CN115278255B - 一种用于力量器械安全管理的数据存储系统 - Google Patents

一种用于力量器械安全管理的数据存储系统 Download PDF

Info

Publication number
CN115278255B
CN115278255B CN202211161336.7A CN202211161336A CN115278255B CN 115278255 B CN115278255 B CN 115278255B CN 202211161336 A CN202211161336 A CN 202211161336A CN 115278255 B CN115278255 B CN 115278255B
Authority
CN
China
Prior art keywords
point
strong
contact area
neighborhood
area
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
CN202211161336.7A
Other languages
English (en)
Other versions
CN115278255A (zh
Inventor
赵之富
杨鹏泽
李永成
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.)
Shandong Body Strong Fitness Co ltd
Original Assignee
Shandong Body Strong Fitness 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 Shandong Body Strong Fitness Co ltd filed Critical Shandong Body Strong Fitness Co ltd
Priority to CN202211161336.7A priority Critical patent/CN115278255B/zh
Publication of CN115278255A publication Critical patent/CN115278255A/zh
Application granted granted Critical
Publication of CN115278255B publication Critical patent/CN115278255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据存储领域，具体涉及一种用于力量器械安全管理的数据存储系统，包括采集模块、分割模块、预处理模块、计算模块、编码模块，采集模块：用于设在仓库门框上方的相机采集使用后归还的力量器械的RGB图像，分割模块：用于对RGB图像进行通道分离，分割出RGB图像的每个单通道图像，预处理模块：用于对每个单通道图像进行超像素分割得到对应的目标图像，获取每个目标区域对应的强联系性区域和弱联系性区域，计算模块：用于获取每个强联系性区域的最小二维预测矩阵，编码模块：对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据，将编码后的数据进行存储。本发明提高了预测编码的压缩效率。

Description

一种用于力量器械安全管理的数据存储系统
技术领域
本发明涉及数据存储领域，具体涉及一种用于力量器械安全管理的数据存储系统。
背景技术
随着社会的发展，人们越来越注重健身运动，人们在进行健身运动时往往会借助力量器械，以达到更好的健身效果，但是，在使用力量器械后将其随意摆放可能会对工作人员以及使用者造成身体的损伤，因此，力量器械在使用后的管理时需要做到安全管理。
而现有的对力量器械进行安全管理时，需要对力量器械进行拍照并辅以文字说明进行存储来作为力量器械管理的依据，而对力量器械进行数据存储时，往往是对力量器械的图像数据利用预测编码进行压缩；但是预测编码在对图像数据进行压缩的时候，通常是将图像转换为数据，然后根据一维图像数据之间联系性进行预测，而后根据实际值与预测值的差异进行压缩，但是这种一维的预测方式对与二维图像数据来进行预测压缩，并未结合图像中数据所在的位置，会导致预测时采样数据过多导致计算量大，从而导致力量器械图像存储时压缩效率低。
发明内容
本发明提供一种用于力量器械安全管理的数据存储系统，以解决现有的力量器械图像存储时压缩效率低的问题。
本发明的一种用于力量器械安全管理的数据存储系统，采用如下技术方案：
采集模块：用于相机采集使用后的力量器械的RGB图像；
分割模块：用于对RGB图像进行通道分离，分割出RGB图像的每个单通道图像；
预处理模块：用于对每个单通道图像进行分割得到多个目标区域；
获取每个目标区域的最小外接矩形，将最小外接矩形中的目标区域作为强联系性区域，将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域；
计算模块：用于利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间，获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域，根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度；
根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率；
根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性；
获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性，获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵；
编码模块：用于建立每个强联系性区域的预测模型，利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据，将编码后的数据进行存储。
进一步的，所述得到多个目标区域的方法是：
利用超像素分割对每个单通道图像进行分割得到多个目标图像；
根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值；
设置差异值阈值，当相邻超像素块的差异值大于差异值阈值时，将该相邻超像素块合并，得到目标区域，其中，每个超像素块只合并一次。
进一步的，所述每个强联系性区域对应的三维坐标空间是按如下方法确定的：
以每个强联系性区域中像素点的横坐标、纵坐标和像素值为三维坐标空间中的坐标分量建立每个强联系性区域对应的三维坐标空间。
进一步的，所述每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度的具体表达式为：
Figure 100002_DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE004
表示第
Figure 100002_DEST_PATH_IMAGE006
个点与该点的
Figure 100002_DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure 100002_DEST_PATH_IMAGE010
的平均平整度，
Figure 100002_DEST_PATH_IMAGE012
表示以第
Figure 865704DEST_PATH_IMAGE006
个点与该点的
Figure 376320DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure 624898DEST_PATH_IMAGE010
在
Figure 100002_DEST_PATH_IMAGE014
平面的投影区域，
Figure 100002_DEST_PATH_IMAGE016
为曲面方程关于
Figure 100002_DEST_PATH_IMAGE018
偏导数的平方，
Figure 100002_DEST_PATH_IMAGE020
为曲面方程关于
Figure 100002_DEST_PATH_IMAGE022
偏导数的平方，
Figure 100002_DEST_PATH_IMAGE024
表示微元，
Figure 33489DEST_PATH_IMAGE008
表示不同尺寸邻域。
进一步的，所述每个点在该点不同尺寸邻域方向上的平均方向变化率的具体表达式为：
Figure 100002_DEST_PATH_IMAGE026
式中：
Figure 100002_DEST_PATH_IMAGE028
表示第
Figure 801856DEST_PATH_IMAGE006
个像素点在第
Figure 93161DEST_PATH_IMAGE006
个像素点
Figure 953669DEST_PATH_IMAGE008
邻域方向的平均方向变化率，
Figure 100002_DEST_PATH_IMAGE030
为第
Figure 222409DEST_PATH_IMAGE006
个点在其
Figure 94550DEST_PATH_IMAGE008
邻域内的
Figure 946968DEST_PATH_IMAGE008
个像素点中的第
Figure 170139DEST_PATH_IMAGE030
个像素点，
Figure 100002_DEST_PATH_IMAGE032
为第
Figure 720200DEST_PATH_IMAGE030
个点在其
Figure 837061DEST_PATH_IMAGE008
邻域内中沿第
Figure 814375DEST_PATH_IMAGE006
个像素点方向的梯度，
Figure 524842DEST_PATH_IMAGE008
表示不同尺寸邻域。
进一步的，所述像素点与其不同尺寸邻域内所有像素点的联系性是按如下方法确定的：
将每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度与每个点在该点不同尺寸邻域方向上的平均方向变化率相乘得到每个点所对应的强联系性区域中对应像素点与其不同尺寸邻域内所有像素点的联系性。
进一步的，所述得到编码后的数据的方法是：
利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历，其中，利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值；将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值；
同理，利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值，并得到每个弱联系性区域对应的差值；
将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据，将编码后的数据进行存储。
本发明的有益效果是：本发明首先获取了超像素分割后的目标区域中的强联系性区域和弱联系性区域，计算了强联系性区域中每个邻域尺寸下每个点与其邻域对应的曲面区域的平均平整度和每个邻域尺寸下每个点在其邻域方向上的平均方向变化率，由于最终根据最大联系性自适应二维预测矩阵，因此，此处强联系性区域，在保证预测准确性的同时，提高了压缩效率；
其次，根据平均平整度和平均方向变化率得到强联系性区域中每个像素点与其邻域的联系性，并根据每个像素点与其邻域的联系性确定出了每个强联系性区域的最小二维预测矩阵，实现了每个强联系性区域的自适应二维预测矩阵，二维预测矩阵更符合图像的特征，所以预测的精准性更高，使得后续利用二维预测矩阵进行编码压缩时其预测误差更小，故而压缩的效率更高；由于其中的二维预测矩阵为自适应最小二维预测矩阵，所以在进行预测时，因为预测的原始数据的变少，其计算量更小，提高了压缩效率。
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为本发明的一种用于力量器械安全管理的数据存储系统的实施例的结构示意图。
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。
本发明的一种用于力量器械安全管理的数据存储系统的实施例，如图1所示，包括：
一、采集模块。
利用相机采集使用后的力量器械的RGB图像。
二、分割模块。
对RGB图像进行通道分离，分割出RGB图像的每个单通道图像，在对力量器械进行安全管理时采集的力量器械的图像数据为RGB图像，RGB图像具有三个通道，即RGB图像数据中每一个像素点具有三个不同通道的像素值，而RGB图像的存储也分为3个通道分别进行存储，所以需要对力量器械进行安全管理时采集的RGB图像进行通道分离得到每个单通道图像，即R通道图像、G通道图像和B通道图像，而后进行每个通道的单独存储。
三、预处理模块。
本发明以R通道图像为例，后续所有步骤均以R通道图像为例。
1、对每个单通道图像进行分割得到多个目标区域。
对R通道图像进行超像素分割得到R通道图像的超像素分割图像，将R通道图像的超像素分割图像作为R通道图像的目标图像。
利用超像素分割对每个单通道图像进行分割得到多个目标图像，根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值，设置差异值阈值，当相邻超像素块的差异值小于差异值阈值时，将该相邻超像素块合并，得到目标区域，其中，每个超像素块只合并一次。
得到多个目标区域的具体步骤为：获取每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值，其中，第
Figure DEST_PATH_IMAGE034
个超像素块与相邻的第
Figure DEST_PATH_IMAGE036
个超像素块的差异值的具体表达式为：
Figure DEST_PATH_IMAGE038
式中：
Figure DEST_PATH_IMAGE040
表示第
Figure 3228DEST_PATH_IMAGE034
个超像素块内所有像素点的灰度均值，
Figure DEST_PATH_IMAGE042
表示第
Figure 784715DEST_PATH_IMAGE036
个超像素块内所有像素点的灰度均值，
Figure DEST_PATH_IMAGE044
表示第
Figure 401772DEST_PATH_IMAGE034
个超像素块内所有像素点的灰度方差，
Figure DEST_PATH_IMAGE046
表示第
Figure 537218DEST_PATH_IMAGE036
个超像素块内所有像素点的灰度方差，
Figure DEST_PATH_IMAGE048
表示第
Figure 678350DEST_PATH_IMAGE034
个超像素块与相邻的第
Figure 910748DEST_PATH_IMAGE036
个超像素块的差异值。
其中，以第
Figure 26603DEST_PATH_IMAGE034
个超像素块与相邻的第
Figure 773979DEST_PATH_IMAGE036
个超像素块的灰度均值的差值与灰度方差的差值的乘积来作为两个相邻超像素块之间的差异值，对第
Figure 125326DEST_PATH_IMAGE034
个超像素块与相邻的第
Figure 90526DEST_PATH_IMAGE036
个超像素块进行量化，由于利用超像素块来进行区域划分的时候，是以整个超像素块作为基础单位的，所以将整个超像素块内的所有像素点的灰度均值作为该超像素块的灰度值，但是灰度均值并不能说明这个超像素块内的像素点的具体分布（可能存在某两个相邻超像素块内的像素点灰度值分布结构完全不同，但是灰度均值相同），所以将相邻超像素块内的所有像素点的灰度方差的差值作为这两个超像素块的波动系数，波动系数越大，说明这两个超像素块中的像素点的分布情况差异性越强。
首先以第
Figure 501916DEST_PATH_IMAGE034
个超像素块作为基础，与周围相邻的所有超像素块进行差异值计算，设置差异值阈值
Figure DEST_PATH_IMAGE050
，当差异值小于差异值阈值
Figure 736588DEST_PATH_IMAGE050
时，将该超像素块与周围相邻的所有差异值小于差异值阈值
Figure 766992DEST_PATH_IMAGE050
超像素块进行合并，合并后将其视为一个新的超像素块，其中，每个超像素块只合并一次。据此，可得到多个新的超像素块，将新的超像素块作为目标区域，得到多个目标区域。
2、获取每个目标区域的最小外接矩形，将最小外接矩形中的目标区域作为强联系性区域，将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域。
获取每个目标区域的最小外接矩形，将每个目标区域对应的外接矩形区域作为每个目标区域对应的标准化区域，将标准化区域中属于对应目标区域的部分作为该标准化区域中的强联系性区域，即该目标区域对应的强联系性区域，将标准化区域中不属于对应目标区域的部分作为该标准化区域中的弱联系性区域，即该目标区域对应的弱联系性区域，其中，标准化区域可重叠。
四、计算模块。
1、利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间，获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域，根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度。
获取第
Figure DEST_PATH_IMAGE052
个标准化区域，以第
Figure 301879DEST_PATH_IMAGE052
个标准化区域为例，首先利用第
Figure 962798DEST_PATH_IMAGE052
个标准化区域中的像素点的坐标和灰度值进行空间中曲面的生成，生成方式如下所示：
获取每个三维坐标空间中曲面的具体步骤为：首先对第
Figure 622450DEST_PATH_IMAGE052
个标准化区域中的强联系性区域建立三维坐标空间，三维坐标空间的建立方式为：
Figure 643496DEST_PATH_IMAGE018
轴为每个像素点的
Figure 314779DEST_PATH_IMAGE018
坐标，
Figure 67972DEST_PATH_IMAGE022
轴为每个像素点的
Figure 73974DEST_PATH_IMAGE022
坐标，
Figure DEST_PATH_IMAGE054
轴位每个像素点的灰度值
Figure DEST_PATH_IMAGE056
。而后利用第
Figure 708830DEST_PATH_IMAGE052
个区域中的所有像素点的坐标和灰度值进行像素点的空间映射，映射完毕后可获得多个空间离散点，利用所有的空间离散点进行曲面拟合获得空间中的曲面（可利用现有技术中的函数绘制离散点获得曲面），至此获得第
Figure 359254DEST_PATH_IMAGE052
个标准化区域中的强联系性区域的曲面
Figure DEST_PATH_IMAGE058
，据此，可得到每个强联系性区域对应曲面。
得到每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度的具体步骤为：根据曲面
Figure 361977DEST_PATH_IMAGE058
进行像素点的联系性的量化，以第
Figure 120854DEST_PATH_IMAGE052
个标准化区域中的强联系区域第
Figure 155806DEST_PATH_IMAGE006
个像素点
Figure DEST_PATH_IMAGE060
为例(
Figure DEST_PATH_IMAGE062
，其中
Figure DEST_PATH_IMAGE064
为第
Figure 411469DEST_PATH_IMAGE052
个标准化区域中的强联系区域的像素点总个数)，进行第
Figure 506464DEST_PATH_IMAGE006
个像素点邻域内像素点的联系性
Figure DEST_PATH_IMAGE066
量化（数字3表示为以第
Figure 49177DEST_PATH_IMAGE006
个像素点
Figure 887820DEST_PATH_IMAGE060
为中心，进行
Figure DEST_PATH_IMAGE068
邻域的计算），获取每个曲面的曲面方程，获取每个曲面中每个点与周围8邻域的点
Figure DEST_PATH_IMAGE070
在三维坐标空间
Figure 450520DEST_PATH_IMAGE014
面的投影区域，取
Figure 716416DEST_PATH_IMAGE008
为3时，则每个点与该点的8邻域对应的曲面区域
Figure 918727DEST_PATH_IMAGE070
的平均平整度的具体表达式为：
Figure DEST_PATH_IMAGE002A
式中：
Figure 436427DEST_PATH_IMAGE004
表示第
Figure 663753DEST_PATH_IMAGE006
个点与该点的
Figure 428446DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure 993420DEST_PATH_IMAGE010
的平均平整度，
Figure 314811DEST_PATH_IMAGE012
表示以第
Figure 976736DEST_PATH_IMAGE006
个点与该点的
Figure 584435DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure 512071DEST_PATH_IMAGE010
在
Figure 230628DEST_PATH_IMAGE014
平面的投影区域，
Figure 74957DEST_PATH_IMAGE016
为曲面方程关于
Figure 853557DEST_PATH_IMAGE018
偏导数的平方，
Figure 268489DEST_PATH_IMAGE020
为曲面方程关于
Figure 790737DEST_PATH_IMAGE022
偏导数的平方，
Figure 223992DEST_PATH_IMAGE024
表示微元，
Figure 520631DEST_PATH_IMAGE008
表示不同尺寸邻域。
其中，首先利用曲面积分对该曲面进行面积计算，取
Figure 609810DEST_PATH_IMAGE008
为3，若以第
Figure 935749DEST_PATH_IMAGE006
个像素点为中心的周围8邻域内的像素点的灰度值越接近，则该
Figure 239823DEST_PATH_IMAGE070
的面积越接近
Figure 360225DEST_PATH_IMAGE070
在
Figure 999017DEST_PATH_IMAGE014
平面的投影区域
Figure DEST_PATH_IMAGE072
，则说明该第
Figure 410538DEST_PATH_IMAGE006
个点作为中心与周围8邻域点在对应的强联系性区域中对应的像素点的灰度值联系性越强，进而存在一定的联系性，所以对
Figure 224910DEST_PATH_IMAGE070
的面积与
Figure 109690DEST_PATH_IMAGE070
在
Figure 720931DEST_PATH_IMAGE014
平面的投影区域
Figure 388672DEST_PATH_IMAGE072
做差并求取平均值来对曲面的平整度进行量化，
Figure DEST_PATH_IMAGE074
越接近于0，则曲面
Figure 119868DEST_PATH_IMAGE070
越平整，即该第
Figure 923351DEST_PATH_IMAGE006
个点作为中心与周围8邻域点在对应的强联系性区域中对应得像素点的灰度值联系性越强。
2、根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率。
当
Figure 271156DEST_PATH_IMAGE008
为3时，获取每个曲面中的每个点与该点的8邻域内所有点的梯度，根据每个曲面中的每个点与该点的8邻域内所有点的梯度得到每个点在该点8邻域方向的平均方向变化率，具体表达式如下：
Figure DEST_PATH_IMAGE026A
式中：
Figure 290059DEST_PATH_IMAGE028
表示第
Figure 672499DEST_PATH_IMAGE006
个像素点在第
Figure 649813DEST_PATH_IMAGE006
个像素点
Figure 360280DEST_PATH_IMAGE008
邻域方向的平均方向变化率，
Figure 697721DEST_PATH_IMAGE030
为第
Figure 685399DEST_PATH_IMAGE006
个点在其
Figure 754986DEST_PATH_IMAGE008
邻域内的
Figure 77383DEST_PATH_IMAGE008
个像素点中的第
Figure 694879DEST_PATH_IMAGE030
个像素点，
Figure 661698DEST_PATH_IMAGE032
为第
Figure 761241DEST_PATH_IMAGE030
个点在其
Figure 446300DEST_PATH_IMAGE008
邻域内中沿第
Figure 673013DEST_PATH_IMAGE006
个像素点方向的梯度，
Figure 494339DEST_PATH_IMAGE008
表示不同尺寸邻域。
其中，首先获取第
Figure 295941DEST_PATH_IMAGE006
个像素点周围8邻域的像素点在其8邻域内沿着第
Figure 937138DEST_PATH_IMAGE006
个像素点方向的梯度，再对其求取平均值，计算每个方向的梯度与平均梯度的差异值并进行放大（缩小），（由于在后续进行预测矩阵自适应时，可能会因为每个方向的梯度与平均梯度的差异值过大或过小，导致预测矩阵的大小自适应时不能达到最小，矩阵采样的像素点过多，使得计算量较大，浪费计算资源，因此对每个方向上的梯度值进行差异性的放大（缩小）的作用为使得原本多个方向的梯度变化并不明显），对所有的梯度放大值进行求取平均值来作为平均方向变化率的计算，每个方向上的差异值越大，说明该方向上的像素点与第
Figure 967542DEST_PATH_IMAGE006
个像素点的联系性性越不强，利用取反函数后，则每个方向上的差异值越大，其平均方向变化率越大，反之则相反。
根据第
Figure 908954DEST_PATH_IMAGE006
个像素点在第
Figure 350299DEST_PATH_IMAGE006
个像素点8邻域方向的平均方向变化率的计算公式可得到每个曲面中每个点在该点不同尺寸邻域方向上的平均方向变化率。
3、根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性。
根据第
Figure 823000DEST_PATH_IMAGE006
个点在第
Figure 516150DEST_PATH_IMAGE006
个点8邻域方向的平均方向变化率和第
Figure 436701DEST_PATH_IMAGE006
个点与该点的8邻域的平均平整度对第
Figure 189893DEST_PATH_IMAGE006
个点8邻域内的所有点的联系性
Figure DEST_PATH_IMAGE076
进行量化，将第
Figure 678119DEST_PATH_IMAGE006
个点在第
Figure 34014DEST_PATH_IMAGE006
个点8邻域方向的平均方向变化率
Figure 684438DEST_PATH_IMAGE074
和第
Figure 483898DEST_PATH_IMAGE006
个点与该点的8邻域的平均平整度
Figure DEST_PATH_IMAGE078
相乘得到第
Figure 914879DEST_PATH_IMAGE006
个点8邻域内的所有点的联系性
Figure 825198DEST_PATH_IMAGE076
，将第
Figure 330128DEST_PATH_IMAGE006
个点与该点的8邻域对应到强联系性区域中，则
Figure 753019DEST_PATH_IMAGE074
越大，则说明该强联系性区域中以第
Figure 484346DEST_PATH_IMAGE006
个像素点为中心的
Figure 57410DEST_PATH_IMAGE068
区域的像素点对应的曲面越平整，
Figure 807060DEST_PATH_IMAGE078
越大，说明第
Figure 338536DEST_PATH_IMAGE006
个像素点为中心的
Figure 294509DEST_PATH_IMAGE068
区域的像素点对应的曲面中沿着第
Figure 936843DEST_PATH_IMAGE006
个像素点方向的空间梯度越小，因为上述中所有的参数
Figure 744262DEST_PATH_IMAGE074
和
Figure 56426DEST_PATH_IMAGE078
都是以像素点的位置信息和灰度值等特征进行的联系性计算，所以
Figure 621399DEST_PATH_IMAGE076
越大，说明第
Figure 660899DEST_PATH_IMAGE006
个像素点与周围邻域内像素点在空间位置上或者灰度值变化上的联系性越强，且连续性越强，建立二维预测模型时计算量越少，预测模型建立更简单。据此，可得到每个邻域尺寸下强联系性区域中每个像素点与该像素点邻域内所有像素点的联系性。
需要说明的是，曲面中第
Figure 260508DEST_PATH_IMAGE006
个点与该点的8邻域对应强联系性区域中的第
Figure 9152DEST_PATH_IMAGE006
个像素点与该像素点的8邻域。
4、获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性，获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵。
本发明所述的最小二维预测矩阵是指在利用二维预测矩阵进行像素点的预测编码时，利用最少的样本像素点对需要预测的像素点进行预测（样本像素点选择越少，预测模型的建立越简单，进行预测计算时计算量越少），样本像素点越少，其预测矩阵就越小。而所有的预测编码都是基于所有待预测物体的联系性进行预测的，故需要获得最小的二维预测矩阵，则其联系性必须最大，以第
Figure 61422DEST_PATH_IMAGE052
个标准化的区域中的强联系区域为例，其最小二维预测矩阵的自适应的具体步骤为：首先获取每个强联系性区域中每个像素点与其邻域内所有像素点的联系性中的最大联系性，而后对第
Figure 904613DEST_PATH_IMAGE052
个强联系区域中最大联系性所对应的邻域尺寸进行统计，将最大联系性对应的最多的邻域尺寸作为第
Figure 358728DEST_PATH_IMAGE052
个强联系性区域的最小二维预测矩阵的尺寸，据此，可得到所有强联系性区域的最小二维预测矩阵。
五、编码模块。
建立每个强联系性区域的预测模型，利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据，将编码后的数据进行存储。
首先建立每个区域的图像的预测模型（通过像素点关联性，可利用现有技术进行线性和非线性预测模型的建立），利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历，其中，利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值；将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值，同理，利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值，并得到每个弱联系性区域对应的差值，将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据，将编码后的数据进行存储。
本发明的有益效果是：本发明首先获取了超像素分割后的目标区域中的强联系性区域和弱联系性区域，计算了强联系性区域中每个邻域尺寸下每个点与其邻域对应的曲面区域的平均平整度和每个邻域尺寸下每个点在其邻域方向上的平均方向变化率，由于最终根据最大联系性自适应二维预测矩阵，因此，此处强联系性区域，在保证预测准确性的同时，提高了压缩效率；
其次，根据平均平整度和平均方向变化率得到强联系性区域中每个像素点与其邻域的联系性，并根据每个像素点与其邻域的联系性确定出了每个强联系性区域的最小二维预测矩阵，实现了每个强联系性区域的自适应二维预测矩阵，二维预测矩阵更符合图像的特征，所以预测的精准性更高，使得后续利用二维预测矩阵进行编码压缩时其预测误差更小，故而压缩的效率更高；由于其中的二维预测矩阵为自适应最小二维预测矩阵，所以在进行预测时，因为预测的原始数据的变少，其计算量更小，提高了压缩效率。
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)

1.一种用于力量器械安全管理的数据存储系统，其特征在于，包括采集模块、分割模块、预处理模块、计算模块、编码模块：
采集模块：用于相机采集使用后的力量器械的RGB图像；
分割模块：用于对RGB图像进行通道分离，分割出RGB图像的每个单通道图像；
预处理模块：用于对每个单通道图像进行分割得到多个目标区域；
获取每个目标区域的最小外接矩形，将最小外接矩形中的目标区域作为强联系性区域，将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域；
计算模块：用于利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间，获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域，根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度；
根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率；
根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性；
获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性，获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵；
编码模块：用于建立每个强联系性区域的预测模型，利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据，将编码后的数据进行存储。
2.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述得到多个目标区域的方法是：
利用超像素分割对每个单通道图像进行分割得到多个目标图像；
根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值；
设置差异值阈值，当相邻超像素块的差异值小于差异值阈值时，将该相邻超像素块合并，得到目标区域，其中，每个超像素块只合并一次。
3.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述每个强联系性区域对应的三维坐标空间是按如下方法确定的：
以每个强联系性区域中像素点的横坐标、纵坐标和像素值为三维坐标空间中的坐标分量建立每个强联系性区域对应的三维坐标空间。
4.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度的具体表达式为：
Figure DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE006
个点与该点的
Figure DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure DEST_PATH_IMAGE010
的平均平整度，
Figure DEST_PATH_IMAGE012
表示以第
Figure 10647DEST_PATH_IMAGE006
个点与该点的
Figure 724525DEST_PATH_IMAGE008
邻域对应的曲面区域
Figure 130361DEST_PATH_IMAGE010
在
Figure DEST_PATH_IMAGE014
平面的投影区域，
Figure DEST_PATH_IMAGE016
为曲面方程
Figure DEST_PATH_IMAGE018
偏导数的平方，
Figure DEST_PATH_IMAGE020
为曲面方程
Figure DEST_PATH_IMAGE022
偏导数的平方，
Figure DEST_PATH_IMAGE024
表示微元，
Figure 792416DEST_PATH_IMAGE008
表示不同尺寸邻域。
5.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述每个点在该点不同尺寸邻域方向上的平均方向变化率的具体表达式为：
Figure DEST_PATH_IMAGE026
式中：
Figure DEST_PATH_IMAGE028
表示第
Figure 563713DEST_PATH_IMAGE006
个像素点在第
Figure 684378DEST_PATH_IMAGE006
个像素点
Figure 607203DEST_PATH_IMAGE008
邻域方向的平均方向变化率，
Figure DEST_PATH_IMAGE030
为第
Figure 898114DEST_PATH_IMAGE006
个点在其
Figure 317725DEST_PATH_IMAGE008
邻域内的
Figure 763619DEST_PATH_IMAGE008
个像素点中的第
Figure 338520DEST_PATH_IMAGE030
个像素点，
Figure DEST_PATH_IMAGE032
为第
Figure 560685DEST_PATH_IMAGE030
个点在其
Figure 566294DEST_PATH_IMAGE008
邻域内中沿第
Figure 809187DEST_PATH_IMAGE006
个像素点方向的梯度，
Figure 175447DEST_PATH_IMAGE008
表示不同尺寸邻域。
6.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述像素点与其不同尺寸邻域内所有像素点的联系性是按如下方法确定的：
将每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度与每个点在该点不同尺寸邻域方向上的平均方向变化率相乘得到每个点所对应的强联系性区域中对应像素点与其不同尺寸邻域内所有像素点的联系性。
7.根据权利要求1所述的一种用于力量器械安全管理的数据存储系统，其特征在于，所述得到编码后的数据的方法是：
利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历，其中，利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值；将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值；
同理，利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值，并得到每个弱联系性区域对应的差值；
将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据，将编码后的数据进行存储。
CN202211161336.7A 2022-09-23 2022-09-23 一种用于力量器械安全管理的数据存储系统 Active CN115278255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161336.7A CN115278255B (zh) 2022-09-23 2022-09-23 一种用于力量器械安全管理的数据存储系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161336.7A CN115278255B (zh) 2022-09-23 2022-09-23 一种用于力量器械安全管理的数据存储系统

Publications (2)

Publication Number Publication Date
CN115278255A CN115278255A (zh) 2022-11-01
CN115278255B true CN115278255B (zh) 2022-12-20

Family

ID=83757732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161336.7A Active CN115278255B (zh) 2022-09-23 2022-09-23 一种用于力量器械安全管理的数据存储系统

Country Status (1)

Country Link
CN (1) CN115278255B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
WO2022022278A1 (zh) * 2020-07-29 2022-02-03 Oppo广东移动通信有限公司 帧间预测方法、编码器、解码器以及计算机存储介质
CN114693816A (zh) * 2022-04-02 2022-07-01 河南睿焓电子科技有限公司 一种智能化图像大数据存储方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1605705B1 (en) * 2004-06-07 2009-01-28 STMicroelectronics S.r.l. Method for compressing image data acquired from a Bayer color filter array
CN109788286B (zh) * 2019-02-01 2021-06-18 北京大学深圳研究生院 一种编码、解码变换方法、系统、设备及计算机可读介质
CN114943736B (zh) * 2022-07-21 2022-10-25 山东嘉翔汽车散热器有限公司 一种汽车散热翅片生产质量检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022022278A1 (zh) * 2020-07-29 2022-02-03 Oppo广东移动通信有限公司 帧间预测方法、编码器、解码器以及计算机存储介质
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN114693816A (zh) * 2022-04-02 2022-07-01 河南睿焓电子科技有限公司 一种智能化图像大数据存储方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Improving Visual Neuroscience Cell Type Classification with Supervised Machine Learning;Jordan Hiatt等;《 2022 Systems and Information Engineering Design Symposium (SIEDS)》;20220624;全文 *
基于变邻域变步长LMS背景预测检测红外小目标;吴一全等;《宇航学报》;20090330(第02期);全文 *

Also Published As

Publication number Publication date
CN115278255A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
WO2023134791A2 (zh) 一种环境安防工程监测数据管理方法及系统
CN112990077B (zh) 基于联合学习与光流估计的面部动作单元识别方法及装置
CN102663375B (zh) H.264中基于数字水印技术的主动目标识别方法
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
CN117615088B (zh) 一种安全监控的视频数据高效存储方法
CN112419202A (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
CN112468808B (zh) 一种基于强化学习的i帧目标带宽分配方法及装置
CN114529750A (zh) 图像分类方法、装置、设备及存储介质
CN116525073B (zh) 一种基于健康体检大数据的数据库智能管理系统
CN116233479B (zh) 基于数据处理的直播信息内容审核系统及方法
CN115278255B (zh) 一种用于力量器械安全管理的数据存储系统
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN117560511A (zh) 基于图分割技术电力巡检的间隔棒图像压缩方法及系统
CN112862764A (zh) 一种用于识别无砟道床离缝伤损的方法、装置及存储介质
CN117011280A (zh) 基于点云分割的3d打印混凝土墙质量监测方法及系统
CN116645514A (zh) 一种改进U2-Net的瓷砖表面缺陷分割方法
CN115798004A (zh) 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN106686387A (zh) 一种应用于字轮水表表面拍照的图片压缩方法
CN114140731A (zh) 一种牵引变电所异常检测方法
CN113901868A (zh) 一种变电现场安全监控方法及系统
Yu et al. Safety Helmet Wearing Detection Based on Super-resolution Reconstruction
CN117274820B (zh) 一种测绘地理信息地图数据采集方法及系统
CN117079197B (zh) 一种智慧工地管理方法及系统
CN114758387B (zh) 基于单帧rgb图像的轻量级人脸反欺诈方法及装置

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