CN112861040A - 用于网络图的图像处理方法、图像处理装置和电子设备 - Google Patents
用于网络图的图像处理方法、图像处理装置和电子设备 Download PDFInfo
- Publication number
- CN112861040A CN112861040A CN201911183623.6A CN201911183623A CN112861040A CN 112861040 A CN112861040 A CN 112861040A CN 201911183623 A CN201911183623 A CN 201911183623A CN 112861040 A CN112861040 A CN 112861040A
- Authority
- CN
- China
- Prior art keywords
- image processing
- target transformation
- coefficient
- pid controller
- network
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 53
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 90
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013519 translation Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 25
- 230000010354 integration Effects 0.000 claims description 19
- 238000003012 network analysis Methods 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000630 rising effect Effects 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009191 jumping Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001824 photoionisation detection Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000003028 Stuttering Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种用于网络图的图像处理方法、图像处理装置和电子设备。该方法，包括：对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；基于所述目标变换参数，生成PID控制器；基于所述PID控制器，更新所述网络图的目标变换参数；以及，响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。这样，基于PID控制理论对网络图进行图像变换处理，以使得图像变换更为平滑。
Description
技术领域
本申请涉及图像处理领域，且更为具体地涉及一种用于网络图的图像处理方法、图像处理装置和电子设备。
背景技术
近年来，大数据、人工智能和计算技术蓬勃发展。例如，作为上述技术应用之一的社交网络分析已非常成熟，并且已经被广泛应用于社交人物影响力计算、好友和商品推荐、社交圈子分析等领域。近几年，社交网络分析算法的应用不断拓展，已经开始应用于各种金融和保险等反欺诈领域，且效果良好。
在诸如社交网络分析之类的网络分析技术中，网络图作为一种图解模型得以广泛应用。例如，在反欺诈领域，在利用社交网络分析进行社区分析时，派系图(网络图)能够反应诸多有价值的信息。这种图的背后通常是多人协作的团伙作案，其两两互通表示两两认识，背后的目的多为相互勾结，伪造信息以达到金融借贷审核要求，且这类社群多有内外勾结的情况，需要重点关注。
但是，在网络图展示过程中，随着网络中所关联节点的增多，图像的展示和变换操作会变得凌乱和卡顿，影响用户体验。
因此，需要一种新的用于网络图的图像处理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于网络图的图像处理方法、图像处理装置和电子设备，其基于PID控制理论对网络图进行图像变换处理，以使得图像变换更为平滑，避免出现卡顿和跳动等不良现象。
根据本申请的一方面，提供了一种用于网络图的图像处理方法，其包括：
对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；
基于所述目标变换参数，生成PID控制器；
基于所述PID控制器，更新所述网络图的目标变换参数；以及
响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。
在上述图像处理方法中，对获取的网络图进行处理，以生成所述网络图的目标变换参数，包括：基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数。
在上述图像处理方法中，基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数，包括：确定所述网络图的中心点；基于所述中心点确定其他节点与所述中心点的相对位置关系；以及，基于所述中心点和其他节点与所述中心点的相对位置关系，确定所述网络图的目标变换参数。
在上述图像处理方法中，所述平移参数包括所述网络图的中心点和其他节点在X轴上的坐标和在Y轴上的坐标。
在上述图像处理方法中，基于所述目标变换参数，生成PID控制器，包括：基于所述目标变换参数，确定所述PI控制器的初始比例系数和初始积分系数；基于PI控制器的调节结果，确定所述PID控制器的初始微分系数；以及，基于PID控制器的调节结果，确定所述PID控制器的比例系数、积分系数和微分系数。
在上述图像处理方法中，所述PI控制器的初始比例系数不超过第一预设阈值，初始积分系数不低于第二预设阈值。
在上述图像处理方法中，基于PI控制器的调节结果，确定所述PID控制器的初始微分系数，包括：响应于跃阶响应的超调量超过第三预设阈值，减小所述比例系数和增大积分系数；响应于跃阶响应没有超调量且被控量上升速率低于第四预设阈值且过渡过程时间超过第五预设阈值，增大所述比例系数和减小所述积分系数；响应于消除误差的速度低于第六阈值，增大积分系数；以及，响应于在调节比例系数和积分系数达到预设次数后超调量仍超过第七预设阈值，确定所述PID控制器的初始微分系数。
在上述图像处理方法中，所述网络图为用于展示社会网络分析结果的网络图。
在上述图像处理方法中，所述PID控制器的比例系数为0.35、积分系数为0.002，以及，微分系数为0.05。
根据本申请的另一方面，提供了一种图像处理装置，其包括：
目标参数获取单元，用于对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；
控制器生成单元，用于基于所述目标变换参数，生成PID控制器；
更新单元，用于基于所述PID控制器，更新所述网络图的目标变换参数；以及
停止单元，响应于所述PID控制器确定误差的极限值在预设范围内，停止更新所述网络图的目标变换参数。
在上述图像处理装置中，所述目标参数获取单元，进一步用于：基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数。
在上述图像处理装置中，所述目标参数获取单元，进一步用于：确定所述网络图的中心点；基于所述中心点确定其他节点与所述中心点的相对位置关系；以及，基于所述中心点和其他节点与所述中心点的相对位置关系，确定所述网络图的目标变换参数。
在上述图像处理装置中，所述平移参数包括所述网络图的中心点和其他节点在X轴上的坐标和在Y轴上的坐标。
在上述图像处理装置中，所述控制生成单元，进一步用于：基于所述目标变换参数，确定所述PI控制器的初始比例系数和初始积分系数；基于PI控制器的调节结果，确定所述PID控制器的初始微分系数；以及，基于PID控制器的调节结果，确定所述PID控制器的比例系数、积分系数和微分系数。
在上述图像处理装置中，所述PI控制器的初始比例系数不超过第一预设阈值，初始积分系数不低于第二预设阈值。
在上述图像处理装置中，所述控制生成单元，进一步用于：响应于跃阶响应的超调量超过第三预设阈值，减小所述比例系数和增大积分系数；响应于跃阶响应没有超调量且被控量上升速率低于第四预设阈值且过渡过程时间超过第五预设阈值，增大所述比例系数和减小所述积分系数；响应于消除误差的速度低于第六阈值，增大积分系数；以及，响应于在调节比例系数和积分系数达到预设次数后超调量仍超过第七预设阈值，确定所述PID控制器的初始微分系数。
在上述图像处理装置中，所述网络图为用于展示社会网络分析结果的网络图。
在上述图像处理装置中，所述PID控制器的比例系数为0.35、积分系数为0.002，以及，微分系数为0.05。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的图像处理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的图像处理方法。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的图像处理方法的流程图。
图2图示了根据本申请实施例的PID控制器的示意图。
图3图示了根据本申请实施例的不同比例系数下受控变数对时间的变化示意图。
图4图示了根据本申请实施例的不同积分系数下受控系数对时间的变化示意图。
图5图示了根据本申请实施例的不同微分系数下受控变数对时间的变化示意图。
图6图示了根据本申请实施例的图像处理装置的框图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，在网络图展示过程中，随着网络中所关联节点的增多，图像的展示和变换操作会变得凌乱和卡顿。为了便于操作方便能查看网络图所展现出的信息，例如节点与节点之间的关联，需解决在网络图变换过程中(尤其是缩放过程中)的卡顿和跳动问题。
PID(Proportion Integration Differentiation，比例积分微分)控制理论是在工程实际中应用最为广泛的控制理论，其控制器以结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。尤其是，当被控对象的结构和参数不能完全掌握(或者，得不到精确的数学模型时)，PID控制器尤为适用。
如何将PID这种传统的控制思想应用于网络图的图像处理方案中，使网络图的变换更为平滑，是本申请发明人的研发思路。
相应地，本申请的基本构思是基于PID控制理论对网络图进行图像变换处理，以使得图像变换更为平滑，避免出现卡顿和跳动等不良现象。
基于此，本申请提出了一种用于网络图的图像处理方法，其首先对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；再基于所述目标变换参数，生成PID控制器；接着基于所述PID控制器，更新所述网络图的目标变换参数；进而响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。这样，基于PID控制理论对网络图进行图像变换处理，以使得图像变换更为平滑，避免出现卡顿和跳动等不良现象。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1图示了根据本申请实施例的图像处理方法的流程图。如图1所示，根据本申请实施例的图像处理方法，包括：S110，对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；S120，基于所述目标变换参数，生成PID控制器；S130，基于所述PID控制器，更新所述网络图的目标变换参数；以及，S140，响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。
在步骤S110中，对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数。这里，在本申请实施例中，所述网络图可被实施为用于展示社会网络分析结果的网络图，当然，所述网络图还可以是其他用于展示网络分析结果的网络图，例如，法律知识图谱、百度百科知识图谱等，对此，并不为本申请所局限。所述网络图的目标变换参数表示针对于所述网络图所做的图像变换操作的参数。特别地，在本申请实施例中，由于主要解决的是网络图的展示问题并且所述网络图通常为二维图像，因此，在本申请实施例中，所述目标变换参数仅包括平移参数和缩放参数。本领域普通技术人员应可以理解，从图像仿射变换来说，图像变换应该包括平移、缩放、旋转等参数，也就是说，在本申请其他示例中，当所述网络图有需要进行旋转变换操作时，所述网络图的目标变换参数中也可以包括旋转变换参数，对此，并不为本申请所局限。
具体来说，在本申请实施例中，所述网络图的目标变换参数基于所述网络图中的节点和节点之间的关系来确定。具体来说，该目标变换参数的计算过程，包括：首先确定所述网络图的中心点；接着，基于所述中心点确定其他节点与所述中心点的相对位置关系；然后，基于所述中心点和其他节点与所述中心点的相对位置关系，确定所述网络图的目标变换参数。特别地，在本申请实施例中，所述平移参数基于所述网络图的中心点和其他节点在X轴上的坐标和在Y轴上的坐标表示。
在步骤S120中，基于所述目标变换参数，生成PID控制器。PID是比例(Proportion)，积分(Integration)，微分(Differentiation)的缩写，其分别代表了三种控制算法，通过这三种算法的组合有有效地纠正被控对象的偏差，从而使其达到一个稳定的状态。图2图示了根据本申请实施例的PID控制器的示意图。如图2所示，PID算法通过误差信号控制被控量，而控制器本身就是比例、积分、微分三个环节的加和。相应地，在t时刻：
1.输入量为i(t)
2.输出量为o(t)
3.偏差量为err(t)＝i(t)-o(t)
PID的控制思想非常简单，其主要问题点和难点在于比例、积分、微分环节上的参数整定过程，在本申请实施例中，采用拼凑的方法进行实验性的整定来确定所述PID控制器的参数，即，在整定PID控制器参数时，根据控制器的参数与系统动态性能和稳态性能之间的定性关系，用实验的方法来调节控制器的参数。
在本申请实施例中，可采用专家PID或者模糊PID来满足此方面的需求。具体来说，专家算法和模糊算法都归属于智能算法的范畴，智能算法最大的优点就是在控制模型未知的情况下，可以对模型进行控制。这里需要注意的是，在本申请实施例中，无论是专家PID还是模糊PID，不是专家系统或模糊算法与PID控制算法的简单加和，他是专家系统或者模糊算法在PID控制器参数整定上的应用。也就是说，智能算法是辅助PID进行参数整定的手段。
在调试中最重要的问题是在系统性能不能令人满意时，知道应该调节哪一个参数，该参数应该增大还是减小。无论是专家PID还是模糊PID算法，在参数整定时都需要确定整定的依据，即，在什么情况下整定什么值是要有依据的。这个依据是一些逻辑的组合，只要找出其中的逻辑组合关系来，这些依据就再明显不过了。
下面说明专家PID的具体实现。如前所述，在参数整定过程中，需要找到一些整定的依据，该依据得从PID系数本身说起。在PID控制器中，
(1)比例系数Kp的作用是加快系统的响应速度，提高系统的调节精度。Kp越大，系统的响应速度越快，系统的调节精度越高，但是容易产生超调，甚至会使系统不稳定。Kp取值过小，则会降低调节精度，使响应速度缓慢，从而延长调节时间，是系统静态、动态特性变差；
(2)积分作用系数Ki的作用是消除系统的稳态误差。Ki越大，系统的静态误差消除的越快，但是Ki过大，在响应过程的初期会产生积分饱和的现象，从而引起响应过程的较大超调。若Ki过小，将使系统静态误差难以消除，影响系统的调节精度；
(3)微分系数Kd的作用是改善系统的动态特性，其作用主要是在响应过程中抑制偏差向任何方向的变化，对偏差变化进行提前预报。但是Kd过大，会使响应过程提前制动，从而延长调节时间，而且会降低系统的抗干扰性。
并且，反应系统性能的两个参数是系统误差e和误差变化律ec。为了便于说明，规定一个误差的极限值，假设为Mmax；规定一个误差的比较大的值，假设为Mmid；规定一个误差的较小值，假设为Mmin；
当abs(e)>Mmax时，说明系统误差的绝对值已经很大了，不论误差变化趋势如何，都应该考虑控制器的输入应按最大(或最小)输出，以达到迅速调整误差的效果，使误差绝对值以最大的速度减小。此时，相当于实施开环控制。
当e*ec>0时，说明误差在朝向误差绝对值增大的方向变化，此时，如果abs(e)>Mmid，说明误差也较大，可考虑由控制器实施较强的控制作用，以达到扭转误差绝对值向减小的方向变化，并迅速减小误差的绝对值。此时，如果abs(e)<Mmid，说明尽管误差是向绝对值增大的方向变化，但是误差绝对值本身并不是很大，可以考虑控制器实施一般的控制作用，只需要扭转误差的变化趋势，使其向误差绝对值减小的方向变化即可。
当e*err(t)<0且e*err(t-1)>0或者e＝0时，说明误差的绝对值向减小的方向变化，或者已经达到平衡状态，此时保持控制器输出不变即可。
当e*err(t)<0且e*err(t-1)<0时，说明误差处于极限状态。如果此时误差的绝对值较大，大于Mmin，可以考虑实施较强控制作用。如果此时误差绝对值较小，可以考虑实施较弱控制作用。
当abs(e)<Mmin时，说明误差绝对值很小，此时加入积分，减小静态误差。
上面的逻辑判断过程，实际上就是对于PID控制系统的一个专家判断过程，故上述PID控制思想成为专家PID。
相应地，模糊PID算法是一种智能算法，其包括专家系统、模糊算法、遗传算法、神经网络算法等。其实这其中的任何一种算法都可以跟PID去做结合，而选择的关键在于，处理的实时性能不能得到满足，当处理器的速度足够快速时，可以选择更为复杂的、精度更加高的算法。除此之外，成本是限制处理器速度最根本的原因。模糊PID适应一般的控制系统是没有问题
基于上述理论指导，在本申请实施例中，基于所述目标变换参数，生成PID控制器，包括：首先基于所述目标变换参数，确定所述PI控制器的初始比例系数和初始积分系数；再基于PI控制器的调节结果，确定所述PID控制器的初始微分系数；然后，基于PID控制器的调节结果，确定所述PID控制器的比例系数、积分系数和微分系数。
优选地，在本申请实施例中，所述PI控制器的初始比例系数不超过第一预设阈值，初始积分系数不低于第二预设阈值。也就是说，为了减少需要整定的参数，在本申请实施例中，首先可以采用PI控制器。优选地，在调试开始时应设置比较保守的参数，例如比例系数不要太大，积分时间不要太小，以避免出现系统不稳定或超调量过大的异常情况，图3图示了根据本申请实施例的不同比例系数下受控变数对时间的变化示意图，以及，图4图示了根据本申请实施例的不同积分系数下受控系数对时间的变化示意图。
进一步地，在本申请实施中，基于PI控制器的调节结果，确定所述PID控制器的初始微分系数，包括：响应于跃阶响应的超调量超过第三预设阈值，减小所述比例系数和增大积分系数；响应于跃阶响应没有超调量且被控量上升速率低于第四预设阈值且过渡过程时间超过第五预设阈值，增大所述比例系数和减小所述积分系数；响应于消除误差的速度低于第六阈值，增大积分系数；以及，响应于在调节比例系数和积分系数达到预设次数后超调量仍超过第七预设阈值，确定所述PID控制器的初始微分系数。
也就是说，在整定过程中，应根据PID参数与系统性能(包括系统误差和误差变化率)的关系，反复调节PID的参数。具体来说，如果阶跃响应的超调量太大，经过多次振荡才能稳定或者根本不稳定，应减小比例系数、增大积分时间。如果阶跃响应没有超调量，但是被控量上升过于缓慢，过渡过程时间太长，应按相反的方向调整参数。如果消除误差的速度较慢，可以适当减小积分时间，增强积分作用。如果反复调节比例系数和积分时间超过预设次数，如果超调量仍然较大，可以加入微分控制。优选地，微分时间从0逐渐增大，反复调节控制器的比例、积分和微分部分的参数，图5图示了根据本申请实施例的不同微分系数下受控变数对时间的变化示意图。
综上可以看出，PID参数的调试整定是一个综合的、各参数互相影响的过程，实际调试整定过程中的多次尝试是非常重要的，也是必须的。
具体来说，在本申请实施中，经过多次试验，最终确定针对于用于展示社会网络分析结果的网络图的PID控制的参数为：比例系数为0.35、积分系数为0.002，以及，微分系数为0.05。本领域普通技术人员应可以理解，以上给出的参数仅作为一个具体的示例，并不为本申请所局限。
在步骤S130中，基于所述PID控制器，更新所述网络图的目标变换参数。相应地，在经过上述拼凑方法进行实验型的整定获取PID控制器的参数后，基于所述PID控制器去实时地调整所述网络图在图像变换过程中(例如，缩放过程)的参数，从而使得所述网络图的变换过程能够更为平滑。
如下给出了基于PID控制器更新所述网络图的目标变换参数的算法部分代码示例，其包括：
应可以理解，如上给出的代码示例仅为示例，并不为本申请所局限。
在步骤S140中，响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。也就是说，响应于PID控制器确定系统误差的极限值在预设范围内，所述网络图达到一个稳定状态，以完成图像变换过程。
综上，基于本申请实施例的图像处理方法被阐明，其基于PID控制理论对网络图进行图像变换处理，以使得图像变换更为平滑，避免出现卡顿和跳动等不良现象。
以上，虽然以本申请基本构思用于展示社会网络分析结果的网络图为示例，本领域普通技术人员应知晓，本申请的上述基本构思还可以应用于其他用于展示网络分析结果的网络图，例如，法律知识图谱、百度百科知识图谱等，对此，并不为申请所局限。
示例性装置
图6图示了根据本申请实施例的图像处理装置的框图。
如图6所示，根据本申请实施的所述图像处理装置600，包括：目标参数获取单元610，用于对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；控制器生成单元620，用于基于所述目标变换参数，生成PID控制器；更新单元630，用于基于所述PID控制器，更新所述网络图的目标变换参数；以及，停止单元640，响应于所述PID控制器确定误差的极限值在预设范围内，停止更新所述网络图的目标变换参数。
在一个示例中，在上述图像处理装置600中，所述目标参数获取单元610，进一步用于：基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数。
在一个示例中，在上述图像处理装置600中，所述目标参数获取单元610，进一步用于：确定所述网络图的中心点；基于所述中心点确定其他节点与所述中心点的相对位置关系；以及，基于所述中心点和其他节点与所述中心点的相对位置关系，确定所述网络图的目标变换参数。
在一个示例中，在上述图像处理装置600中，所述平移参数包括所述网络图的中心点和其他节点在X轴上的坐标和在Y轴上的坐标。
在一个示例中，在上述图像处理装置600中，所述控制生成单元620，进一步用于：基于所述目标变换参数，确定所述PI控制器的初始比例系数和初始积分系数；基于PI控制器的调节结果，确定所述PID控制器的初始微分系数；以及，基于PID控制器的调节结果，确定所述PID控制器的比例系数、积分系数和微分系数。
在一个示例中，在上述图像处理装置600中，所述PI控制器的初始比例系数不超过第一预设阈值，初始积分系数不低于第二预设阈值。
在一个示例中，在上述图像处理装置600中，所述控制生成单元620，进一步用于：响应于跃阶响应的超调量超过第三预设阈值，减小所述比例系数和增大积分系数；响应于跃阶响应没有超调量且被控量上升速率低于第四预设阈值且过渡过程时间超过第五预设阈值，增大所述比例系数和减小所述积分系数；响应于消除误差的速度低于第六阈值，增大积分系数；以及，响应于在调节比例系数和积分系数达到预设次数后超调量仍超过第七预设阈值，确定所述PID控制器的初始微分系数。
在一个示例中，在上述图像处理装置600中，所述网络图为用于展示社会网络分析结果的网络图。
在一个示例中，在上述图像处理装置600中，所述PID控制器的比例系数为0.35、积分系数为0.002，以及，微分系数为0.05。
这里，本领域技术人员可以理解，上述图像处理装置600中的各个单元和模块的具体功能和操作已经在上面参考图1至图5的图像处理方法/过程的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的图像处理装置600可以实现在各种终端设备中，例如大屏智能设备，或者独立于大屏智能设备的计算机等。在一个示例中，根据本申请实施例的图像处理装置600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该图像处理装置600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该图像处理装置600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该图像处理装置600与该终端设备也可以是分立的设备，并且该图像处理装置600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器13可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的图像处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如网络图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括经过图像变换后的网络图等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (12)
1.一种用于网络图的图像处理方法，其特征在于，包括：
对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；
基于所述目标变换参数，生成PID控制器；
基于所述PID控制器，更新所述网络图的目标变换参数；以及
响应于所述PID控制器确定误差的极限值在预设范围，停止更新所述网络图的目标变换参数。
2.根据权利要求1所述的图像处理方法，其中，对获取的网络图进行处理，以生成所述网络图的目标变换参数，包括：
基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数。
3.根据权利要求2所述的图像处理方法，其中，基于所述网络图中的节点和节点之间的关系，确定所述网络图的目标变换参数，包括：
确定所述网络图的中心点；
基于所述中心点确定其他节点与所述中心点的相对位置关系；以及
基于所述中心点和其他节点与所述中心点的相对位置关系，确定所述网络图的目标变换参数。
4.根据权利要求3所述的图像处理方法，其中，所述平移参数包括所述网络图的中心点和其他节点在X轴上的坐标和在Y轴上的坐标。
5.根据权利要求1所述的图像处理方法，其中，基于所述目标变换参数，生成PID控制器，包括：
基于所述目标变换参数，确定所述PI控制器的初始比例系数和初始积分系数；
基于PI控制器的调节结果，确定所述PID控制器的初始微分系数；以及
基于PID控制器的调节结果，确定所述PID控制器的比例系数、积分系数和微分系数。
6.根据权利要求5所述的图像处理方法，其中，所述PI控制器的初始比例系数不超过第一预设阈值，初始积分系数不低于第二预设阈值。
7.根据权利要求5所述的图像处理方法，其中，基于PI控制器的调节结果，确定所述PID控制器的初始微分系数，包括：
响应于跃阶响应的超调量超过第三预设阈值，减小所述比例系数和增大积分系数；
响应于跃阶响应没有超调量且被控量上升速率低于第四预设阈值且过渡过程时间超过第五预设阈值，增大所述比例系数和减小所述积分系数；
响应于消除误差的速度低于第六阈值，增大积分系数；以及
响应于在调节比例系数和积分系数达到预设次数后超调量仍超过第七预设阈值，确定所述PID控制器的初始微分系数。
8.根据权利要求1-7任一所述的图像处理方法，其中，所述网络图为用于展示社会网络分析结果的网络图。
9.根据权利要求5所述的图像处理方法，其中，所述PID控制器的比例系数为0.35、积分系数为0.002，以及，微分系数为0.05。
10.一种图像处理装置，其特征在于，包括：
目标参数获取单元，用于对获取的网络图进行处理，以生成所述网络图的目标变换参数，所述目标变换参数包括平移参数和缩放参数；
控制器生成单元，用于基于所述目标变换参数，生成PID控制器；
更新单元，用于基于所述PID控制器，更新所述网络图的目标变换参数；以及
停止单元，响应于所述PID控制器确定误差的极限值在预设范围内，停止更新所述网络图的目标变换参数。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在所述处理器运行时使得所述处理器执行如权利要求1-9任一所述的图像处理方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，当所述计算机程序指令被计算装置执行时，可操作来执行如权利要求1-9任一所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183623.6A CN112861040A (zh) | 2019-11-27 | 2019-11-27 | 用于网络图的图像处理方法、图像处理装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183623.6A CN112861040A (zh) | 2019-11-27 | 2019-11-27 | 用于网络图的图像处理方法、图像处理装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861040A true CN112861040A (zh) | 2021-05-28 |
Family
ID=75984918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911183623.6A Pending CN112861040A (zh) | 2019-11-27 | 2019-11-27 | 用于网络图的图像处理方法、图像处理装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861040A (zh) |
-
2019
- 2019-11-27 CN CN201911183623.6A patent/CN112861040A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
| CN110134165B (zh) | 一种用于环境监测与控制的强化学习方法及系统 | |
| US20210003973A1 (en) | System and Method for Control Constrained Operation of Machine with Partially Unmodeled Dynamics Using Lipschitz Constant | |
| CN112305907B (zh) | 自适应pid温度控制方法、装置及设备 | |
| Wang | A PID controller set of guaranteeing stability and gain and phase margins for time-delay systems | |
| JP7090734B2 (ja) | 制御システム、制御方法及び記憶媒体 | |
| Liu et al. | Robust adaptive control for fractional-order financial chaotic systems with system uncertainties and external disturbances | |
| CN115906918A (zh) | 预训练模型的微调方法及其装置 | |
| WO2013061126A1 (en) | A method and a system for tuning multivariable pid controller | |
| JP2015084155A (ja) | パラメータ調整装置、パラメータ調整方法およびパラメータ調整プログラム | |
| JP7045857B2 (ja) | モデル予測制御アプリケーションにおける最高性能値に関する優れた性能のためのシステム及び方法 | |
| CN112861040A (zh) | 用于网络图的图像处理方法、图像处理装置和电子设备 | |
| JP2014191736A (ja) | 制御パラメータ決定装置、方法、及びプログラム、並びに、制御器及び最適化制御システム | |
| CN111694595B (zh) | 基于误差容忍的软件行为调节方法 | |
| CN115009278B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
| CN115712243B (zh) | 一种校正方法、装置、设备及介质 | |
| CN115892206B (zh) | 一种车轮转角控制方法、装置及电子设备 | |
| US20220317636A1 (en) | Learning processing apparatus, control apparatus, learning processing method, control method, non-transitory computer-readable medium having learning program recorded thereon, and non-transitory computer-readable medium having control program recorded thereon | |
| JP3315361B2 (ja) | 調整ルール生成方法および調整ルール生成装置および調整制御方法および調整制御装置 | |
| JPH0272404A (ja) | メンバーシップ関数決定方法 | |
| Borovik et al. | Reinforcement learning in plant control systems with transport lag | |
| JPH07191967A (ja) | 関数近似装置及び電力需要予測装置 | |
| CN118605147A (zh) | 复杂系统预设时间协同优化方法 | |
| Tchamna et al. | Constraint handling optimal PI controller design for integrating processes: optimization-based approach for analytical design | |
| CN118211750A (zh) | 一种基于误差反馈跟踪预测的电热负荷预测方法和装置 |
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 |