CN115205533A - 一种管理数据分析方法及系统 - Google Patents
一种管理数据分析方法及系统 Download PDFInfo
- Publication number
- CN115205533A CN115205533A CN202211134021.3A CN202211134021A CN115205533A CN 115205533 A CN115205533 A CN 115205533A CN 202211134021 A CN202211134021 A CN 202211134021A CN 115205533 A CN115205533 A CN 115205533A
- Authority
- CN
- China
- Prior art keywords
- image
- segmented
- granularity
- degree
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 7
- 235000019580 granularity Nutrition 0.000 description 94
- 235000019587 texture Nutrition 0.000 description 45
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种管理数据分析方法及系统，涉及数据分析技术领域，该方法包括，获取待分割图像；判断待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若待分割图像类型的简易程度为简单程度，根据初始三元组构造等价关系函数，并使用预设分类方法分割待分割图像，得到分割后的图像；若待分割图像类型的简易程度为复杂程度，在初始三元组的基础上，在不同层次下提取待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；将不同层次的初始粒度空间进行合成，得到结果粒度空间。提高了图像分割的适应性，从而提高分割精度和效果。
Description
技术领域
本申请涉及数据分析技术领域，更具体地，涉及一种管理数据分析方法及系统。
背景技术
现有数据中很多以图像或图片形式存在，以此来传递信息，因此，图片的分析处理尤为重要。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
图像分割是将图像中有意义的特征或区域提取出来的过程。这些特征可以是图像场的原始特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等,也可以是空间频谱,如直方图特征等.图像分割的目的是把图像划分成若干互不相交的区域，使各区域具有一致性，而相邻区域间的属性特征有明显的差别。纹理是图像的重要特征，纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志，某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。
不同的图像采用的分割方法不同，现有技术中，并未有一种分割方法能适应不同的图像分割，导致图像适应性差、分割效果差、分割准确性较低。
因此，如何提高图像分割适应性，是目前有待解决的技术问题。
发明内容
本发明提供一种管理数据分析方法，用以解决现有技术中图像分割适应性差、分割效果差、分割准确性低的技术问题。该方法包括：
获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；
判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；
若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；
将不同层次的初始粒度空间进行合成，得到结果粒度空间；
其中，所述特征矢量为能表征区分程度的特征。
本申请一些实施例中，若所述待分割图像类型的简易程度为简单程度且所述待分割图像为灰度图像，等价关系函数采用灰度直方图的峰值，再用预设分类方法对待分割图像进行分割，得到分割后的图像。
本申请一些实施例中，若所述待分割图像类型的简易程度为复杂程度且所述待分割图像为纹理图像，所述纹理图像的特征矢量包括纹理方向性特征和纹理粗细度区域特征；
提取所述纹理方向性特征，根据所述纹理方向性特征构造等价关系函数，并进行粗分割得到第一粒度空间；
提取所述纹理粗细度区域特征，并进行粗分割得到第二粒度空间；
将所述第一粒度空间和所述第二粒度空间进行合成，得到结果粒度空间；
其中，所述第一粒度空间和所述第二粒度空间均为初始粒度空间。
本申请一些实施例中，所述方法还包括：
等价关系函数通过属性法或投影法或结构方法或约束分层法进行构造。
本申请一些实施例中，在得到分割后的图像或结果粒度空间后，所述方法还包括：
将分割后的图像或结果粒度空间分别存入不同数据库中，若下次再次遇到所述待分割图像，则直接从对应的数据库中调取分割后的图像或结果粒度空间。
本申请一些实施例中，所述方法还包括：
根据待分割图像的调用频次划分待分割图像的数据类型，所述待分割图像的数据类型包括冷数据、温数据和热数据，设定调用频次为A1和A2，且A1＜A2，设定待分割图像的调用频次为a；
当a＜A1时，将所述待分割图像的数据类型划分为冷数据；
当A1≤a≤A2时，将所述待分割图像的数据类型划分为温数据；
当a＞A2时，将所述待分割图像的数据类型划分为热数据。
本申请一些实施例中，所述方法还包括：
根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中。
本申请一些实施例中，根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中，具体为：
若所述待分割图像的数据类型为冷数据，将对应的分割后的图像或结果粒度空间存入冷数据库中；
若所述待分割图像的数据类型为温数据，将对应的分割后的图像或结果粒度空间存入温数据库中；
若所述待分割图像的数据类型为热数据，将对应的分割后的图像或结果粒度空间存入热数据库中。
本申请一些实施例中，在获取待分割图像之前，所述方法还包括：
对原始图像进行清晰化预处理，处理后的图像作为所述待分割图像。
本申请还提供了一种管理数据分析系统，所述系统包括：
获取模块，用于获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；
判断模块，用于判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；
分割模块，用于若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；
合成模块，用于将不同层次的初始粒度空间进行合成，得到结果粒度空间；
其中，所述特征矢量为能表征区分程度的特征。
通过应用以上技术方案，获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；将不同层次的初始粒度空间进行合成，得到结果粒度空间。本申请通过将商空间粒度方法应用于数据分析中，提高分析精度。根据带分割图像类型的简易程度，分别对应选择不同分割方法，提高了图像分割的适应性，从而提高分割精度和效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种管理数据分析方法的流程示意图；
图2示出了本发明实施例中商空间理论架构示意图；
图3示出了本发明实施例提出的一种管理数据分析系统的结构示意图；
图4示出了本发明另一实施例中初始纹理图；
图5示出了本发明另一实施例中经过本方案合成后的图像分割图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
相关背景技术：
如图2所示，商空间粒度理论，用三元组（X，f，T）描述一个复杂的问题，X表示问题的论域；f（）表示论域中元素的属性，属性函数f（）可以是单值也可以是多值的；T表示论域的结构，即论域X中各元素的相互关系。对问题（X，f，T）求解就是对论域X及其相关的属性和结构进行分析和研究，把问题求解转化为求不同的粒度空间，即商空间，用（［X］，［f］，［T］）表示。图像分割实质与商空间粒度思想是一致的，用商空间模型来描述图像分割过程，可以实现。
等价关系是商空间粒度计算理论的关键，是本领域常规技术，在此不再赘述。取不同粒度就是对给定的等价关系R（划分），得到一个对应于R的商集记为［X］，用三元组（［X］，［f］，［T］）表示形成的粒度，称之为对应于R的商空间。商空间理论就是研究不同粒度之间的关系、粒度的合成 、综合 、分解和在商空间中的推理。其中，涉及两项原理，包括保假原理和保真原理。
保假原理：若一个命题在粗粒度空间中为假，则该命题在比它细的空间中一定也无解。
保真原理：若一个命题在两个较粗粒度的商空间中为真,则(在一定条件下)在其合成的商空间中对应的问题也是真的。
本申请方案用三元组（X，f，T）描述待分割图像，用（［X］，［f］，［T］）描述分割后图像，图像分割过程就是实现粒度（X，f，T）到（［X］，［f］，［T］）的变换。
本申请实施例提供一种管理数据分析方法，如图1所示，该方法包括以下步骤：
步骤S101，获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组。
本实施例中，获取得到待分割的图像，用（X，f，T）描述待分割图像，得到初始三元组（X，f，T）。
步骤S102，判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像。其中，所述特征矢量为能表征区分程度的特征。
本实施例中，根据待分割图像的类型，判断图像类型的简易程度，例如，待分割图像为一般灰度图像时，待分割图像类型的简易程度为简单程度。待分割图像为纹理图像时，待分割图像类型的简易程度为复杂程度。根据待分割图像的不同类型情况（图像复杂情况），对简易程度（图像分割的简易程度）进行判别。
可以理解的是，上述判断简易程度的标准可以根据实际需求进行改变或调整。
为了提高图像分割的准确性，本申请一些实施例中，若所述待分割图像类型的简易程度为简单程度且所述待分割图像为灰度图像，等价关系函数采用灰度直方图的峰值，再用预设分类方法对待分割图像进行分割，得到分割后的图像。
本实施例中，等价关系函数为R（f，T），可以取灰度直方图的峰值，采用分类方法就可以实现图像分割，即大于峰值划分一边，小于峰值划分另一边。利用简单数值分类方法，实现对图像像素集合的划分，预设分类方法主要包括各种基于阈值门限方法、统计直方图方法等。
步骤S103，若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间。
本实施例中，所述待分割图像类型的简易程度为复杂程度时，此时采用简单的通过数值分类方法对图像进行分割，效果较差。需要先提取特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间。
步骤S104，将不同层次的初始粒度空间进行合成，得到结果粒度空间。
本实施例中，结果粒度空间相当于分割后的图像。
为了进一步提高分割的准确性，本申请一些实施例中，若所述待分割图像类型的简易程度为复杂程度且所述待分割图像为纹理图像，所述纹理图像的特征矢量包括纹理方向性特征和纹理粗细度区域特征；提取所述纹理方向性特征，根据所述纹理方向性特征构造等价关系函数，并进行粗分割得到第一粒度空间；提取所述纹理粗细度区域特征，并进行粗分割得到第二粒度空间；将所述第一粒度空间和所述第二粒度空间进行合成，得到结果粒度空间；其中，所述第一粒度空间和所述第二粒度空间均为初始粒度空间。
本实施例中，纹理图像的粗细度、方向性特征等是区分不同纹理的最佳特征。1、纹理方向特征提取。对图像内的每个像素点，在其不同大小邻域内计算在4个基准方向（0度、45度、90度、135度）上像素点灰度值间的差异A，利用差异函数对Si的灰度值求方差。取最小差异所在的基准方向j为该像素点邻域内所具有的主方向。对图像中的任意像素，以其为中心，选择（2T+1）（2T+1）大小的正方形区为其邻域，当邻域大小T不断变化时，对4个基准方向分别成为纹理主方向的频数进行统计，以频数为元素，构成四维向量fs=[fs1，fs2，fs3，fs4]T，用于描述像素点s的纹理方向。
可以理解的是，上述基准方向可以根据实际情况进行调整或改变。
2、根据所提取的纹理方向特征矢量，构造论域中像素划分等价关系R，选取K均值聚类，进行像素聚类，并进行标记。用集合ai表示分类后图像的各个区域，统计各区域所包括像素的个数，形成图像的粗分割，得到第一粒度空间H1，可以表示为（［X1］，［f1］，［T1］）。聚类的具体计算方法，为本领域常规技术，在此不再赘述。
3、提取纹理粗细度区域特征，确定邻域有效像素，通过梯度矢量模确定有效像素，计算有效像素的邻域均值差值，而非有效像素的邻域均值被设置为0。计算每个有效像素邻域最佳尺寸平均值，并作为灰度图像纹理粗糙度。
4、同步骤2，基于纹理粗细度区域特征，用集合bj表示分类后图像的各个区域，统计各个区域所包括像素的个数，形成图像的粗分割，得到第二粒度空间H2，表示为（［X2］，［f2］，［T2］）。
5、论域合成，即粒度空间合成。根据粒度空间合成原理，即，
分别取粒度空间H1，H2中论域［X1］和［X2］中像素合集，按区域ai和bj中像素位置相同属同一集合，位置不同则产生新集合的原则，进行运算。
需要说明的是，商空间粒度合成包括论域合成、拓扑结构合成、属性函数合成，对于图像，论域中像素间的结构与属性函数都是相关联的，论域合成后，新的论域间的结构、属性关系就唯一地被确定了，因此只需要说明论域的合成运算即可。
本申请的一些实施例中，作出了本方案的图像分割试验。
对初始纹理图进行本方案的分割，此次纹理图为四纹理图，即存在四种纹理的图像，如图4所示。按照上述方法，先提取初始纹理图的方向性特征，得到基于方向性特征的图像（第一粒度空间），再提取纹理粗细度特征，得到基于粗细度特征的图像（第二粒度空间），将基于方向性特征的图像和基于粗细度特征的图像进行合成（将所述第一粒度空间和所述第二粒度空间进行合成），得到处理后的分割图像（结果粒度空间），如图5所示，合成效果较好。
可以理解的是，本申请技术思路还可以对其它复杂的图像进行分割（提取能表征其特征量，进行合成），按照上述方法，并非仅局限于纹理图像，纹理图像仅为其中较为明显的案例。
为了提高图像分割的效率，本申请一些实施例中，所述方法还包括：根据待分割图像的调用频次划分待分割图像的数据类型，所述待分割图像的数据类型包括冷数据、温数据和热数据，设定调用频次为A1和A2，且A1＜A2，设定待分割图像的调用频次为a；当a＜A1时，将所述待分割图像的数据类型划分为冷数据；当A1≤a≤A2时，将所述待分割图像的数据类型划分为温数据；当a＞A2时，将所述待分割图像的数据类型划分为热数据。
本实施例中，已经分割过的待分割图像，将分割后的图像存入数据库中，并根据调用频次划分为热数据、冷数据、温数据。对应存储在不同的仓库中。下次再次对该图像进行分割，可直接从数据库中进行调用，省去了中间分割计算过程，直接得到分割后的图像。提高了数据分析处理的效率。调用频次A1和A2借鉴历史调用次数进行设置。
其中，调用频次A1和A2可以根据实际情况进行适应性调整。
本申请一些实施例中，所述方法还包括：根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中。具体为：若所述待分割图像的数据类型为冷数据，将对应的分割后的图像或结果粒度空间存入冷数据库中；若所述待分割图像的数据类型为温数据，将对应的分割后的图像或结果粒度空间存入温数据库中；若所述待分割图像的数据类型为热数据，将对应的分割后的图像或结果粒度空间存入热数据库中。
本申请一些实施例中，在获取待分割图像之前，所述方法还包括：
对原始图像进行清晰化预处理，处理后的图像作为所述待分割图像。
本实施例中，原始图像可能存在亮度、对比度、清晰度等问题，需要对行清晰化处理，包括对图像进行光照补偿、几何归一化等方法，提高其清晰度，处理后的图像作为所述待分割图像。
通过应用以上技术方案，获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；将不同层次的初始粒度空间进行合成，得到结果粒度空间。本申请通过将商空间粒度方法应用于数据分析中，提高分析精度。根据带分割图像类型的简易程度，分别对应选择不同分割方法，提高了图像分割的适应性，从而提高分割精度和效果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施场景所述的方法。
本申请还提供了一种管理数据分析系统，如图3所示，所述系统包括：
获取模块201，用于获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；
判断模块202，用于判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；
分割模块203，用于若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；
合成模块204，用于将不同层次的初始粒度空间进行合成，得到结果粒度空间；
其中，所述特征矢量为能表征区分程度的特征。
本申请一些实施例中，所述判定模块202，具体用于：
若所述待分割图像类型的简易程度为简单程度且所述待分割图像为灰度图像，等价关系函数采用灰度直方图的峰值，再用预设分类方法对待分割图像进行分割，得到分割后的图像。
本申请一些实施例中，所述分割模块，具体用于：
若所述待分割图像类型的简易程度为复杂程度且所述待分割图像为纹理图像，所述纹理图像的特征矢量包括纹理方向性特征和纹理粗细度区域特征；
提取所述纹理方向性特征，根据所述纹理方向性特征构造等价关系函数，并进行粗分割得到第一粒度空间；
提取所述纹理粗细度区域特征，并进行粗分割得到第二粒度空间；
将所述第一粒度空间和所述第二粒度空间进行合成，得到结果粒度空间；
其中，所述第一粒度空间和所述第二粒度空间均为初始粒度空间。
本申请一些实施例中，所述系统还包括构造模块，所述构造模块用于：
等价关系函数通过属性法或投影法或结构方法或约束分层法进行构造。
本申请一些实施例中，所述系统还包括调用模块，所述调用模块用于：
将分割后的图像或结果粒度空间分别存入不同数据库中，若下次再次遇到所述待分割图像，则直接从对应的数据库中调取分割后的图像或结果粒度空间。
本申请一些实施例中，所述系统还包括划分模块，所述划分模块用于：
根据待分割图像的调用频次划分待分割图像的数据类型，所述待分割图像的数据类型包括冷数据、温数据和热数据，设定调用频次为A1和A2，且A1＜A2，设定待分割图像的调用频次为a；
当a＜A1时，将所述待分割图像的数据类型划分为冷数据；
当A1≤a≤A2时，将所述待分割图像的数据类型划分为温数据；
当a＞A2时，将所述待分割图像的数据类型划分为热数据。
本申请一些实施例中，所述系统还包括存储模块，所述存储模块用于：
根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中。
本申请一些实施例中，所述存储模块具体用于：
若所述待分割图像的数据类型为冷数据，将对应的分割后的图像或结果粒度空间存入冷数据库中；
若所述待分割图像的数据类型为温数据，将对应的分割后的图像或结果粒度空间存入温数据库中；
若所述待分割图像的数据类型为热数据，将对应的分割后的图像或结果粒度空间存入热数据库中。
本申请一些实施例中，所述系统还包括处理模块，所述处理模块用于：
对原始图像进行清晰化预处理，处理后的图像作为所述待分割图像。
本领域技术人员可以理解实施场景中的系统中的模块可以按照实施场景描述进行分布于实施场景的系统中，也可以进行相应变化位于不同于本实施场景的一个或多个系统中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种管理数据分析方法，其特征在于，所述方法包括：
获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；
判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；
若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；
将不同层次的初始粒度空间进行合成，得到结果粒度空间；
其中，所述特征矢量为能表征区分程度的特征。
2.如权利要求1所述的方法，其特征在于，若所述待分割图像类型的简易程度为简单程度且所述待分割图像为灰度图像，等价关系函数采用灰度直方图的峰值，再用预设分类方法对待分割图像进行分割，得到分割后的图像。
3.如权利要求2所述的方法，其特征在于，若所述待分割图像类型的简易程度为复杂程度且所述待分割图像为纹理图像，所述纹理图像的特征矢量包括纹理方向性特征和纹理粗细度区域特征；
提取所述纹理方向性特征，根据所述纹理方向性特征构造等价关系函数，并进行粗分割得到第一粒度空间；
提取所述纹理粗细度区域特征，并进行粗分割得到第二粒度空间；
将所述第一粒度空间和所述第二粒度空间进行合成，得到结果粒度空间；
其中，所述第一粒度空间和所述第二粒度空间均为初始粒度空间。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
等价关系函数通过属性法或投影法或结构方法或约束分层法进行构造。
5.如权利要求1所述的方法，其特征在于，在得到分割后的图像或结果粒度空间后，所述方法还包括：
将分割后的图像或结果粒度空间分别存入不同数据库中，若下次再次遇到所述待分割图像，则直接从对应的数据库中调取分割后的图像或结果粒度空间。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
根据待分割图像的调用频次划分待分割图像的数据类型，所述待分割图像的数据类型包括冷数据、温数据和热数据，设定调用频次为A1和A2，且A1＜A2，设定待分割图像的调用频次为a；
当a＜A1时，将所述待分割图像的数据类型划分为冷数据；
当A1≤a≤A2时，将所述待分割图像的数据类型划分为温数据；
当a＞A2时，将所述待分割图像的数据类型划分为热数据。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中。
8.如权利要求7所述的方法，其特征在于，根据待分割图像的数据类型将对应的分割后的图像或结果粒度空间分别存入不同数据库中，具体为：
若所述待分割图像的数据类型为冷数据，将对应的分割后的图像或结果粒度空间存入冷数据库中；
若所述待分割图像的数据类型为温数据，将对应的分割后的图像或结果粒度空间存入温数据库中；
若所述待分割图像的数据类型为热数据，将对应的分割后的图像或结果粒度空间存入热数据库中。
9.如权利要求1所述的方法，其特征在于，在获取待分割图像之前，所述方法还包括：
对原始图像进行清晰化预处理，处理后的图像作为所述待分割图像。
10.一种管理数据分析系统，其特征在于，所述系统包括：
获取模块，用于获取待分割图像，通过三元组法描述所述待分割图像，得到初始三元组；
判断模块，用于判断所述待分割图像类型的简易程度，简易程度包括简单程度和复杂程度，若所述待分割图像类型的简易程度为简单程度，根据所述初始三元组构造等价关系函数，并使用预设分类方法分割所述待分割图像，得到分割后的图像；
分割模块，用于若所述待分割图像类型的简易程度为复杂程度，在所述初始三元组的基础上，在不同层次下提取所述待分割图像的特征矢量，形成不同层次的粒度空间，对同一层次下的每个粒度空间进行分割，将同层次的分割结果进行合成，得到初始粒度空间；
合成模块，用于将不同层次的初始粒度空间进行合成，得到结果粒度空间；
其中，所述特征矢量为能表征区分程度的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134021.3A CN115205533A (zh) | 2022-09-19 | 2022-09-19 | 一种管理数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134021.3A CN115205533A (zh) | 2022-09-19 | 2022-09-19 | 一种管理数据分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115205533A true CN115205533A (zh) | 2022-10-18 |
Family
ID=83573559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211134021.3A Pending CN115205533A (zh) | 2022-09-19 | 2022-09-19 | 一种管理数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115205533A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
| CN101930452A (zh) * | 2010-07-02 | 2010-12-29 | 吉林大学 | 基于智能计算的多粒度图像检索方法 |
| CN102165491A (zh) * | 2009-07-30 | 2011-08-24 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
| CN103839269A (zh) * | 2014-03-21 | 2014-06-04 | 南京大学 | 基于四元数和模糊c均值聚类的图像分割方法 |
| CN110866925A (zh) * | 2019-10-18 | 2020-03-06 | 北京量健智能科技有限公司 | 一种用于图像分割的方法和装置 |
| CN111104973A (zh) * | 2019-12-06 | 2020-05-05 | 天津大学 | 一种基于知识注意力的细粒度图像分类方法 |
| CN112614149A (zh) * | 2020-12-11 | 2021-04-06 | 北京影谱科技股份有限公司 | 基于实例分割的语义合成方法 |
| CN112651980A (zh) * | 2020-12-01 | 2021-04-13 | 北京工业大学 | 一种基于显著性检测的图像三元图生成方法 |
| CN112990331A (zh) * | 2021-03-26 | 2021-06-18 | 共达地创新技术(深圳)有限公司 | 图像处理方法、电子设备和存储介质 |
-
2022
- 2022-09-19 CN CN202211134021.3A patent/CN115205533A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
| CN102165491A (zh) * | 2009-07-30 | 2011-08-24 | 索尼公司 | 图像处理设备、图像处理方法以及程序 |
| CN101930452A (zh) * | 2010-07-02 | 2010-12-29 | 吉林大学 | 基于智能计算的多粒度图像检索方法 |
| CN103839269A (zh) * | 2014-03-21 | 2014-06-04 | 南京大学 | 基于四元数和模糊c均值聚类的图像分割方法 |
| CN110866925A (zh) * | 2019-10-18 | 2020-03-06 | 北京量健智能科技有限公司 | 一种用于图像分割的方法和装置 |
| CN111104973A (zh) * | 2019-12-06 | 2020-05-05 | 天津大学 | 一种基于知识注意力的细粒度图像分类方法 |
| CN112651980A (zh) * | 2020-12-01 | 2021-04-13 | 北京工业大学 | 一种基于显著性检测的图像三元图生成方法 |
| CN112614149A (zh) * | 2020-12-11 | 2021-04-06 | 北京影谱科技股份有限公司 | 基于实例分割的语义合成方法 |
| CN112990331A (zh) * | 2021-03-26 | 2021-06-18 | 共达地创新技术(深圳)有限公司 | 图像处理方法、电子设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 刘仁金等: "图像分割的商空间粒度原理", 《计算机学报》 * |
| 大数据战略重点实验室: "《大数据新时代 No.1 2020》", 28 February 2020, 北京：团结出版社 * |
| 林荔 等: "浅析大数据的存储", 《福建电脑》 * |
| 石晓敬等: "基于商空间粒度理论的三维网格分割方法", 《计算机应用研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Color image segmentation using density-based clustering | |
| US7161601B2 (en) | Synthesis of progressively-variant textures and application to arbitrary surfaces | |
| Ducournau et al. | A reductive approach to hypergraph clustering: An application to image segmentation | |
| CN105550381A (zh) | 一种基于改进sift特征的高效图像检索方法 | |
| CN112528969B (zh) | 人脸图像的真伪检测方法、系统、计算机设备和存储介质 | |
| CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
| Ju et al. | A geometric database for gene expression data | |
| CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
| Pesaresi et al. | A new compact representation of morphological profiles: Report on first massive VHR image processing at the JRC | |
| Soille et al. | On morphological hierarchical representations for image processing and spatial data clustering | |
| Farhang | Face extraction from image based on K-means clustering algorithms | |
| Khandare et al. | A survey paper on image segmentation with thresholding | |
| Zeeshan et al. | A newly developed ground truth dataset for visual saliency in videos | |
| Kumar et al. | A hybrid cluster technique for improving the efficiency of colour image segmentation | |
| Qian et al. | Spatial contextual noise removal for post classification smoothing of remotely sensed images | |
| CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
| CN115205533A (zh) | 一种管理数据分析方法及系统 | |
| Li et al. | A Student's t‐based density peaks clustering with superpixel segmentation (tDPCSS) method for image color clustering | |
| CN116452686A (zh) | 基于自适应聚类和线性规划最优化选点的点画生成方法 | |
| Liu et al. | Color topographical map segmentation algorithm based on linear element features | |
| Dong et al. | Superpixel generation by agglomerative clustering with quadratic error minimization | |
| CN110969628B (zh) | 一种基于变分水平集的超像素分割方法 | |
| CN112884884A (zh) | 一种候选区域生成方法及系统 | |
| Dosselmann et al. | Mean shift particle-based texture granularity | |
| Kalist et al. | Image Quality Analysis Based on Texture Feature Extraction Using Second-Order Statistical Approach |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221018 |
|
| RJ01 | Rejection of invention patent application after publication |