 2019-11-26 | Apical Limited | Encoding and decoding of image data |
CN108632625A (zh) * | 2017-03-21 | 2018-10-09 | 华为技术有限公司 | 一种视频编码方法、视频解码方法和相关设备 |
CN110971904A (zh) * | 2018-10-15 | 2020-04-07 | 新相微电子(上海)有限公司 | 一种图像压缩的控制方法 |
CN110120019A (zh) * | 2019-04-26 | 2019-08-13 | 电子科技大学 | 一种基于特征增强的残差神经网络及图像去块效应方法 |
CN111581298A (zh) * | 2020-04-29 | 2020-08-25 | 北华航天工业学院 | 大数据仓库的异构数据整合系统及方法 |
Non-Patent Citations (2)
Title |
---|
Structural similarity metrics for texture analysis and retrieval;Zujovic J 等;《IEEE International Conference on Image Processing》;20091231;第2225-2228页 * |
图像压缩着色技术研究与验证;陈琛;《中国优秀硕士学位论文全文数据库信息科技辑》;20180831;I138-805 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184843A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103026368B (zh) | 使用增量特征提取的对象辨识 | |
EP2676224B1 (en) | Image quality assessment | |
US9684941B2 (en) | Determining pose for use with digital watermarking, fingerprinting and augmented reality | |
US9349072B2 (en) | Local feature based image compression | |
CN110781911B (zh) | 一种图像匹配方法、装置、设备及存储介质 | |
JP5997545B2 (ja) | 信号処理方法及び信号処理装置 | |
CN111310731A (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
CN106408037B (zh) | 图像识别方法及装置 | |
CN112437926B (zh) | 使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取 | |
Gueguen et al. | Toward a generalizable image representation for large-scale change detection: Application to generic damage analysis | |
CN105550641B (zh) | 基于多尺度线性差分纹理特征的年龄估计方法和系统 | |
CN107766864B (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
AU2017201281A1 (en) | Identifying matching images | |
CN111104813A (zh) | 二维码图像关键点检测方法、装置、电子设备及存储介质 | |
CN110796100A (zh) | 步态识别方法、装置、终端及存储装置 | |
Priyankara et al. | Computer assisted plant identification system for Android | |
CN112380978A (zh) | 基于关键点定位的多人脸检测方法、系统及存储介质 | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及系统 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN112184843B (zh) | 图像数据压缩的冗余数据去除系统及方法 | |
CN113963295A (zh) | 视频片段中地标识别方法、装置、设备及存储介质 | |
CN108133205B (zh) | 复制图像中文本内容的方法及装置 | |
CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN116994024A (zh) | 集装箱图像中的部件识别方法、装置、设备、介质及产品 |
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 | ||
CP03 | Change of name, title or address |
Address after: 200233 floor 7, building 31, No. 680, Guiping Road, Xuhui District, Shanghai Patentee after: Shanghai Xinxiang Microelectronics Co., Ltd Address before: Room 517, 5 / F, Venture Center building, 680 Guiping Road, Caohejing New Technology Development Zone, Xuhui District, Shanghai, 200233 Patentee before: Xinxiang Microelectronics (Shanghai) Co., Ltd |
|
CP03 | Change of name, title or address |