CN114937097A - 基于大数据的图像智能压缩方法 - Google Patents

基于大数据的图像智能压缩方法 Download PDF

Info

Publication number
CN114937097A
CN114937097A CN202210165446.4A CN202210165446A CN114937097A CN 114937097 A CN114937097 A CN 114937097A CN 202210165446 A CN202210165446 A CN 202210165446A CN 114937097 A CN114937097 A CN 114937097A
Authority
CN
China
Prior art keywords
pixel
image
gray
sequence
sub
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
CN202210165446.4A
Other languages
English (en)
Other versions
CN114937097B (zh
Inventor
吴云丽
夏德飞
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.)
Guangzhou Juying Information Technology Co ltd
Original Assignee
Nantong Zepai 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 Nantong Zepai Network Technology Co Ltd filed Critical Nantong Zepai Network Technology Co Ltd
Priority to CN202210165446.4A priority Critical patent/CN114937097B/zh
Publication of CN114937097A publication Critical patent/CN114937097A/zh
Application granted granted Critical
Publication of CN114937097B publication Critical patent/CN114937097B/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
    • G06T9/20—Contour coding, e.g. using detection of edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及基于大数据的图像智能压缩方法，该方法包括：获取各个待压缩图像的灰度图；将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段；获取每个子像素段中像素点灰度值的变化规律，根据变化规律获取待压缩灰度图中每个子像素段对应的像素点灰度值的等差数列，确定每个等差数列的公差、首项以及项数；存储待压缩图像的每个等差数列的首项、公差及项数，得到压缩图像，本发明方法提高了压缩率，在保证压缩率的同时还保证了压缩后图像信息的完整性。

Description

基于大数据的图像智能压缩方法
技术领域
本发明涉及图像压缩技术领域，具体涉及基于大数据的图像智能压缩方法。
背景技术
在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，单靠硬盘的扩容和传输设备的改善已经不能支持这样庞大的数据量，图像数据的压缩问题一直是计算机图像学的热点问题。
根据压缩后再还原的图像数据与原始图像数据之间是否存在误差，将图像数据压缩分为可逆压缩和不可逆压缩。
一般图像数据压缩采用不可逆压缩，因为这种压缩方式可以取得较大的压缩率，但同时容许有一定的误差。传统不可逆图像数据压缩方式更注重压缩率，在取得较大的压缩率的同时，会导致图像中的重要的特征信息丢失，如边缘信息，边缘信息作为图像最基本且重要的特征，边缘信息丢失会导致物体形状信息缺失，从而影响图像的特征提取、描述及目标识别，因此，需要基于大数据的图像智能压缩方法。
发明内容
本发明提供基于大数据的图像智能压缩方法，以解决现有的问题。
本发明的基于大数据的图像智能压缩方法采用如下技术方案：该方法包括：
S1、获取各个待压缩图像的灰度图；
S2、将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段；
S3、获取每个子像素段中像素点灰度值的变化规律，根据变化规律获取待压缩灰度图中每个子像素段对应的像素点灰度值的等差数列，确定每个等差数列的公差、首项以及项数；
S4、存储待压缩图像的每个等差数列的首项、公差及项数，得到压缩图像。
优选的，存储待压缩图像的每个等差数列的首项、公差及项数的步骤包括：
对待压缩图像中的所有子像素段按照顺序进行编号；
按照子像素段的编号依次将每个子像素段对应的等差数列的首项、公差及项数存储。
优选的，存储待压缩图像的每个等差数列的首项、公差及项数的步骤还包括：
对所有等差数列进行分类；
存储每类不同的等差数列的首项、公差及项数；
每类相同的等差数列的首项、公差只存储一次，并存储每个等差数列对应的项数。
优选的，将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段步骤包括：
通过边缘检测算法对灰度图进行边缘检测得到灰度图的边缘像素点；
将灰度图中每行像素点中的起始像素点作为该行像素点的起始极点，灰度图中每行像素点中的终止像素点作为该行像素点的终止极点，灰度图的边缘像素点作为该行像素点的中间极点；
将起始极点与相邻的中间极点作为一段子像素段、中间极点与相邻的中间极点作为一段子像素段及中间极点与相邻的终止极点作为一段子像素段，得到多个子像素段。
优选的，通过边缘检测算法对灰度图进行边缘检测得到灰度图的边缘像素点的步骤包括：
对灰度图进行滤波降噪处理；
对降噪后的灰度图通过差分计算梯度幅值；其中，在差分计算幅值中，以x方向的Sobel 算子作为梯度算子计算梯度，得到图像在x方向上的偏导数矩阵，进而得到在x方向上计算梯度的幅值；
根据梯度幅值对像素点进行非极大值抑制、阈值滞后处理和孤立弱边缘抑制，得到连续且幅值大的边缘像素点。
优选的，获取子像素段中像素点灰度值的变化规律，根据变化规律获取各个灰度图中每个子像素段对应的像素点灰度值的等差数列的步骤包括：
将每个像素段中所有像素点灰度值记为一段序列，计算每个序列的所有像素点的灰度值的均值
Figure DEST_PATH_IMAGE002
和方差
Figure DEST_PATH_IMAGE004
；
对每个序列进行一阶差分，得到一阶差分序列，计算每个一阶差分序列的均值
Figure DEST_PATH_IMAGE006
和方差
Figure DEST_PATH_IMAGE008
；
若
Figure DEST_PATH_IMAGE010
且
Figure DEST_PATH_IMAGE012
，则该序列近似为常数序列，即灰度值近似保持一致，常数序列是一种特殊的等差数列，其公差为0；否则，该序列近似为等差数列，其中，
Figure 909024DEST_PATH_IMAGE006
为该等差序数的公差，t表示等差序列的项数；
以起始极点的灰度值
Figure DEST_PATH_IMAGE014
为等差数列的首项、以起始极点、中间极点、终止极点中相邻的极点之间像素点的个数加一为等差数列的项数t、以
Figure 707084DEST_PATH_IMAGE006
为该等差数列的公差得到每个子像素段序列的等差数列。
优选的，还包括：对压缩图像进行还原，得到原始图像步骤，该步骤包括：
根据下式（1）计算压缩图像中每个像素点还原后的灰度值：
Figure DEST_PATH_IMAGE016
（1）
其中，
Figure DEST_PATH_IMAGE018
表示第
Figure DEST_PATH_IMAGE020
个像素点的灰度值，
Figure DEST_PATH_IMAGE022
表示第
Figure 44393DEST_PATH_IMAGE020
个像素点是第
Figure DEST_PATH_IMAGE024
个序列中的第
Figure DEST_PATH_IMAGE026
项，
Figure DEST_PATH_IMAGE028
个像素段对应的等差数列的首项，
Figure DEST_PATH_IMAGE030
表示第
Figure DEST_PATH_IMAGE032
个像素段对应的等差数列的公差；
根据所有像素点的灰度值及每个子像素段的序号，对压缩图像进行还原，得到完整的原始图像的灰度图。
本发明的有益效果是：本发明的基于大数据的图像智能压缩方法，通过以边缘像素点为极点对图像的每行像素点进行分段，然后依据每个子像素段中的像素点的灰度值的变化规律将图像数据转换为等差数列，然后将图像根据其对应的等差数列的公差、首项及项数进行保存，从而使得只需要首项、公差即可表示一段任意长度的子像素段，从而达到压缩图像数据的目的，利用大数据系统将海量的图像数据通过有限的等差数列进行存储，达到了更大的压缩率，在取得较大的压缩率的同时，本方法还保存图像的边缘信息，为压缩后的图像再还原，保证了图像信息的完整性。
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为本发明的基于大数据的图像智能压缩方法的实施例总体步骤的流程图；
图2为图1中的存储待压缩图像的每个等差数列的首项、公差及项数的流程图。
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。
本发明的基于大数据的图像智能压缩方法的实施例，该方法包括：
S1、获取各个待压缩图像的灰度图，具体的，通过RGB 颜色转灰度的计算公式得到待压缩图像的灰度图；
S2、将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段。
具体的，由于图像边缘一般为像素点灰度值变化剧烈的位置，以水平方向为例，在图像边缘的一侧，像素点的灰度值近似保持一致或者小幅度有规律地变化着，同理，在图像边缘另一侧，像素点的灰度值同样近似保持一致或者小幅度有规律地变化着。
S21、先通过边缘检测算法对灰度图进行边缘检测得到灰度图的边缘像素点；S211、对灰度图进行滤波降噪处理；S212、对降噪后的灰度图通过差分计算梯度幅值；其中，在差分计算幅值中，以x方向的Sobel 算子作为梯度算子计算梯度，得到图像在x方向上的偏导数矩阵，进而得到在x方向上计算梯度的幅值；偏导数矩阵如下：
Figure DEST_PATH_IMAGE034
；S213、根据梯度幅值对像素点进行非极大值抑制、阈值滞后处理和孤立弱边缘抑制，得到连续且幅值大的边缘像素点。
S22、然后将灰度图中每行像素点中的起始像素点作为该行像素点的起始极点，灰度图中每行像素点中的终止像素点作为该行像素点的终止极点，灰度图的边缘像素点作为该行像素点的中间极点；S23、将起始极点与相邻的中间极点作为一段子像素段、中间极点与相邻的中间极点作为一段子像素段及中间极点与相邻的终止极点作为一段子像素段，得到多个子像素段。
S3、获取每个子像素段中像素点灰度值的变化规律，根据变化规律获取待压缩灰度图中每个子像素段对应的像素点灰度值的等差数列，确定每个等差数列的公差、首项以及项数，由于分段后的子像素段中像素点的灰度值存在变化规律，故先对其规律分析，根据灰度值变化规律，将分段灰度值的变化规律分为上升、下降、平稳三种状态，通过公差分别为正数、负数和零地等差数列来将子像素段的灰度值进行表示。
具体的，S31、将每个像素段中所有像素点灰度值记为一段序列，计算每个序列的所有像素点的灰度值的均值
Figure 392985DEST_PATH_IMAGE002
和方差
Figure 654202DEST_PATH_IMAGE004
；S32、对每个序列进行一阶差分，得到一阶差分序列，计算每个一阶差分序列的均值
Figure 870551DEST_PATH_IMAGE006
和方差
Figure 34554DEST_PATH_IMAGE008
；S33、若
Figure 851200DEST_PATH_IMAGE010
且
Figure 135682DEST_PATH_IMAGE012
，则该序列近似为常数序列，即灰度值近似保持一致，常数序列是一种特殊的等差数列，其公差为0；否则，该序列近似为等差数列，其中，
Figure 721384DEST_PATH_IMAGE006
为该等差序数的公差，t表示等差序列的项数；S34、以起始极点的灰度值
Figure 292891DEST_PATH_IMAGE014
作为等差数列的首项、以起始极点、中间极点、终止极点中相邻的极点之间像素点的个数加一作为等差数列的项数t、以
Figure 331254DEST_PATH_IMAGE006
为该等差数列的公差得到每个子像素段序列的等差数列。
S4、存储待压缩图像的每个等差数列的首项、公差及项数，得到压缩图像。
具体的，由于每个图像对应的子像素段的数量比较大，每个子像素段需要对应一个等差数列，子像素段有很多个，且位置并不相同，为了使得精确压缩的，保证解压时的效率和准确性，对待压缩图像中的所有子像素段按照顺序进行编号；按照子像素段的编号依次将每个子像素段对应的等差数列的首项、公差及项数存储，也就是每一行像素点中每个子像素段按照顺序依次编号，从而将编号的子像素段及子像素段对应的等差数列的首项、公差及项数存储在大数据系统中，由于等差数列是按照子像素段中像素点的灰度值的变化规律获得的，故等差数列的首项记为每个子像素段的起始像素点的灰度值，等差数列的项数即为每个像素段内像素点的个数。
当存储的海量图像的大数据系统中，图像的行数以及以行为单位进行分段的子像素段均以几何速度在增长，基于此得到海量的等差数列，其中存在相同的等差数列的概率很大，如果按照这个等差数列的公差、首项及项数对图像进行压缩，其压缩后的体积还是比较大，因此，为了提高压缩率，需要把等差数列的首项和公差相同的进行归类存储，即还包括：S41、对所有等差数列进行分类；S42、存储每类不同的等差数列的首项、公差及项数；S43、每类相同的等差数列的首项、公差只存储一次，并存储每个等差数列对应的项数。
为了便于使得对压缩后的图像还原，还包括：对压缩图像进行还原，得到原始图像步骤，该步骤包括：根据下式（1）计算压缩图像中每个像素点还原后的灰度值：
Figure 419427DEST_PATH_IMAGE016
（1）
其中，
Figure 859636DEST_PATH_IMAGE018
表示第
Figure 506386DEST_PATH_IMAGE020
个像素点的灰度值，
Figure 907412DEST_PATH_IMAGE022
表示第
Figure 782964DEST_PATH_IMAGE020
个像素点是第
Figure 592526DEST_PATH_IMAGE024
个序列中的第
Figure 160910DEST_PATH_IMAGE026
项，
Figure DEST_PATH_IMAGE036
个像素段对应的等差数列的首项，
Figure 721336DEST_PATH_IMAGE030
表示第
Figure 774480DEST_PATH_IMAGE032
个像素段对应的等差数列的公差；根据所有像素点的灰度值及每个子像素段的序号，对压缩图像进行还原，得到完整的原始图像的灰度图，然后将原始图像的灰度图转化为原始图像。
综上所述，本发明提供基于大数据的图像智能压缩方法，通过以边缘像素点为极点对图像的每行像素点进行分段，然后依据每个子像素段中的像素点的灰度值的变化规律将图像数据转换为等差数列，然后将图像根据其对应的等差数列的公差、首项及项数进行保存，从而使得只需要首项、公差即可表示一段任意长度的子像素段，从而达到压缩图像数据的目的，利用大数据系统将海量的图像数据通过有限的等差数列进行存储，达到了更大的压缩率，在取得较大的压缩率的同时，本方法还保存图像的边缘信息，为压缩后的图像再还原，保证了图像信息的完整性。
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 (7)

1.基于大数据的图像智能压缩方法，其特征在于，该方法包括：
S1、获取各个待压缩图像的灰度图；
S2、将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段；
S3、获取每个子像素段中像素点灰度值的变化规律，根据变化规律获取待压缩灰度图中每个子像素段对应的像素点灰度值的等差数列，确定每个等差数列的公差、首项以及项数；
S4、存储待压缩图像的每个等差数列的首项、公差及项数，得到压缩图像。
2.根据权利要求1所述的基于大数据的图像智能压缩方法，其特征在于，存储待压缩图像的每个等差数列的首项、公差及项数的步骤包括：
对待压缩图像中的所有子像素段按照顺序进行编号；
按照子像素段的编号依次将每个子像素段对应的等差数列的首项、公差及项数存储。
3.根据权利要求1所述的基于大数据的图像智能压缩方法，其特征在于，存储待压缩图像的每个等差数列的首项、公差及项数的步骤还包括：
对所有等差数列进行分类；
存储每类不同的等差数列的首项、公差及项数；
每类相同的等差数列的首项、公差只存储一次，并存储每个等差数列对应的项数。
4.根据权利要求1所述的基于大数据的图像智能压缩方法，其特征在于，将每个灰度图中每行像素点进行分段，得到每行像素点对应的多个子像素段步骤包括：
通过边缘检测算法对灰度图进行边缘检测得到灰度图的边缘像素点；
将灰度图中每行像素点中的起始像素点作为该行像素点的起始极点，灰度图中每行像素点中的终止像素点作为该行像素点的终止极点，灰度图的边缘像素点作为该行像素点的中间极点；
将起始极点与相邻的中间极点作为一段子像素段、中间极点与相邻的中间极点作为一段子像素段及中间极点与相邻的终止极点作为一段子像素段，得到多个子像素段。
5.根据权利要求4所述的基于大数据的图像智能压缩方法，其特征在于，通过边缘检测算法对灰度图进行边缘检测得到灰度图的边缘像素点的步骤包括：
对灰度图进行滤波降噪处理；
对降噪后的灰度图通过差分计算梯度幅值；其中，在差分计算幅值中，以x方向的Sobel算子作为梯度算子计算梯度，得到图像在x方向上的偏导数矩阵，进而得到在x方向上计算梯度的幅值；
根据梯度幅值对像素点进行非极大值抑制、阈值滞后处理和孤立弱边缘抑制，得到连续且幅值大的边缘像素点。
6.根据权利要求1所述的基于大数据的图像智能压缩方法，其特征在于，获取子像素段中像素点灰度值的变化规律，根据变化规律获取各个灰度图中每个子像素段对应的像素点灰度值的等差数列的步骤包括：
将每个像素段中所有像素点灰度值记为一段序列，计算每个序列的所有像素点的灰度值的均值μ0和方差
Figure RE-FDA0003761408310000021
对每个序列进行一阶差分，得到一阶差分序列，计算每个一阶差分序列的均值μ1和方差
Figure RE-FDA0003761408310000022
若
Figure RE-FDA0003761408310000023
且μ1×t≤20，则该序列近似为常数序列，即灰度值近似保持一致，常数序列是一种特殊的等差数列，其公差为0；否则，该序列近似为等差数列，其中，μ1为该等差序数的公差，t表示等差序列的项数；
以起始极点的灰度值h1为等差数列的首项、以起始极点、中间极点、终止极点中相邻的极点之间像素点的个数加一为等差数列的项数t、以μ1为该等差数列的公差得到每个子像素段序列的等差数列。
7.根据权利要求1所述的基于大数据的图像智能压缩方法，其特征在于，还包括：对压缩图像进行还原，得到原始图像步骤，该步骤包括：
根据下式(1)计算压缩图像中每个像素点还原后的灰度值：
Figure RE-FDA0003761408310000024
其中，hl表示第l个像素点的灰度值，
Figure RE-FDA0003761408310000025
表示第l个像素点是第n+1个序列中的第k项，
Figure RE-FDA0003761408310000026
表示第in+1个像素段对应的等差数列的首项，
Figure RE-FDA0003761408310000027
表示第in+1个像素段对应的等差数列的公差；
根据所有像素点的灰度值及每个子像素段的序号，对压缩图像进行还原，得到完整的原始图像的灰度图。
CN202210165446.4A 2022-02-23 2022-02-23 基于大数据的图像智能压缩方法 Active CN114937097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210165446.4A CN114937097B (zh) 2022-02-23 2022-02-23 基于大数据的图像智能压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210165446.4A CN114937097B (zh) 2022-02-23 2022-02-23 基于大数据的图像智能压缩方法

Publications (2)

Publication Number Publication Date
CN114937097A true CN114937097A (zh) 2022-08-23
CN114937097B CN114937097B (zh) 2023-12-08

Family

ID=82862553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210165446.4A Active CN114937097B (zh) 2022-02-23 2022-02-23 基于大数据的图像智能压缩方法

Country Status (1)

Country Link
CN (1) CN114937097B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996673A (zh) * 2023-09-28 2023-11-03 深圳市铁军智能科技有限公司 基于通行出入管理及设备运行状态的智能云端管理系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06334983A (ja) * 1992-10-29 1994-12-02 Sony Corp 画像信号の符号化方法、符号化装置、復号化方法及び復号化装置
JPH10304385A (ja) * 1997-02-28 1998-11-13 Matsushita Electric Ind Co Ltd 動画変換装置
CN107452007A (zh) * 2017-07-05 2017-12-08 国网河南省电力公司 一种可见光绝缘子图像边缘检测方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN112233037A (zh) * 2020-10-23 2021-01-15 新相微电子(上海)有限公司 基于图像分割的图像增强系统及方法
CN112967207A (zh) * 2021-04-23 2021-06-15 北京恒安嘉新安全技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113160087A (zh) * 2021-04-29 2021-07-23 平安科技（深圳）有限公司 图像增强方法、装置、计算机设备及存储介质
CN113870293A (zh) * 2021-09-27 2021-12-31 东莞拓斯达技术有限公司 图像处理方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06334983A (ja) * 1992-10-29 1994-12-02 Sony Corp 画像信号の符号化方法、符号化装置、復号化方法及び復号化装置
JPH10304385A (ja) * 1997-02-28 1998-11-13 Matsushita Electric Ind Co Ltd 動画変換装置
CN107452007A (zh) * 2017-07-05 2017-12-08 国网河南省电力公司 一种可见光绝缘子图像边缘检测方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN112233037A (zh) * 2020-10-23 2021-01-15 新相微电子(上海)有限公司 基于图像分割的图像增强系统及方法
CN112967207A (zh) * 2021-04-23 2021-06-15 北京恒安嘉新安全技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113160087A (zh) * 2021-04-29 2021-07-23 平安科技（深圳）有限公司 图像增强方法、装置、计算机设备及存储介质
CN113870293A (zh) * 2021-09-27 2021-12-31 东莞拓斯达技术有限公司 图像处理方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭振龙;桂小林;安健;冀亚丽;郭建宏;: "一种基于次优加权矩阵的灰度图像信息隐藏算法", 四川大学学报(工程科学版), no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116996673A (zh) * 2023-09-28 2023-11-03 深圳市铁军智能科技有限公司 基于通行出入管理及设备运行状态的智能云端管理系统
CN116996673B (zh) * 2023-09-28 2023-11-24 深圳市铁军智能科技有限公司 基于通行出入管理及设备运行状态的智能云端管理系统

Also Published As

Publication number Publication date
CN114937097B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN114972329B (zh) 基于图像处理的表面缺陷检测仪的图像增强方法及系统
CN110309808B (zh) 一种大范围尺度空间下的自适应烟雾根节点检测方法
US20090103814A1 (en) Information Processing Apparatus, Information Processing Method, and Program
CN110348531B (zh) 具有分辨率适应性的深度卷积神经网络构建方法及应用
CN111402138A (zh) 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN114937097A (zh) 基于大数据的图像智能压缩方法
CN111444807B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN117036737A (zh) 基于信息熵、gms与lc显著检测的特征提取与匹配方法
CN116030396A (zh) 一种用于视频结构化提取的精确分割方法
CN110047029B (zh) 一种结合多层差扩展具有对比度增强的可逆信息隐藏方法及装置
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
CN114119577B (zh) 高铁隧道漏缆卡扣检测方法
CN111223050A (zh) 一种实时图像边缘检测算法
CN115512189A (zh) 图像识别模型评估方法、装置以及存储介质
CN114463764A (zh) 表格线检测方法、装置、计算机设备和存储介质
CN110910332B (zh) 一种视觉slam系统动态模糊处理方法
CN111931689B (zh) 一种在线提取视频卫星数据鉴别特征的方法
CN114519694A (zh) 基于深度学习的七段数码管液晶显示屏识别方法及系统
CN113837243A (zh) 基于边缘信息的rgb-d相机动态视觉里程计方法
CN110570415B (zh) 一种高铁接触网吊弦不受力异常检测方法
CN108416768B (zh) 一种基于二进制的前景图相似度评测方法
CN107563415B (zh) 一种基于局部滤波特征矢量的图像匹配方法
CN113239860A (zh) 一种基于视频的烟火检测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231115

Address after: Room A202-1, 2nd Floor, No. 5 Kuilongwei Street, Wenchong Road, Huangpu District, Guangzhou City, Guangdong Province, 510725

Applicant after: Guangzhou Juying Information Technology Co.,Ltd.

Address before: Room 326, Building 11, Xingfu New Town, Chongchuan District, Nantong City, Jiangsu Province, 226001

Applicant before: Nantong Zepai Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant