CN114745553A - 一种基于大数据的图像数据存储方法 - Google Patents

一种基于大数据的图像数据存储方法 Download PDF

Info

Publication number
CN114745553A
CN114745553A CN202210358905.0A CN202210358905A CN114745553A CN 114745553 A CN114745553 A CN 114745553A CN 202210358905 A CN202210358905 A CN 202210358905A CN 114745553 A CN114745553 A CN 114745553A
Authority
CN
China
Prior art keywords
enhancement layer
image
edge
stored
run
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
Application number
CN202210358905.0A
Other languages
English (en)
Inventor
张晓倩
张明珠
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.)
Zhengzhou Meichu Electronic Technology Co ltd
Original Assignee
Zhengzhou Meichu Electronic 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 Zhengzhou Meichu Electronic Technology Co ltd filed Critical Zhengzhou Meichu Electronic Technology Co ltd
Priority to CN202210358905.0A priority Critical patent/CN114745553A/zh
Publication of CN114745553A publication Critical patent/CN114745553A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/30Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Landscapes

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

Abstract

本发明涉及一种基于大数据的图像数据存储方法,通过对待存储灰度图进行比特分层,得到所有增强层,根据每个增强层的的比特游程矩阵计算出每个增强层的长游程优势度量值和短游程优势度量值,使用游程编码和霍夫编码对每个增强层进行压缩,得到每个增强层的压缩效率,通过神经网络获取每个增强层最合适的压缩方式,获取待存储的灰度图和每个增强层的边缘二值图,得到每个增强层的混淆矩阵,计算出每个增强层边缘检测的查全率和错误率,得到每个增强层的评估值,根据评估值得到传输顺序,通过大数据系统的存储功能按照每个增强层的编码方式和传输顺序对图像数据进行存储,在提高传输效率的同时又保留了边缘细节。

Description

一种基于大数据的图像数据存储方法
技术领域
本申请涉及大数据领域,具体涉及一种基于大数据的图像数据存储方法。
背景技术
随着数字化生活的日益常态化,各类硬件设备的更新的加速化,所采集的图像数据都以几何速度在增长,这些迅猛增长的数据给存储、处理和传输带来了巨大的负担。解决数据存储问题的一个重要方式是数据压缩。
数据压缩方式包括游程编码算子、霍夫曼编码算子等,不同的编码方式具有不同的优势。对于图像,由于当前像素与其邻域像素之间存在相关性,因此通过游程编码来实现图像数据压缩能够得到较好的压缩效率。但是,并不是所有的图像都适合游程编码,因此不能一概而论,需要具体针对性分析,确定合适的编码方式,对图像数据的读取消耗流量和时间,通常采用渐近式图像传输,在减少流量和等待时间的同时,会导致图像的分辨率降低,边缘细节信息不能在第一时间被加载出来。
发明内容
本发明提供一种基于大数据的图像数据存储方法,解决图像数据压缩方式和边缘细节的问题,采用如下技术方案:
对待存储灰度图进行比特分层,得到待存储灰度图的所有增强层;
根据每个增强层的比特值连续出现次数得到每个增强层的比特游程矩阵,根据每个增强层的比特游程矩阵计算出每个增强层的长游程优势度量值和短游程优势度量值;
使用不同的压缩方式对每个增强层进行压缩,计算出每个增强层在每种压缩方式下的压缩效率;
将每个增强层的长游程优势度量值和短游程优势度量值及该增强层在不同压缩方式下的压缩效率输入神经网络,通过神经网络获得每个增强层的最合适的压缩方式;
获取待存储灰度图的边缘二值图和每个增强层的边缘二值图;
计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的边缘像素点的概率;
计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的背景像素点的概率;
根据每个增强层的边缘二值图中的边缘像素点的概率和背景像素点的概率构建每个增强层的混淆矩阵;
根据每个增强层的混淆矩阵计算出每个增强层边缘的查全率和错误率,根据每个增强层边缘的查全率和该增强层的最合适的压缩方式的压缩效率得到每个增强层的评估值,根据每个增强层的评估值和该增强层边缘的错误率确定传输顺序;
将待存储灰度图的增强层按照传输顺序进行传输,在每次传输前先按照该增强层最合适的压缩方式进行压缩,完成图像数据存储。
所述对待存储灰度图进行比特分层得到所有增强层的方法如下:
将待存储灰度图中每个像素点的灰度值转换为二进制,则灰度值可以通过8位的二进制编码来表示,每一位从左至右依次为第一高位至第八高位;
将第一、二高位作为第一增强层,以此类推,得到四个增强层。
所述每个增强层的长游程优势度量值和短游程优势度量值的计算方法如下:
长游程优势度量值L:
Figure BDA0003583062320000021
短游程优势度量值S:
Figure BDA0003583062320000022
其中,wbt为每个增强层中比特值为b的像素点连续t次出现的频数,M、N为图像尺寸。
所述每个增强层的混淆矩阵为:
Figure BDA0003583062320000023
其中,H为增强层的混淆矩阵,TP为增强层的边缘二值图中正确保存待存储灰度图的边缘二值图中边缘像素点的概率,TN为增强层的边缘二值图中未正确保存待存储灰度图的边缘二值图中边缘像素点的概率,FP为增强层的边缘二值图中未正确保存待存储灰度图的边缘二值图中背景像素点的概率,FN为增强层的边缘二值图中正确保存待存储灰度图的边缘二值图中背景像素点的概率。
所述增强层边缘的查全率的计算方法如下:
Figure BDA0003583062320000031
式中,R为查全率。
所述增强层边缘的错误率的计算方法为
Figure BDA0003583062320000032
式中,W为错误率。
所述每个增强层的评估值的计算方法为:
Z=αη+βR
式中,Z为每个增强层的评估值,α和β通过人为根据对压缩效率和查全率的侧重程度进行分配且α+β=1,η为每个增强层的最合适的压缩方式的压缩效率。
所述确定传输顺序的具体方法如下:
按照每个增强层的评估值大小对增强层进行排序;
按照上述排序,从上至下,找出排序靠前且错误率小于0.2的增强层,为优先传输层;
对于剩下的增强层,仍按照评估值大小的顺序进行传输。
本发明的有益效果是:通过对比特分层后的图像数据进行分析得到增强层,根据增强层中比特值连续出现次数得到每个增强层的比特游程矩阵,根据每个增强层的比特游程矩阵,根据比特游程矩阵获取游程优势度量值,使用不同编码的压缩方式得到每个增强层在每种编码方式下的压缩效率确定出每个增强层的最合适的压缩方式,进一步获取每个增强层的边缘二值图,得到增强层的混淆矩阵根据混淆矩阵得到每个增强层的边缘细节保留情况,利用边缘细节保留情况和压缩效率确定传输顺序,按照最合适的压缩方式对增强层进行压缩然后按照传输顺序进行传输,在提高传输效率的同时又完整的保留了边缘细节。
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是本发明的一种基于大数据的图像数据存储方法的流程示意图;
图2是本发明的一种基于大数据的图像数据存储方法的增强层和高位划分示意图;
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。
本发明的一种基于大数据的图像数据存储方法的实施例,如图1所示,包括:
步骤一:对待存储灰度图进行比特分层,得到待存储灰度图的所有增强层;
该步骤的目的是将待存储灰度图进行比特分层,将每个像素点的灰度值使用8位二进制数据来表示,并将8位二进制数据每二位为一层进行分层处理。
首先,本实施例构建一个大数据系统,用于存储和分析数据,大数据系统常用的架构如Hadoop、Spark等。
然后,进一步利用大数据系统的分析功能对待存储灰度图进行比特分层,方法如下:
(1)将待存储灰度图中每个像素点的灰度值转换为二进制,则灰度值可以通过8位的二进制编码来表示,每一位从左至右依次为第一高位至第八高位,如图1所示。
(2)将第一、二高位作为第一增强层,以此类推,得到四个增强层,如图2所示。对于每一个增强层,其比特值有且仅四种,分别为11,10,01,00。以第一增强层为例,当灰度值范围为[192,255]时,比特值为11;当灰度值范围为[128,191]时,比特值为10;当灰度值范围为[64,127]时,比特值为01;当灰度值范围为[0,63]时,比特值为00。
步骤二:根据每个增强层的比特值连续出现次数得到每个增强层的比特游程矩阵,根据每个增强层的比特游程矩阵计算出每个增强层的长游程优势度量值和短游程优势度量值;
该步骤的目的是通过构建比特游程矩阵获取增强层的游程优势度量值,进而在步骤四中确定增强层的编码方式。
需要说明的是,图像的压缩需要对图像进行编码,编码方式有很多种,在本实施例中,选取的编码方式为游程编码和霍夫曼编码,二者特点如下:
(1)对于游程编码适合的场景是图像数据本身具有大量连续重复出现的内容,这样才能保证采用游程编码的压缩效率。
(2)霍夫曼编码对不同图像数据的编码效率是不同的,当图像数据的概率为2的负幂次方时,达到100%的编码效率,若图像数据的概率相等时,则编码效率最低。
其中,游程长度是在原始图像数据中,当两灰度值相等时,才能计算游程长度,因此具有长游程优势即具有大量连续重复出现的内容的概率较小;通过比特分层后的图像数据,除了灰度值相等时比特值会相等,灰度值在特定范围内时比特值也会相等,均能够计算游程长度,因此具有长游程优势即具有大量连续重复出现的内容的概率增大。
基于十进制灰度值时,连续n个像素点灰度值相等的概率为:
Figure BDA0003583062320000051
通过上述将灰度值转换为8位的二进制编码,并将编码分为增强层后,概率为:
Figure BDA0003583062320000052
通过步骤一比特分层后的图像数据,具有长游程优势概率增大,更适合使用游程编码进行图像数据压缩;但是在这种情况下,如果图像数据仍具有短游程优势,则更适合使用霍夫曼编码进行图像数据压缩。
其中,增强层的比特游程矩阵就是比特值游行的长度(比特值连续出现次数)所组成的矩阵。比特游程矩阵的定义为:记比特游程矩阵为D[l,t],其中l表示某一增强层中的比特值可能取值的数量,t表示比特值在水平方向上所游走的最长长度,也就是在图像中最多有t个连续的l出现,即图像的列数。
举例说明:对于待存储灰度图像img:
(1)获取其灰度矩阵如下:
Figure BDA0003583062320000053
(2)将其转换为二进制编码后,第一增强层对应的比特矩阵为:
Figure BDA0003583062320000061
(3)第一增强层对应的比特矩阵对应的比特游程矩阵为:
Figure BDA0003583062320000062
该比特游程矩阵D1[4,4],其中第一个4表示比特值可能取值[11,10,01,00]的数量,即图像第一行为11,第二行为10,第三行为01,第四行为00,第二个4表示比特值所游走的最长长度,即图像的列数,第一列表示游程长度为4,第二列表示游程长度为3,第三列表示游程长度为2,第四列表示游程长度为1,
在(2)得到的比特矩阵b1中,按照水平方向计算,统计比特值11连续出现的次数
其中,11连续出现4次为0,11连续出现3次为1,11连续出现2次为0,11连续出现1次为1(这里需要注意:因为在计算11连续出现3次时已经计算了所有的11,11,11,所以再计算11出现1次时就不将刚才计算过的11列入其中),所以在(3)的比特游程矩阵D1[4,4]中第一行为10,01,00,按照这种方式可得到其余三个增强层的比特游程矩阵。
其中,长游程优势度量值S和短游程优势度量值L的计算方法如下:
Figure BDA0003583062320000063
Figure BDA0003583062320000064
其中,wbt表示每个增强层中比特值为b的像素点连续t次出现的频数,可通过比特游程矩阵获取,M、N为图像尺寸。
步骤三:使用不同的压缩方式对每个增强层进行压缩,计算出每个增强层在每种压缩方式下的压缩效率;
该步骤的目的是使用不同的压缩方式对每个增强层压缩计算出每个增强层的压缩效率,本实施例中采用的压缩方式为游程编码和哈夫曼编码,通过这两个不同的编码方式对图像进行编码实现压缩。
每个增强层的压缩效率的计算方法为:
(1)获取存储原始灰度图所需的字节数C,使用游程编码和霍夫曼编码对分层后的灰度图的每个增强层进行压缩,获取压缩后的增强层存储所需的字节数Zij
(2)计算相应的压缩效率ηij
Figure BDA0003583062320000071
其中i∈[1,2],j∈[1,4],再计算相应的压缩效率ηij,i=1表示使用游程编码压缩,i=2表示使用哈夫曼编码压缩,j表示第j个增强层。
步骤四:将每个增强层的长游程优势度量值和短游程优势度量值及该增强层在不同压缩方式下的压缩效率输入神经网络,通过神经网络获得每个增强层的最合适的压缩方式;
该步骤的目的是将步骤二得到的每个增强层的游程优势度量值以及步骤三得到的每个增强层的压缩效率,将其输入到DNN神经网络中,让神经网络为增强层判断压缩方式,得到每个增强层最合适的压缩方式,可根据最合适的压缩方式对增强层进行压缩。
其中,采用的DNN神经网络判断针对增强层的压缩方式做二分类,结构为Encoder-Decoder的结构,输入为增强层的游程优势度量值,输出为增强层的二分类结果,即输出每个增强层最合适的压缩方式,编码方式,网络所用loss为交叉熵损失函数。
步骤五:获取待存储灰度图的边缘二值图和每个增强层的边缘二值图;计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的边缘像素点的概率;计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的背景像素点的概率;根据每个增强层的边缘二值图中的边缘像素点的概率和背景像素点的概率构建每个增强层的混淆矩阵;
该步骤的目的是根据增强层的边缘二值图,获得增强层的边缘细节保留情况。
其中,每个增强层的混淆矩阵的获取方法如下:
(1)使用canny算子对待存储的原灰度图进行边缘检测,边缘像素点记为1,背景像素点记为0,将边缘图像转换为边缘二值图,记为A0
(2)使用canny算子对每一增强层以及多个增强层的组合增强层进行边缘检测,边缘像素点记为1,背景像素点记为0,将边缘图像转换为边缘二值图,记为A1-A15
(3)针对第s个增强层的边缘二值图As,获取该增强层的混淆矩阵Hs
Figure BDA0003583062320000081
其中,对于边缘二值图A0中边缘像素点,TP表示某一增强层的边缘二值图As中正确保存的概率,TN表示未保存的概率;对于边缘二值图A0中背景像素点,FP表示某一增强层的边缘二值图As中未正确保存为边缘像素点的概率;FN表示正确保存为背景像素点的的概率。
步骤六:根据每个增强层的混淆矩阵计算出每个增强层边缘的查全率和错误率,根据每个增强层边缘的查全率和该增强层的最合适的压缩方式的压缩效率得到每个增强层的评估值,根据每个增强层的评估值和该增强层边缘的错误率确定传输顺序;
该步骤的目的是计算出每个增强层的评估值,并根据评估值得到传输顺序。
其中,计算该增强层边缘的查全率R以及错误率W,计算公式如下:
Figure BDA0003583062320000082
Figure BDA0003583062320000083
根据该增强层最合适的压缩方式的压缩效率η和查全率R,进行加权求和获取评估值Z:
Z=αη+βR
其中,α和β通过人为根据对压缩效率和查全率的侧重程度进行分配,保证α+β=1。按照评估值进行排序;
其中,按照评估值排序的规则如下:
(1)按照评估值大小对增强层进行排序。
(2)按照上述排序,从上至下,找出排序靠前且错误率小于0.2的增强层,为优先传输层。
(3)对于剩下的增强层,仍按照之前的顺序进行传输。
至此,基于大数据系统的分析功能,对比特分层后的图像数据进行分析,获取游程优势度量值和边缘细节保留情况,进而决定编码方式和传输顺序。
步骤七:将待存储灰度图的增强层按照传输顺序进行传输,在每次传输前先按照该增强层最合适的压缩方式进行压缩,完成图像数据存储。
该步骤的目的是,通过大数据系统的存储功能,按照编码方式和传输顺序对图像数据进行存储。
先按照传输顺序传输优先传输层然后传输剩余的增强层,并且每次传输的增强层都是使用最合适该增强层的编码方式压缩处理过的,按照此种方式完成图像数据的存储。
在渐近式图像传输过程中,按照上述步骤的传输顺序,首先对优先传输层进行传输解码,在接收端,接收者首先可获得一个保存了大致边缘细节的图像,然后逐渐传输较高分辨率的细节图像,一旦图像满足接收者的要求或对图像内容不再感兴趣时,接收者可以中断传输图像。
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 (8)

1.一种基于大数据的图像数据存储方法,其特征在于,包括:
对待存储灰度图进行比特分层,得到待存储灰度图的所有增强层;
根据每个增强层的比特值连续出现次数得到每个增强层的比特游程矩阵,根据每个增强层的比特游程矩阵计算出每个增强层的长游程优势度量值和短游程优势度量值;
使用不同的压缩方式对每个增强层进行压缩,计算出每个增强层在每种压缩方式下的压缩效率;
将每个增强层的长游程优势度量值和短游程优势度量值及该增强层在不同压缩方式下的压缩效率输入神经网络,通过神经网络获得每个增强层的最合适的压缩方式;
获取待存储灰度图的边缘二值图和每个增强层的边缘二值图;
计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的边缘像素点的概率;
计算每个增强层的边缘二值图中保存待存储灰度图的边缘二值图中的背景像素点的概率;
根据每个增强层的边缘二值图中的边缘像素点的概率和背景像素点的概率构建每个增强层的混淆矩阵;
根据每个增强层的混淆矩阵计算出每个增强层边缘的查全率和错误率,根据每个增强层边缘的查全率和该增强层的最合适的压缩方式的压缩效率得到每个增强层的评估值,根据每个增强层的评估值和该增强层边缘的错误率确定传输顺序;
将待存储灰度图的增强层按照传输顺序进行传输,在每次传输前先按照该增强层最合适的压缩方式进行压缩,完成图像数据存储。
2.根据权利要求1所述的一种基于大数据的图像数据存储方法,其特征在于,所述对待存储灰度图进行比特分层得到所有增强层的方法如下:
将待存储灰度图中每个像素点的灰度值转换为二进制,则灰度值可以通过8位的二进制编码来表示,每一位从左至右依次为第一高位至第八高位;
将第一、二高位作为第一增强层,以此类推,得到四个增强层。
3.根据权利要求1所述的一种基于大数据的图像数据存储方法,其特征在于,所述每个增强层的长游程优势度量值和短游程优势度量值的计算方法如下:
长游程优势度量值L:
Figure FDA0003583062310000021
短游程优势度量值S:
Figure FDA0003583062310000022
其中,wbt为每个增强层中比特值为b的像素点连续t次出现的频数,M、N为图像尺寸。
4.根据权利要求1所述的一种基于大数据的图像数据存储方法,其特征在于,所述每个增强层的混淆矩阵为:
Figure FDA0003583062310000023
其中,H为增强层的混淆矩阵,TP为增强层的边缘二值图中正确保存待存储灰度图的边缘二值图中边缘像素点的概率,TN为增强层的边缘二值图中未正确保存待存储灰度图的边缘二值图中边缘像素点的概率,FP为增强层的边缘二值图中未正确保存待存储灰度图的边缘二值图中背景像素点的概率,FN为增强层的边缘二值图中正确保存待存储灰度图的边缘二值图中背景像素点的概率。
5.根据权利要求4所述的一种基于大数据的图像数据存储方法,其特征在于,所述增强层边缘的查全率的计算方法如下:
Figure FDA0003583062310000024
式中,R为查全率。
6.根据权利要求4所述的一种基于大数据的图像数据存储方法,其特征在于,所述增强层边缘的错误率的计算方法为
Figure FDA0003583062310000025
式中,W为错误率。
7.根据权利要求1所述的一种基于大数据的图像数据存储方法,其特征在于,所述每个增强层的评估值的计算方法为:
Z=αη+βR
式中,Z为每个增强层的评估值,α和β通过人为根据对压缩效率和查全率的侧重程度进行分配且α+β=1,η为每个增强层的最合适的压缩方式的压缩效率。
8.根据权利要求1所述的一种基于大数据的图像数据存储方法,其特征在于,所述确定传输顺序的具体方法如下:
按照每个增强层的评估值大小对增强层进行排序;
按照上述排序,从上至下,找出排序靠前且错误率小于0.2的增强层,为优先传输层;
对于剩下的增强层,仍按照评估值大小的顺序进行传输。
CN202210358905.0A 2022-04-06 2022-04-06 一种基于大数据的图像数据存储方法 Pending CN114745553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210358905.0A CN114745553A (zh) 2022-04-06 2022-04-06 一种基于大数据的图像数据存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210358905.0A CN114745553A (zh) 2022-04-06 2022-04-06 一种基于大数据的图像数据存储方法

Publications (1)

Publication Number Publication Date
CN114745553A true CN114745553A (zh) 2022-07-12

Family

ID=82279838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210358905.0A Pending CN114745553A (zh) 2022-04-06 2022-04-06 一种基于大数据的图像数据存储方法

Country Status (1)

Country Link
CN (1) CN114745553A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063620A (zh) * 2022-08-19 2022-09-16 启东市海信机械有限公司 一种基于比特分层罗茨风机轴承磨损检测方法
CN115529466A (zh) * 2022-11-25 2022-12-27 北京润谊医疗管理顾问有限公司 用于手持设备的高效眼底图像通信方法
CN115589493A (zh) * 2022-12-09 2023-01-10 深圳海卫通网络科技有限公司 一种用于船舶视频回传的卫星传输数据压缩方法
CN117615088A (zh) * 2024-01-22 2024-02-27 沈阳市锦拓电子工程有限公司 一种安全监控的视频数据高效存储方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267300A1 (en) * 2007-04-30 2008-10-30 Siemens Aktiengesellschaft Method for the compression of data using a run-length coding
CN105516540A (zh) * 2015-12-14 2016-04-20 天津津芯微电子科技有限公司 二值图像的压缩方法及装置
CN109819259A (zh) * 2019-02-23 2019-05-28 东华理工大学 一种基于Huffman编码的图像再压缩处理方法
CN112399181A (zh) * 2019-08-19 2021-02-23 华为技术有限公司 图像编解码的方法、装置和芯片

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267300A1 (en) * 2007-04-30 2008-10-30 Siemens Aktiengesellschaft Method for the compression of data using a run-length coding
CN105516540A (zh) * 2015-12-14 2016-04-20 天津津芯微电子科技有限公司 二值图像的压缩方法及装置
CN109819259A (zh) * 2019-02-23 2019-05-28 东华理工大学 一种基于Huffman编码的图像再压缩处理方法
CN112399181A (zh) * 2019-08-19 2021-02-23 华为技术有限公司 图像编解码的方法、装置和芯片

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李薇: "霍夫曼编码和游程编码在图像编码中的应用", 舰船电子工程, 20 July 2010 (2010-07-20) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063620A (zh) * 2022-08-19 2022-09-16 启东市海信机械有限公司 一种基于比特分层罗茨风机轴承磨损检测方法
CN115063620B (zh) * 2022-08-19 2023-11-28 启东市海信机械有限公司 一种基于比特分层罗茨风机轴承磨损检测方法
CN115529466A (zh) * 2022-11-25 2022-12-27 北京润谊医疗管理顾问有限公司 用于手持设备的高效眼底图像通信方法
CN115529466B (zh) * 2022-11-25 2023-01-31 北京润谊医疗管理顾问有限公司 用于手持设备的高效眼底图像通信方法
CN115589493A (zh) * 2022-12-09 2023-01-10 深圳海卫通网络科技有限公司 一种用于船舶视频回传的卫星传输数据压缩方法
CN117615088A (zh) * 2024-01-22 2024-02-27 沈阳市锦拓电子工程有限公司 一种安全监控的视频数据高效存储方法
CN117615088B (zh) * 2024-01-22 2024-04-05 沈阳市锦拓电子工程有限公司 一种安全监控的视频数据高效存储方法

Similar Documents

Publication Publication Date Title
CN114745553A (zh) 一种基于大数据的图像数据存储方法
CN109996071B (zh) 基于深度学习的可变码率图像编码、解码系统及方法
CN110517329B (zh) 一种基于语义分析的深度学习图像压缩方法
CN108960333B (zh) 基于深度学习的高光谱图像无损压缩方法
JP4085116B2 (ja) ブロック単位での画像データの圧縮及び圧縮解除
CN112994701B (zh) 数据压缩方法、装置、电子设备及计算机可读介质
CN107481295B (zh) 基于动态字节长度分配的卷积神经网络的图像压缩系统
CN111147862B (zh) 一种基于目标编码的端到端图像压缩方法
CN112488070A (zh) 一种面向遥感图像目标检测的神经网络压缩方法
CN109523016B (zh) 面向嵌入式系统的多值量化深度神经网络压缩方法及系统
CN116469100A (zh) 一种基于Transformer的双波段图像语义分割方法
CN110647990A (zh) 基于灰色关联分析的深度卷积神经网络模型的裁剪方法
CN111754592A (zh) 一种基于特征通道信息的端到端多光谱遥感图像压缩方法
CN102215385B (zh) 一种图像实时无损压缩方法
CN114970853A (zh) 一种跨范围量化的卷积神经网络压缩方法
CN114708343A (zh) 基于图字典学习的三维点云编解码方法、压缩方法及装置
CN115941943A (zh) 一种hevc视频编码方法
CN115914640A (zh) 一种用于车联网的数据压缩方法
CN113177627B (zh) 优化系统、重新训练系统及其方法及处理器和可读介质
CN112906886B (zh) 结果复用的可重构bnn硬件加速器及图像处理方法
CN115457638A (zh) 模型训练方法、数据检索方法、装置、设备及存储介质
CN110674335B (zh) 一种基于多生成多对抗的哈希码与图像双向转换方法
CN112906887B (zh) 稀疏gru神经网络加速的实现方法和装置
CN115375922A (zh) 一种基于多尺度空间注意力的轻量化显著性检测方法
CN112070851B (zh) 基于遗传算法和bp神经网络的索引图预测方法

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