CN113505801A - 用于超维计算的强度值向量表生成方法和图像编码方法 - Google Patents

用于超维计算的强度值向量表生成方法和图像编码方法 Download PDF

Info

Publication number
CN113505801A
CN113505801A CN202111065705.8A CN202111065705A CN113505801A CN 113505801 A CN113505801 A CN 113505801A CN 202111065705 A CN202111065705 A CN 202111065705A CN 113505801 A CN113505801 A CN 113505801A
Authority
CN
China
Prior art keywords
supervectors
intensity value
vector
super
value
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.)
Granted
Application number
CN202111065705.8A
Other languages
English (en)
Other versions
CN113505801B (zh
Inventor
陈劲
李静涵
梁家辉
宁宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tuoxiaotuo Technology Tianjin Co ltd
Original Assignee
Tuoxiaotuo Technology Tianjin Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tuoxiaotuo Technology Tianjin Co ltd filed Critical Tuoxiaotuo Technology Tianjin Co ltd
Priority to CN202111065705.8A priority Critical patent/CN113505801B/zh
Publication of CN113505801A publication Critical patent/CN113505801A/zh
Application granted granted Critical
Publication of CN113505801B publication Critical patent/CN113505801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种用于超维计算的强度值向量表生成方法和图像编码方法。其中用于超维计算的强度值向量表生成方法包括：为强度值中的最大值和最小值分别生成两个随机超向量，作为最大值超向量和最小值超向量；根据最大值超向量和最小值超向量生成中间超向量；对全部中间超向量、最大值超向量和最小值超向量进行翻转处理后得到代表每个强度值的强度值超向量；所有强度值超向量构成强度值向量表。其中图像编码方法中强度值向量表通过上述用于超维计算的强度值向量表生成方法生成。本发明的有益效果是每个强度值都有对应的超向量能够对其进行表示，同时克服了生成的强度值超向量太多导致相邻的超向量间距离过近的问题。

Description

用于超维计算的强度值向量表生成方法和图像编码方法
技术领域
本发明涉及图像编码方法，尤其涉及一种用于超维计算的强度值向量表生成方法和图像编码方法。
背景技术
图像含有丰富的信息，科学研究和统计表明，人类从外界获得的信息约有75%来自视觉系统，也就是从图像中获得的，一副图像可以用一个2D数组f(x,y)来表示，这里x，y表示2D空间XY中一个坐标点的位置，而f则代表图像在点(x,y)的强度信息。这每一个含有位置和强度信息的基本单元称作像素。以灰度图像为例，一张灰度图像中的信息主要有每个像素的位置和这个像素所处位置的灰度值。
超维计算是一种由大脑中大量的突触和神经元启发而来的一种计算方式，传统的计算按位作为计算的最小单元，而超维计算的基本数据类型是超向量（维度以千为单位的向量）。神经回路的高维建模可以追溯到几十年前的人工神经网络、并行式分布处理和连接机制，高维空间的特征支持了这些模型。超维空间同样如此，以二进制向量空间为例，一个有10000维的二进制向量空间，包含了210000个独立的向量，这个空间形成了一个高维的超立方体，这个超立方体中的点全部服从独立同分布，这种超宽的数据带来了冗余来对抗噪声，这使超维计算拥有很强的鲁棒性且对数据有很好的表示作用。目前超维计算已经被应用于字符识别、语音识别等领域并在一些图像分类的领域且取得了初步成效。想要运用超维计算对图像进行编码，需要将所有的信息映射成超向量再通过加法、乘法和置换三种运算来进行编码得到表示图像的超向量，因此需要将位置和灰度值都映射到超维空间中以超向量的形式表示。
由于图片信息独有的特性，因此这种映射不能单纯的通过给每个属性生成超向量实现。对于位置信息来说，位置信息之间是相互独立的，因此可通过直接给每个位置随机生成一个超向量来对位置进行编码，而对于强度值来说，强度值之间具有大小关系，是有连续性的，为了保持强度值的连续关系，代表相应强度值的超向量间应同样具有相对连续的关系。如图1所示，目前使用的方法为将256个强度值均分为L个范围，每个范围看作一层，每个层生成一个代表该层的层向量，通过层向量间的连续关系保持强度值间的连续关系。层向量的生成方式为首先为代表最小的值的范围的层生成一个随机向量作为这层的层向量，在这一层的基础上随机翻转D⁄L位作为下一层的层向量，依次生成L个层向量。根据每个像素的强度值所处的范围找到对应的层向量，将每个像素的层向量和位置向量绑定到一起得到代表这个像素的超向量，将图像中所有代表像素的超向量相加完成图像超向量的编码。
原有的图像编码方法对于强度值的表示只能局限在一定的范围内，无法准确地给每一个强度值一个单独的超向量表示，只能进行较为模糊的范围区分，这使得每个像素值的强度表示不是那么的准确，如果使用二进制的向量表示则会造成更大的影响。如果直接使用传统方法翻转生成代表所有强度值的超向量则会导致代表相邻强度值的强度向量过度相似，从而在后续计算时难以区分准确强度值从而对结果造成较大的影响，因此只能在一定范围内保证特征值的连续性。原有方法的另一个缺点是在逆运算时无法准确的恢复原本的强度值向量，只能得到代表范围的超向量。
综上所述，现有技术在将图像编码成适用于超维计算算法的数据时，只能按照范围进行值的划分。例如上述将L划分为256个层（对应256个强度值），会导致代表相邻强度值的超向量间距离过近，对后续超向量的使用和计算造成极大干扰。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种用于超维计算的强度值向量表生成方法和图像编码方法。本发明用于解决现有技术中在将图像的位置和强度值都映射到超维空间中以超向量的形式表示时，需要保持强度值超向量之间连续关系的问题。本发明将图像的位置和强度值均用超向量进行表示时，保留了每个像素强度值的信息，在给每个强度值生成一个独立的超向量的同时保证了相邻强度值间的距离可以调整，因此避免了因为强度值相似度太大对后续计算造成不利影响。
本发明是通过以下技术方案予以实现：
一种用于超维计算的强度值向量表生成方法，包括如下步骤：
步骤010：为强度值中的最大值和最小值分别生成两个随机超向量，作为最大值超向量和最小值超向量；
步骤020：根据最大值超向量和最小值超向量生成中间超向量；
步骤030：对全部中间超向量、最大值超向量和最小值超向量进行翻转处理后得到代表每个强度值的强度值超向量；
步骤040：所有强度值超向量构成强度值向量表；
上述所有超向量均为二进制超向量，并且维度数量均为D，超向量的每一维均为0或1。
根据上述技术方案，优选地，步骤020包括：
步骤021：生成代表第i个强度值的中间超向量，其中i为1-254中的任一数字，该中间超向量由D个空缺位置组成；
步骤022：从第i个强度值的中间超向量中随机选取i×D/255个空缺位置；
步骤023：从最小值超向量中查询与步骤022中选取的空缺位置对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤024：从最大值超向量中查询与步骤022中未选取的空缺位置的对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤025：经过上述步骤021-024得到填满所有空缺位置的第i个强度值的中间超向量，依次生成代表1-254的全部中间超向量。
根据上述技术方案，优选地，步骤030中的翻转处理包括：
步骤031：从0-1之间确定超参数P；
步骤032：随机选取超向量的部分维度位置，被选取的维度位置数量占全部维度位置数量的比例为P；
步骤033：被选取的维度位置的数值与1进行异或运算，运算后得到经翻转处理的超向量。
一种用于超维计算的图像编码方法，包括如下步骤：
步骤110：生成强度值向量表和位置向量表，强度值向量表通过上述的一种用于超维计算的强度值向量表生成方法生成，位置向量表通过为图像的每个像素位置随机生成一个代表该位置的位置超向量生成，其中位置超向量的维度数量也为D，之后执行步骤120；
步骤120：从图片的第一个像素开始判断这个位置是否存在，若像素存在则查询对应的位置超向量和对应的强度值超向量，将对应的位置超向量和强度值超向量相乘，得到像素向量，并累加到上一个像素向量上；
步骤130：重复步骤120判断下一个像素，直到位置不存在，得到非二进制的图像超向量；
步骤140：将非二进制图像超向量二进制化，得到二进制的图像超向量，完成图像编码。
本发明的有益效果是：提供一种方法将图像编码成适用于超维计算算法的数据，使得对强度值的超维表示更加精确，每个强度值都有对应的超向量能够对其进行表示，同时又克服了使用原本的方法生成的强度值超向量太多导致相邻的超向量间距离过近的问题。
附图说明
图1示出了现有技术的传统超维计算编码方法示意图。
图2示出了实施例二的图像编码流程示意图。
图3示出了实施例二的图像编码方法示意图。
图4示出了现有技术的层数改变对相邻向量间距离的影响折线图。
图5示出了翻转率P的改变对相邻向量间距的影响和现有技术中将L取为256时的相邻向量间距的比较折线图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
实施例1
一种用于超维计算的强度值向量表生成方法，包括如下步骤：
步骤010：为强度值中的最大值和最小值分别生成两个随机超向量，作为最大值超向量和最小值超向量，由于超维空间的特性使得最大值超向量和最小值超向量相互正交；
步骤020：根据最大值超向量和最小值超向量生成中间超向量，包括步骤021-025；
步骤021：生成代表第i个强度值的中间超向量，其中i为1-254中的任一数字，该中间超向量由D个空缺位置组成；
步骤022：从第i个强度值的中间超向量中随机选取i×D/255个空缺位置；
步骤023：从最小值超向量中查询与步骤022中选取的空缺位置对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤024：从最大值超向量中查询与步骤022中未选取的空缺位置的对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤025：经过上述步骤021-024得到填满所有空缺位置的第i个强度值的中间超向量，依次生成代表1-254的全部中间超向量；
步骤030：对全部中间超向量、最大值超向量和最小值超向量进行翻转处理后得到代表每个强度值的强度值超向量，其中翻转处理包括：
步骤031：从0-1之间确定超参数P；
步骤032：随机选取超向量的部分维度位置，被选取的维度位置数量占全部维度位置数量的比例为P；
步骤033：步骤032被选取的维度位置的数值与1进行异或运算，运算后得到经翻转处理的超向量；
步骤040：所有强度值超向量构成强度值向量表；
上述所有超向量均为二进制超向量，并且维度数量均为D，超向量的每一维均为0或1。
其中，步骤010和020虽然保证了每个强度值都有单独的超向量表示且具有连续性，但相邻值之间的距离依然太近。因此在步骤030中引入了超参数P，并以P为比例对所有强度值超向量进行翻转处理，得到最终的所有强度值超向量。通过改变P，可以调节相邻强度值超向量间的距离，这就解决了强度值超向量间距离过近难以区分的问题。
实施例2
如图2所示，一种用于超维计算的图像编码方法，包括如下步骤：
步骤110：生成强度值向量表和位置向量表，强度值向量表通过实施例1中的一种用于超维计算的强度值向量表生成方法生成，位置向量表通过为图像的每个像素位置随机生成一个代表该位置的位置超向量生成，其中位置超向量的维度数量也为D，之后执行步骤120；
步骤120：从图片的第一个像素开始判断这个位置是否存在，若像素存在则查询对应的位置超向量和对应的强度值超向量，将对应的位置超向量和强度值超向量相乘，得到像素向量，并累加到上一个像素向量上；
步骤130：重复步骤120判断下一个像素，直到位置不存在，得到非二进制的图像超向量；
步骤140：将非二进制图像超向量二进制化，得到二进制的图像超向量，完成图像编码。
本实施例的工作原理为：
在将图像编码成适用于超维计算算法的数据时，需要将图像的所有属性和对象均用超向量进行表示。其中不同属性和对象的衡量方式为超向量的距离。
下面结合图3说明本实施例，图3中以灰度值作为强度值的示例。图中左侧部分展示出位置向量表的生成方法，将图片image分为28×28的像素（在实际处理图片时应选取远大于28的数字），为每个像素位置随机生成一个代表该位置的位置超向量，从而得到位置向量表。图中右侧部分展示出像素灰度值向量表的生成方法，即根据最大值超向量gray[0]和最小值超向量gray[255]生成中间超向量gray[i]，再按照比例P将每个灰度值超向量翻转处理，得到像素灰度值向量表。图中中间部分展示出从位置向量表和像素强度值向量表选取对应的位置超向量和灰度值超向量，其中示例位置为（1，27），示例强度值为a，将对应的位置超向量和强度值超向量相乘得到像素向量。其中按照超维计算中定义的乘法是按位相乘，即用两个超向量对应位置上的数值作异或运算实现。并将依次累加每个像素向量，得到非二进制图像超向量。最后将非二进制图像超向量二进制化，得到二进制的图像超向量，完成图像编码。
本发明的有益效果是：
现有技术的方法只能给相似的强度值生成一个代表他们的超向量，一旦给每个强度值生成一个超向量就会造成相邻向量间距离过近，在计算中带来难以区分的问题。例如，现有技术采用将强度值分为L个层的方法。如图4所示，当L的数量细化到256（强度值的一般划分方法）时，会导致代表相邻强度值的超向量间距离过近，对后续超向量的使用和计算造成极大干扰。
而我们所提出的编码方法可以通过P来随意地调整相邻超向量之间的距离。与现有方法所不同的是，我们的编码方法不是单纯的将强度值量化为L个范围，而是通过运算给每个强度值都生成一个代表这个强度值的强度向量，使得对特征值的超维表示更加精确，每个特征值都有对应的超向量能够对其进行表示，同时又克服了使用现有技术方法生成的特征值超向量太多导致相邻的超向量间距离过近的问题。在某些需要逆运算的时候，我们的编码方法可以较为准确的恢复图像每个像素的强度值，而不是传统方法的只能恢复到一个范围值。
如图5所示，下方折线为现有技术中的L调整为256后相邻强度值向量的间距，该值不受P的影响。下方折线体现出现有技术的相邻强度值超向量间距离过近，难以区分。而上方折线为本申请的技术方案中翻转率P的变化对相邻强度值的影响，由此可见，本发明的技术方案即使对于256个强度值调整依旧能保证相邻强度值超向量间的距离。并且随着P的改变，还可以调节相邻强度值超向量间的距离。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种用于超维计算的强度值向量表生成方法，其特征在于包括如下步骤：
步骤010：为强度值中的最大值和最小值分别生成两个随机超向量，作为最大值超向量和最小值超向量；
步骤020：根据最大值超向量和最小值超向量生成中间超向量；
步骤030：对全部中间超向量、最大值超向量和最小值超向量进行翻转处理后得到代表每个强度值的强度值超向量；
步骤040：所有强度值超向量构成强度值向量表；
上述所有超向量均为二进制超向量，并且维度数量均为D，超向量的每一维均为0或1。
2.根据权利要求1所述的一种用于超维计算的强度值向量表生成方法，其特征在于步骤020包括：
步骤021：生成代表第i个强度值的中间超向量，其中i为1-254中的任一数字，该中间超向量由D个空缺位置组成；
步骤022：从第i个强度值的中间超向量中随机选取i×D/255个空缺位置；
步骤023：从最小值超向量中查询与步骤022中选取的空缺位置对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤024：从最大值超向量中查询与步骤022中未选取的空缺位置的对应的位置的数值，将该数值填入中间超向量中对应的空缺位置；
步骤025：经过上述步骤021-024得到填满所有空缺位置的第i个强度值的中间超向量，依次生成代表1-254的全部中间超向量。
3.根据权利要求1所述的一种用于超维计算的强度值向量表生成方法，其特征在于步骤030中的翻转处理包括：
步骤031：从0-1之间确定超参数P；
步骤032：随机选取超向量的部分维度位置，被选取的维度位置数量占全部维度位置数量的比例为P；
步骤033：被选取的维度位置的数值与1进行异或运算，运算后得到经翻转处理的超向量。
4.一种用于超维计算的图像编码方法，其特征在于包括如下步骤：
步骤110：生成强度值向量表和位置向量表，强度值向量表通过权利要求1-3所述的一种用于超维计算的强度值向量表生成方法生成，位置向量表通过为图像的每个像素位置随机生成一个代表该位置的位置超向量生成，其中位置超向量的维度数量也为D，之后执行步骤120；
步骤120：从图片的第一个像素开始判断这个位置是否存在，若像素存在则查询对应的位置超向量和对应的强度值超向量，将对应的位置超向量和强度值超向量相乘，得到像素向量，并累加到上一个像素向量上；
步骤130：重复步骤120判断下一个像素，直到位置不存在，得到非二进制的图像超向量；
步骤140：将非二进制图像超向量二进制化，得到二进制的图像超向量，完成图像编码。
CN202111065705.8A 2021-09-13 2021-09-13 一种用于超维计算的图像编码方法 Active CN113505801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111065705.8A CN113505801B (zh) 2021-09-13 2021-09-13 一种用于超维计算的图像编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111065705.8A CN113505801B (zh) 2021-09-13 2021-09-13 一种用于超维计算的图像编码方法

Publications (2)

Publication Number Publication Date
CN113505801A true CN113505801A (zh) 2021-10-15
CN113505801B CN113505801B (zh) 2021-11-30

Family

ID=78017190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111065705.8A Active CN113505801B (zh) 2021-09-13 2021-09-13 一种用于超维计算的图像编码方法

Country Status (1)

Country Link
CN (1) CN113505801B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0984429B1 (en) * 1998-09-04 2004-05-06 Matsushita Electric Industrial Co., Ltd. Dimensionality reduction for speaker normalization and speaker and environment adaptation using eigenvoice techniques
CN101188752A (zh) * 2007-12-18 2008-05-28 方春 一种基于相关性的自适应码率控制方法
CN101287112A (zh) * 2008-06-03 2008-10-15 方春 快速高效应码率控制的优化方法
CN104036296A (zh) * 2014-06-20 2014-09-10 深圳先进技术研究院 一种图像的表示和处理方法及装置
TW202005397A (zh) * 2018-05-18 2020-01-16 日商索尼股份有限公司 編碼裝置、編碼方法、解碼裝置、及解碼方法
CN111724298A (zh) * 2019-03-21 2020-09-29 四川大学 一种数字岩心超维重建的字典优化与映射方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0984429B1 (en) * 1998-09-04 2004-05-06 Matsushita Electric Industrial Co., Ltd. Dimensionality reduction for speaker normalization and speaker and environment adaptation using eigenvoice techniques
CN101188752A (zh) * 2007-12-18 2008-05-28 方春 一种基于相关性的自适应码率控制方法
CN101287112A (zh) * 2008-06-03 2008-10-15 方春 快速高效应码率控制的优化方法
CN104036296A (zh) * 2014-06-20 2014-09-10 深圳先进技术研究院 一种图像的表示和处理方法及装置
TW202005397A (zh) * 2018-05-18 2020-01-16 日商索尼股份有限公司 編碼裝置、編碼方法、解碼裝置、及解碼方法
CN111724298A (zh) * 2019-03-21 2020-09-29 四川大学 一种数字岩心超维重建的字典优化与映射方法

Also Published As

Publication number Publication date
CN113505801B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN110827213B (zh) 一种基于生成式对抗网络的超分辨率图像修复方法
CN111862289A (zh) 一种基于gan网络的点云上采样方法
CN112884758B (zh) 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统
CN115619743A (zh) Oled新型显示器件表面缺陷检测模型的构建方法及其应用
Zhao et al. Local quantization code histogram for texture classification
CN113362242B (zh) 基于多特征融合网络的图像修复方法
CN115471423A (zh) 一种基于生成对抗网络及自注意力机制的点云去噪方法
CN111985597B (zh) 模型压缩方法及装置
CN113344110B (zh) 一种基于超分辨率重建的模糊图像分类方法
Son et al. SAUM: Symmetry-aware upsampling module for consistent point cloud completion
CN114359269A (zh) 基于神经网络的虚拟食品盒缺陷生成方法及系统
CN114048845B (zh) 点云修复方法、装置、计算机设备和存储介质
CN112200752A (zh) 一种基于er网络多帧图像去模糊系统及其方法
Kekre et al. Vector quantized codebook optimization using k-means
CN113505801B (zh) 一种用于超维计算的图像编码方法
CN111583295B (zh) 基于图像块二值化哈希表示的实时的稠密光流计算方法
CN115860113B (zh) 一种自对抗神经网络模型的训练方法及相关装置
CN111353944B (zh) 一种图像重建方法、装置及计算机可读存储介质
CN109146886B (zh) 一种基于深度密度的rgbd图像语义分割优化方法
Yu et al. Dynamic granularity matrix space based adaptive edge detection method for structured light stripes
GB2571818A (en) Selecting encoding options
CN115115860A (zh) 一种基于深度学习的图像特征点检测匹配网络
CN115512077A (zh) 一种基于多层动态特征点云的隐式三维场景表征方法
US20220172421A1 (en) Enhancement of Three-Dimensional Facial Scans
Mendes et al. Assessing a sparse distributed memory using different encoding methods

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