CN114693816B - 一种智能化图像大数据存储方法 - Google Patents

一种智能化图像大数据存储方法 Download PDF

Info

Publication number
CN114693816B
CN114693816B CN202210351113.0A CN202210351113A CN114693816B CN 114693816 B CN114693816 B CN 114693816B CN 202210351113 A CN202210351113 A CN 202210351113A CN 114693816 B CN114693816 B CN 114693816B
Authority
CN
China
Prior art keywords
image
super
pixel
super pixel
stored
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
Application number
CN202210351113.0A
Other languages
English (en)
Other versions
CN114693816A (zh
Inventor
郑艺莲
赵雪迎
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.)
Shaanxi Heyou Network Technology Co ltd
Original Assignee
Shaanxi Heyou Network Technology 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 Shaanxi Heyou Network Technology Co ltd filed Critical Shaanxi Heyou Network Technology Co ltd
Priority to CN202210351113.0A priority Critical patent/CN114693816B/zh
Publication of CN114693816A publication Critical patent/CN114693816A/zh
Application granted granted Critical
Publication of CN114693816B publication Critical patent/CN114693816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/005—Statistical coding, e.g. Huffman, run length coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种智能化图像大数据存储方法，获取待存储图像主边缘像素点，然后对待存储图像进行超像素分割，得到由多个超像素块组成的分割图像，计算分割图像中每个超像素块与其相邻的多个超像素块之间的相似度，将相似度大于阈值的超像素块进行合并，对合并后的分割图像进行边缘检测，得到超像素分割产生的非主边缘像素点，根据待存储图像的主边缘像素点和修正后的非主边缘像素点得到需要保存的边缘图像，将需要保存的边缘图像、合并后的分割图像中每个超像素块的中心点坐标和颜色值作为图像数据进行哈夫曼编码，进行图像存储，方法在减少图像数据存储空间的同时又降低了图像损失。

Description

一种智能化图像大数据存储方法
技术领域
本申请涉及人工智能领域，具体涉及一种智能化图像大数据存储方法。
背景技术
随着信息时代的到来，数字化后的多媒体会实时产生海量且多样的各种数据。而大量的图像信息会给通信干线的信道带宽，计算机存储器的存储容量以及处理速度带来极大的压力，因此在图像的实际存储过程中，往往不是直接进行图像存储，而是先对图像进行压缩处理再进行存储。
现有的数据压缩存储方法如哈夫曼编码等为纯编码的压缩方式，并没有考虑图像中的内容，而结合图像中的内容可以实现图像的进一步压缩。
若根据图像的复杂度确定超像素分割的小区域(超像素)个数，然后结合图像需要保存的清晰程度，将相似程度较高的超像素进行融合，由此将整个图像的存储转化为多个超像素的存储问题。而超像素分割所得超像素内部的像素点的特征是基本一致的，超像素中心像素点的特征即可代表整个超像素，此时再结合分割后的超像素边缘图像即可实现图像的还原。
发明内容
本发明提供一种智能化图像大数据存储方法，解决图像存储中占用存储空间大、信息损失的问题，采用如下技术方案：
对待存储图像进行边缘检测，得到待存储图像的主边缘像素点；
设置超像素块个数，对待存储图像进行超像素分割，得到多个超像素块的分割图像；
计算分割图像中每个超像素块与其相邻的多个超像素块之间的相似度，将相似度大于阈值的超像素块进行合并，得到合并后的图像，并获取合并后的图像中每个超像素块的中心点坐标和颜色值；
对合并后的图像进行边缘检测，得到合并后的图像中每个超像素块的边缘像素点作为非主边缘像素点，对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点的颜色值进行修正；
根据待存储图像的主边缘像素点和修正后的非主边缘像素点得到需要保存的边缘图像；
将需要保存的边缘图像、合并后的图像中每个超像素块的中心点坐标和颜色值作为待存储图像的数据进行哈夫曼编码，进行图像数据存储。
所述超像素块个数的获取方法如下：
设置基础超像素块个数为K0；
将待存储图像灰度化，根据熵函数得到超像素块个数为：
Figure BDA0003580344850000021
其中，K为超像素块个数，p(i,j)为灰度图像中灰度级分别为i，j的像素点组成的像素对，在整个灰度图中出现的概率。
所述超像素块之间的相似度的计算步骤如下：
获取各个超像素块归一化后的灰度直方图，以直方图中每个横坐标灰度级对应的纵坐标概率作为向量的一个维度，将每个超像素块归一化后的灰度直方图转化为一个256维的向量，则每个超像素块对应一个256维的向量；
计算每个超像素块与其相邻的超像素块对应的向量之间的余弦相似度，将其作为超像素块之间的相似度。
所述合并后的图像中每个超像素块的中心点坐标和灰度值的获取方法为：
将被合并的两个超像素块中心像素点的横纵坐标均值作为合并后的图像中的超像素块的中心像素点坐标；
当待存储图像为灰度图像时，合并后的图像中的超像素块的中心像素点的灰度值为该像素点的灰度值；
当待存储图像为RGB图像时，合并后图像中的超像素块的中心点像素点的灰度值为该像素点在R，G，B三个通道上的灰度值。
所述对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点的颜色值进行修正的方法为：
当待存储图像为灰度图像时，将每个超像素块的非主边缘像素点的灰度值与其梯度方向上经过的相邻的超像素块的非主边缘像素点的灰度值均值作为每个超像素块的非主边缘像素点的灰度值；
当待存储图像为RGB图像时，将每个超像素块的非主边缘像素点在R，G，B通道上的灰度值和该非主边缘像素点在梯度方向上经过的相邻的超像素块的非主边缘像素点在R，G，B通道上的灰度值的均值作为该非主边缘像素点的灰度值。
本发明的有益效果是：通过获取待检测图像主边缘，根据图像复杂度设置超像素块个数，对待存储图像进行超像素分割，将超像素块归一化转化为灰度直方图，计算出超像素块之间的相似度，对满足相似度条件的超像素块进行合并，获取到合并后的超像素块的中心点坐标和颜色，然后检测合并后图像的超像素块的边缘，并对相邻超像素块边缘像素中的非主边缘进行修正，消除分割合并产生的马赫带效应，最后将修正后的超像素块边缘、图像主边缘、超像素块中心点及颜色作为图像数据进行哈夫曼编码存储，将整个图像的存储问题转化为图像中部分点的存储问题，既可以节省图像的存储空间，也可以在一定程度上降低图像信息的损失量，并且，本发明所使用得技术运算量均较小，也适用于海量数据的快速处理及存储。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种智能化图像大数据存储方法的流程示意图；
图2是本发明的一种智能化图像大数据存储方法的非主边缘像素点示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种智能化图像大数据存储方法的实施例，如图1所示，包括：
步骤一：对待存储图像进行边缘检测，得到待存储图像的主边缘像素点；
该步骤的目的是获取到待存储图像原图未经处理的主边缘像素点。
其中，边缘检测具体操作方法为：
使用Canny算子对待存储图像进行边缘检测，得到呆存储图像的梯度边缘即图像中物体的主边缘，记所得边缘图像中的主边缘点组成的序列为主边缘像素点序列(第一边缘点序列I1)，
步骤二：设置超像素块个数，对待存储图像进行超像素分割，得到多个超像素块的分割图像；
该步骤的目的是根据图像复杂度确定超像素分割超像素个数，然后对待存储的图像进行超像素分割。
该步骤的有益效果为，根据图像复杂度设置超像素块个数，排除了因为超像素块个数过多或过少引起的边缘缺失和过度分割的问题，使得超像素分割时得到的像素块分布更加均匀和完整。
需要说明的是，由于超像素分割可以将整个图像划分为一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域(超像素)，每个超像素内部都具有一定的相似性，但是超像素划分个数K的初始值需要人为规定；当图像复杂度较高，即图像中的细节信息较多时，超像素的面积需要划分地小一点，对应超像素个数较多；反之，超像素个数较少。在最大程度地保留图像边缘信息，以尽可能降低图像压缩存储损失的前提下，需要根据图像的实际情况进行图像的K值的确定。
其中，要设置的超像素块个数的获取步骤为：
(1)由于在实际应用中，进行超像素分割时设置的超像素块个数范围为[100，1000],为防止超像素块过少，不能满足较好的边界保持，超像素数量过多，又容易出现过分割情况，本发明先设置超像素块的基础个数K0＝500。
(2)对待存储图像进行灰度化，灰度化后，根据熵函数判断图像复杂度，则要设置的超像素块的个数K可表示为：
Figure BDA0003580344850000041
其中，p(i,j)为灰度图像中灰度级分别为i，j的像素点组成的像素对，在整个图像中出现的概率，
Figure BDA0003580344850000051
为图像的熵函数值，该值越大，表示图像所包含的内容越丰富，即图像复杂度越高；
进一步的，使用简单线性迭代聚类算法(SLIC)算法对图像进行超像素分割，得到得到由多个超像素块组成的分割图像。
步骤三：计算分割图像中每个超像素块与其相邻的多个超像素块之间的相似度，将相似度大于阈值的超像素块进行合并，得到合并后的图像，并获取合并后的图像中每个超像素块的中心点坐标和颜色值；
该步骤的目的是将步骤二中得到的分割图像中相似的超像素块进行融合。
该步骤的有益效果是，通过将相似的超像素块进行融合消除了超像素块之间的冗余信息，减少了后续存储图像时所需的存储空间。
需要说明的是，由于本实施例需要保存超像素块中心点的颜色值，划分的超像素块越小意味着图像损失越小，图像得清晰程度越高，同时也意味着需要存储的超像素个数越多，对应该图像的存储量也就越大；
使用超像素分割，当物体表面的部分区域较为相似，但是分割的超像素块较小(即超像素个数较多)时，经过超像素分割后，该物体会被划分为多个小区域，使得不同超像素块之间也具有一定相似性，而这些超像素块是可以进行合并的，由此可见，仅依据步骤二中的图像复杂度所得到的划分结果中仍然存在冗余信息，为了进一步降低图像的存储量，可以根据超像素块之间的相似度对相似的超像素进一步融合。
其中，超像素块之间的相似度的计算方法为：
(1)获取各个超像素块归一化后的灰度直方图，以直方图中灰度级所对应的概率(灰度直方图的纵坐标)为向量的一个维度，由此将灰度直方图转化为一个256维的向量；
(2)根据各个像素块所对应的向量，计算超像素块和与之相邻的多个超像素块之间的余弦相似度，将余弦相似度作为超像素块之间的相似度，当余弦相似度大于等于0.9时，认为这两个超像素块之间的相似度较高，将这两个像素块进行合并，并将两个超像素块中心点的横纵坐标均值作为合并后的超像素块的中心点坐标；
(3)重复上述操作，直到处理完所有超像素块；
(4)记各个超像素块的中心点及其颜色值所得集合为S；
由于待存储图像比灰度图像中所包含的内容更加丰富，为减少图像在压缩存储中的损失，故记录融合完成后的分割图像中各个超像素块的中心点坐标及其在待存储图像中所对应的颜色值，方法为：
当待存储图像为灰度图像时，超像素块的中心点的颜色值即为灰度值；
当待存储图像为RGB图像时，中心点的颜色值即为该点在R，G，B三个通道上的颜色值。
步骤四：对合并后的图像进行边缘检测，得到合并后的图像中每个超像素块的边缘像素点作为非主边缘像素点，对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点的颜色值进行修正；
该步骤的目的是检测出合并后的图像中的超像素块的边缘信息，对于由超像素分割产生的边缘像素点，将其作为非主边缘像素点，对其进行颜色值修正以消除图像还原后的马赫带现象。
该步骤的有益效果为，通过对超像素分割产生的超像素块边缘像素颜色值进行修正，使得图像边缘更加平滑，过度更加自然。
需要说明的是，马赫带效应是指视觉的主观感受在亮度有变化的地方出现虚幻的明亮或黑暗的条纹，生理学对马赫带效应的解释是：人类的视觉系统有增强边缘对比度的机制，由于本发明是以各个超像素中心点的颜色信息代表整个超像素块，当两个超像素块的颜色不相同时，人眼会自动对两个超像素块之间的边缘进行增强，尤其当超像素块之间的边缘并不是图像的主边缘时，因此需要对非主边缘的边缘像素点的颜色值进行修正，使得超像素块之间的过渡得更加流畅。
其中，边缘检测具体操作方法为：
使用Canny算子对图像进行边缘检测，得到图像的每个超像素块的边缘，记所得超像素块的边缘像素点为非主边缘像素点(不属于第一边缘点序列I1的边缘点)得到第二边缘点序列I2。
对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点(第二边缘点)的颜色值进行修正的方法如下：
结合待存储图像，根据I2序列中各个边缘点在梯度方向上所经过的相邻像素点颜色值的平均值修正为该边缘点所对应的颜色值(即当待存储图像为灰度图像，将该边缘点的灰度值修正为这两个相邻边缘点的灰度值的平均值；当待存储图像为RGB图像，将该边缘点在R，G，B三个通道上的灰度值分别修正为这两个相邻边缘点在R，G，B三个通道上的灰度值的平均值，以此类推)。
其中，像素点的梯度值与梯度方向的获取方法为：
(1)根据该像素点(x,y)的四连通域内的像素点之间的灰度值变化情况，计算其水平方向与垂直方向上的梯度值：
Gh(x,y)＝f(x+1,y)-f(x-1,y)
Gv(x,y)＝f(x,y+1)-f(x,y-1)
其中Gh、Gv分别为点(x,y)的水平方向与垂直方向上的梯度值，f(x,y)表示点(x,y)的灰度值，
(2)则得到该像素点最终的梯度值M(x,y)与梯度方向θ(x,y)：
Figure BDA0003580344850000071
θ(x,y)＝arctan(Gv(x,y)/Gh(x,y))
其中θ(x,y)∈[0,2π)。
如图2所示，A和B为存在相邻关系的两个超像素块，M、N分别为A和B的边缘(圆形边缘)上两个相邻的边缘像素点，N为M在梯度方向上经过的相邻像素点。
步骤五：根据待存储图像的主边缘像素点和修正后的非主边缘像素点得到需要保存的边缘图像；将需要保存的边缘图像、合并后的图像中每个超像素块的中心点坐标和颜色值作为待存储图像的数据进行哈夫曼编码，进行图像数据存储。
该步骤的目的是将步骤一中得到的主边缘和步骤四中得到的超像素块中的修正后的非主边缘结合起来，得到图像中的完整的边缘信息并将图像信息进一步进行编码存储。
该步骤的有益效果是，将图像的完整边缘信息、超像素块的中心点坐标和颜色值进行编码压缩存储，在需要使用时，只需通过图像的完整边缘信息、超像素块的中心点坐标和颜色值进行解码还原整幅图像，极大的减轻了存储量，同时又完整的保留了图像边缘细节。
本步骤将图像的完整边缘信息、超像素块的中心点坐标和颜色值作为需要保存的图像数据。由于上述步骤只是对需要存储的图像信息进行了简化，对于要保存成计算机可以存储的数据类型还需要结合现有的编码技术如哈夫曼编码对需要保存的图像数据进行存储。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种智能化图像大数据存储方法，其特征在于，包括：
对待存储图像进行边缘检测，得到待存储图像的主边缘像素点；
设置超像素块个数，对待存储图像进行超像素分割，得到多个超像素块的分割图像；
计算分割图像中每个超像素块与其相邻的多个超像素块之间的相似度，将相似度大于阈值的超像素块进行合并，得到合并后的图像，并获取合并后的图像中每个超像素块的中心点坐标和颜色值；
对合并后的图像进行边缘检测，得到合并后的图像中每个超像素块的边缘像素点，对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点的颜色值进行修正；
根据待存储图像的主边缘像素点和修正后的非主边缘像素点得到需要保存的边缘图像；
将需要保存的边缘图像、合并后的图像中每个超像素块的中心点坐标和颜色值作为待存储图像的数据进行哈夫曼编码，进行图像数据存储。
2.根据权利要求1所述的一种智能化图像大数据存储方法，其特征在于，所述超像素块个数的获取方法如下：
设置基础超像素块个数为K0；
将待存储图像灰度化，根据熵函数得到超像素块个数为：
其中，K为超像素块个数，p(i,j)为灰度图像中灰度级分别为i，j的像素点组成的像素对，在整个灰度图中出现的概率。
3.根据权利要求1所述的一种智能化图像大数据存储方法，其特征在于，所述超像素块之间的相似度的计算步骤如下：
获取各个超像素块归一化后的灰度直方图，以直方图中每个横坐标灰度级对应的纵坐标概率作为向量的一个维度，将每个超像素块归一化后的灰度直方图转化为一个256维的向量，则每个超像素块对应一个256维的向量；
计算每个超像素块与其相邻的超像素块对应的向量之间的余弦相似度，将其作为超像素块之间的相似度。
4.根据权利要求1所述的一种智能化图像大数据存储方法，其特征在于，所述合并后的图像中每个超像素块的中心点坐标和颜色值的获取方法为：
将被合并的两个超像素块中心像素点的横纵坐标均值作为合并后的图像中的超像素块的中心像素点坐标；
当待存储图像为灰度图像时，合并后的图像中的超像素块的中心像素点的灰度值为该像素点的灰度值；
当待存储图像为RGB图像时，合并后图像中的超像素块的中心点像素点的灰度值为该像素点在R，G，B三个通道上的灰度值。
5.根据权利要求1所述的一种智能化图像大数据存储方法，其特征在于，所述对存在相邻关系的超像素块的边缘像素点中的非主边缘像素点的颜色值进行修正的方法为：
当待存储图像为灰度图像时，将每个超像素块的非主边缘像素点的灰度值与其梯度方向上经过的相邻的超像素块的非主边缘像素点的灰度值均值作为每个超像素块的非主边缘像素点的灰度值；
当待存储图像为RGB图像时，将每个超像素块的非主边缘像素点在R，G，B通道上的灰度值和该非主边缘像素点在梯度方向上经过的相邻的超像素块的非主边缘像素点在R，G，B通道上的灰度值的均值作为该非主边缘像素点的灰度值。
CN202210351113.0A 2022-04-02 2022-04-02 一种智能化图像大数据存储方法 Active CN114693816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210351113.0A CN114693816B (zh) 2022-04-02 2022-04-02 一种智能化图像大数据存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210351113.0A CN114693816B (zh) 2022-04-02 2022-04-02 一种智能化图像大数据存储方法

Publications (2)

Publication Number Publication Date
CN114693816A CN114693816A (zh) 2022-07-01
CN114693816B true CN114693816B (zh) 2023-04-28

Family

ID=82140094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210351113.0A Active CN114693816B (zh) 2022-04-02 2022-04-02 一种智能化图像大数据存储方法

Country Status (1)

Country Link
CN (1) CN114693816B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115278255B (zh) * 2022-09-23 2022-12-20 山东宝德龙健身器材有限公司 一种用于力量器械安全管理的数据存储系统
CN115359075B (zh) * 2022-10-24 2023-03-24 济南霍兹信息科技有限公司 基于云计算的软件开发应用数据处理方法
CN116188495B (zh) * 2023-04-21 2023-07-04 山东无棣金土地开发建设有限公司 一种国土监测数据高效处理方法
CN116828210B (zh) * 2023-08-30 2023-11-14 华洋通信科技股份有限公司 一种用于矿下视频采集智能传输方法及系统
CN117115196B (zh) * 2023-10-25 2024-02-06 东莞雕宝自动化设备有限公司 一种切割机刀具磨损视觉检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869175A (zh) * 2016-04-21 2016-08-17 北京邮电大学 一种图像分割方法及系统
CN111709483A (zh) * 2020-06-18 2020-09-25 山东财经大学 一种基于多特征的超像素聚类方法及设备
CN112529910A (zh) * 2020-12-08 2021-03-19 电科云(北京)科技有限公司 一种sar图像快速超像素合并及图像分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITUB20153912A1 (it) * 2015-09-25 2017-03-25 Sisvel Tech S R L Metodi e apparati per codificare e decodificare immagini digitali mediante superpixel
WO2018083142A1 (en) * 2016-11-02 2018-05-11 Ventana Medical Systems, Inc. Systems and methods for encoding image features of high-resolution digital images of biological specimens
CN108986119B (zh) * 2018-07-25 2020-07-28 京东方科技集团股份有限公司 图像分割方法及装置、计算机设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869175A (zh) * 2016-04-21 2016-08-17 北京邮电大学 一种图像分割方法及系统
CN111709483A (zh) * 2020-06-18 2020-09-25 山东财经大学 一种基于多特征的超像素聚类方法及设备
CN112529910A (zh) * 2020-12-08 2021-03-19 电科云(北京)科技有限公司 一种sar图像快速超像素合并及图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ning Wang等.A Strategy of Parallel SLIC Superpixels for Handling Large-Scale Images over Apache Spark.《Remote Sens.》.2022,全文. *
陈允杰等.基于边缘修正的高光谱图像超像素空谱核分类方法.《电子学报》.2019,第第47卷卷(第第47卷期),全文. *

Also Published As

Publication number Publication date
CN114693816A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114693816B (zh) 一种智能化图像大数据存储方法
CN111432207B (zh) 基于显著目标检测和显著性指导的感知高清视频编码方法
US7974470B2 (en) Method and apparatus for processing an image
CN107481210B (zh) 基于细节的局部选择性映射的红外图像增强方法
CN111899295B (zh) 一种基于深度学习的单目场景深度预测方法
KR20110014067A (ko) 스테레오 컨텐트의 변환 방법 및 시스템
CN114511479A (zh) 图像增强方法和装置
GB2579911A (en) Image enhancement system and method
CN110378860B (zh) 修复视频的方法、装置、计算机设备和存储介质
CN115439804A (zh) 一种用于高铁检修的监测方法以及装置
Tan et al. Image haze removal based on superpixels and Markov random field
CN112950491B (zh) 一种视频处理的方法及设备
CN104268845A (zh) 极值温差短波红外图像的自适应双局部增强方法
CN113947538A (zh) 一种多尺度高效卷积自注意力单幅图像除雨方法
CN111738236B (zh) 一种自适应层级的图像切分识别方法、装置及系统
US20230343017A1 (en) Virtual viewport generation method and apparatus, rendering and decoding methods and apparatuses, device and storage medium
Ling et al. Quality assessment for synthesized view based on variable-length context tree
CN117151990A (zh) 一种基于自注意力编码解码的图像去雾方法
CN113721859B (zh) 一种基于人工智能的图像重复数据删除方法
CN116112675A (zh) 一种视频编码方法和视频编码系统
CN115880181A (zh) 一种增强图像对比度的方法、装置及终端
Bhatnagar et al. Reversible Data Hiding scheme for color images based on skewed histograms and cross-channel correlation
US20100182456A1 (en) iris image storing method and an iris image restored method
Lin et al. Tri-histogram equalization based on first order statistics
CN112634278B (zh) 基于超像素的恰可察觉失真方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230324

Address after: 710075 Room 5-01, Floor 5, Building 6, Headquarters Economic Park, No. 1309, Shangye Road, Fengxi New City, Xixian New District, Xi'an City, Shaanxi Province

Applicant after: SHAANXI HEYOU NETWORK TECHNOLOGY CO.,LTD.

Address before: 450011 No. 306, floor 3, unit 1, building 3, No. 56, Beihuan Road, Jinshui District, Zhengzhou City, Henan Province

Applicant before: Henan ruienthalpy Electronic Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant