CN115578476B - 一种用于城乡规划数据的高效存储方法 - Google Patents
一种用于城乡规划数据的高效存储方法 Download PDFInfo
- Publication number
- CN115578476B CN115578476B CN202211451559.7A CN202211451559A CN115578476B CN 115578476 B CN115578476 B CN 115578476B CN 202211451559 A CN202211451559 A CN 202211451559A CN 115578476 B CN115578476 B CN 115578476B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- images
- obtaining
- sequence
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Abstract
本发明涉及数据压缩存储领域,具体涉及一种用于城乡规划数据的高效存储方法,包括:根据目标组获得目标图像,根据像素点的特征值计算像素点的复杂度和图像的混乱度,根据图像的混乱度获得目标图像的分割必要性;根据分割必要性获得邻域半径和最少点数,对目标图像进行聚类获得所有图像块,根据图像块的最小外接矩形获得目标图像的顺序序列;根据目标组的上一组获得新的目标图像,重复多次对新的目标图像聚类获得顺序序列,直至没有新的目标组产生;按照所有顺序序列的顺序对所有图像块进行压缩存储。本发明对不同尺寸的图像进行分块压缩存储,既能保证根据不同需求进行快速解压查看,又能减少数据量,提高城乡规划数据的压缩存储效率。
Description
技术领域
本发明涉及数据压缩存储领域,具体涉及一种用于城乡规划数据的高效存储方法。
背景技术
对于城乡规划数据中的图像,考虑到在对图像进行查看时,通常需要根据不同的需求获得不同尺度的图像,但是常规的图像存储方法,是对整个图像进行存储,对图像进行查看时,需要将整个图像全部解压,再根据需求对整个图像进行下采样获得对应尺寸的图像,通过先解压再下采样获得相应尺寸的图像的速度较慢。为了快速获得需求所对应尺寸的图像,本发明考虑对不同尺寸的图像进行压缩存储。
虽然对不同尺寸的图像进行压缩存储,能够在有需求时实现快速查看相应尺寸图像,但是会增加数据量,降低压缩效率,如何既能对不同尺寸的图像进行压缩存储,又能减少对不同尺寸的图像进行压缩存储时的数据量,提高城乡规划数据的压缩存储效率。
发明内容
为了解决上述问题,本发明提供一种用于城乡规划数据的高效存储方法,所述方法包括:
获取初始图像和初始图像的高斯金字塔;
将初始图像的高斯金字塔中目标组的第一个图像记为目标图像,对目标图像进行分割获得目标图像的顺序序列,包括:
S1:将初始图像的高斯金字塔中目标组的所有图像组成的集合记为目标图像的目标集合;对于目标集合中的任意一张图像中的任意一个像素点,根据像素点的邻域均值和邻域标准差获得像素点的特征值,根据像素点的特征值计算像素点的复杂度;将图像中所有像素点的复杂度的均值记为图像的混乱度,根据目标集合中所有图像的混乱度获得目标图像的分割必要性;
S2:根据目标图像的分割必要性获得目标图像的邻域半径和最少点数,根据邻域半径和最少点数对目标图像进行聚类获得所有类别,将每个类别对应的区域记为图像块,获得目标图像的所有图像块;
S3:将目标图像的任意一个图像块作为目标块,获取目标块的最小外接矩形对应的区域中不属于目标块的所有区域,根据所有区域对应的所有图像块获得目标块的顺序关系;根据目标图像的所有图像块的顺序关系对所有图像块进行排序,记为目标图像的顺序序列;
将目标组的上一组作为新的目标组,将初始图像的高斯金字塔中新的目标组的第一个图像记为新的目标图像,重复步骤S1到S3,对目标图像进行分割获得目标图像的顺序序列,直至没有新的目标组产生;
按照所有顺序序列的顺序对所有图像块进行压缩存储。
进一步地,所述根据像素点的特征值计算像素点的复杂度的步骤包括:
进一步地,所述根据目标集合中所有图像的混乱度获得目标图像的分割必要性的步骤包括:
目标图像的分割必要性的计算公式为:
进一步地,所述根据目标图像的分割必要性获得目标图像的邻域半径和最少点数的步骤包括:
邻域半径和最少点数的计算公式为:
式中,r表示目标图像的邻域半径,D表示目标图像的分割必要性,[ ]表示四舍五入取整,s表示目标图像的最少点数。
进一步地,所述根据所有区域对应的所有图像块获得目标块的顺序关系的步骤包括:
对于第个图像块,获取图像块的最小外接矩形中不属于图像块的所有区域,获得第个区域对应的图像块,根据图像块的所有区域对应的所有图像块,获得一组对应关系,其中,表示图像块的最小外接矩形中不属于图像块的所有区域对应的图像块的数量,对应关系表示图像块要存储在图像块的前面。
进一步地,所述按照所有顺序序列的顺序对所有图像块进行压缩存储的步骤包括:
按照尺寸从小到大对初始图像的不同尺寸的图像进行存储,对于每个图像的所有图像块,按照顺序序列对图像块进行存储,对于每个图像块,需要存储的信息包括灰度信息和位置信息,其中,灰度信息是图像块的所有像素点的灰度值的均值,位置信息是图像块的最小外接矩形的左上角和右下角像素点的坐标。
本发明实施例至少具有如下有益效果:
1、本发明通过初始图像的高斯金字塔对初始图像进行分组,并对每一组的图像的灰度信息和位置信息进行压缩存储,通过对初始图像不同尺寸的图像进行压缩存储,能够在有需求时,快速获得需求所对应尺寸的图像,实现快速查看相应尺寸图像。
2、本发明通过对图像进行分块,并对获得的图像块的灰度信息和位置信息进行存储;在对图像块的灰度信息进行存储时,通过小尺度的图像块获得整体信息,并计算对应的大尺度的图像块的分割必要性,对需要分割的图像块进行分块,通过大尺度的图像块获得细节信息,进而减少需要存储的数据量;在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,进而减少需要存储的数据量;既能对不同尺寸的图像进行压缩存储,又能减少对不同尺寸的图像进行压缩存储时的数据量,提高城乡规划数据的压缩存储效率。
3、本发明在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,减少需要存储的数据量,但是对图像块进行转换会导致解压时获得还原的图像块不准确,本发明通过图像块之间的顺序关系获得所有图像块的顺序序列,并按照顺序序列对图像块进行压缩存储和解压查看,在减少数据量提高城乡规划数据的压缩存储效率的同时,保证了解压的准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种用于城乡规划数据的高效存储方法的步骤流程图;
图2为本发明一个实施例提供的一个图像的分块结果;
图3为本发明一个实施例提供的复杂度的分布。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于城乡规划数据的高效存储方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于城乡规划数据的高效存储方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于城乡规划数据的高效存储方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取初始图像。
将城市规划数据中的所有图像记为初始图像,包括土地航拍图像、土地遥感图像、土地利用规划图等图像,对于每个初始图像,将初始图像的大小记为M×N,其中,M为初始图像的长,N为初始图像的宽。
步骤S002,获取初始图像的高斯金字塔。
需要说明的是,对于存储的城乡规划数据中的图像,考虑到在对图像进行查看时,通常需要根据不同的需求获得不同尺度的图像,比如:在对所有市域进行整体规划时,关注的是所有市域在图像上的整体信息,而对市域下属的区县乃至乡镇是不关注的,因此,只需要查看一个相对较小尺度的图像即可;在对某个市域进行规划时,关注的是该市域内下属的区县在图像上的信息,但是对区县下属的乡镇乃至村社是不关注的,因此,只需要查看一个相对中等尺度的图像即可;在对某个村社进行规划时,关注的是该村社在图像上的详细信息,只有当图像的尺度足够大时才能在图像上查看到村社的详细信息,因此,此时需要查看一个大尺度的图像。
因此本发明对初始图像在不同尺度下的信息进行压缩存储,在对初始图像进行查看时,可以根据不同的需求对不同尺度的信息进行解压,解压速度快,便于查看。
高斯金字塔是一种经典的图像多尺度描述方法,它是一种以多分辨率来描述图像的有效且简洁的结构。一幅图像的高斯金字塔实际上是一系列以金字塔形状排列的分辨率逐步降低并且都来自同一张原始图片的图像集合,层级越高,图像尺寸越小,分辨率越低,图像的高斯金字塔可以较好地以多尺度方式描述图像的信息。
在本实施例中,初始图像的高斯金字塔构建过程为:
1、将初始图像作为高斯金字塔的第1组第1层的图像记为图像;对第1组第1层的图像做比例因子为2的下采样,将得到的下采样图像作为高斯金字塔的第2组第1层的图像记为图像;对第2组第1层的图像做比例因子为2的下采样,将得到的下采样图像作为高斯金字塔的第3组第1层的图像记为图像;同理,对第组第1层的图像做比例因子为2的下采样,将得到的下采样图像作为高斯金字塔的第o组第1层的图像记为图像;重复上述操作,最终获得高斯金字塔的所有组的第一层的图像,高斯金字塔的组的数量为O。对于高斯金字塔中的第o组,高斯金字塔中的第组为高斯金字塔中的第o组的上一组,高斯金字塔中的第组为高斯金字塔中的第o组的下一组。
2、对高斯金字塔的第o组第1层的图像做平滑系数为的高斯滤波,将得到的滤波后的图像作为高斯金字塔的第o组第2层的图像记为图像;对高斯金字塔的第o组第2层的图像做平滑系数为的高斯滤波,将得到的滤波后的图像作为高斯金字塔的第o组第3层的图像记为图像;同理,对高斯金字塔的第o组第层的图像做平滑系数为的高斯滤波,将得到的滤波后的图像作为高斯金字塔的第o组第l层的图像记为图像;复上述操作,最终获得高斯金字塔的所有组的所有层的图像,高斯金字塔的层的数量为L。
在本实施例中,高斯金字塔的组的数量为O=10,层的数量L=10,在其他实施例中,实施人员可根据需要设置高斯金字塔的组和层的数量。
3、最终获得初始图像的组层的高斯金字塔,在同一组内,不同层的图像的尺寸相同,后一层的图像的平滑系数是前一层的图像的平滑系数的2倍;在不同组内,同层的图像的平滑系数相同,后一组的图像的尺寸是前一组同一层的图像的尺寸的一半。综上,高斯金字塔中第o组第l层的图像的尺度为,第o组第l层的图像的平滑系数为。
步骤S003,根据像素点的特征值计算像素点的复杂度,根据像素点的复杂度计算图像的混乱度,根据目标集合中所有图像的混乱度获得目标图像的分割必要性。
需要说明的是,对于城乡规划数据中的图像,考虑到在对图像进行查看时,通常需要根据不同的需求获得不同尺度的图像,但是常规的图像存储方法,是对整个图像进行存储,对图像进行查看时,需要将整个图像全部解压,再根据需求对整个图像进行下采样获得对应尺寸的图像,通过先解压再下采样获得相应尺寸的图像的速度较慢。为了快速获得需求所对应尺寸的图像,本发明考虑对不同尺寸的图像进行压缩存储。
虽然对不同尺寸的图像进行压缩存储,能够在有需求时实现快速查看相应尺寸图像,但是会增加数据量,降低压缩效率。不同尺度的图像对应的信息不同:尺度越大,图像的细节信息越丰富,图像的冗余度越小,则需要存储的信息量越多,导致图像的压缩效率低;尺度越小,图像的细节信息越少但整体信息越突出,图像的冗余度越大,则需要存储的信息量越少,导致图像的压缩效率高。
因此,本发明首先对初始图像的小尺度图像进行分块,对获得的图像块进行压缩存储,小尺度图像保留了初始图像的整体信息;获得每个图像块在大尺度图像上对应的区域,由于大尺度图像上保留了初始图像的细节信息,因此,需要根据图像块在大尺度图像上对应的区域的是否包括细节信息判断是否需要进一步分块存储。
在本实施例中,根据像素点的特征值计算像素点的复杂度,根据像素点的复杂度计算图像的混乱度,根据目标集合中所有图像的混乱度获得目标图像的分割必要性的具体步骤为:
1、根据像素点的特征值计算像素点的复杂度。
(1)对于任意一个像素点,获取以该像素点为中心像素点的预设尺寸的邻域,计算邻域内所有像素点的灰度值的均值记为邻域均值,计算邻域内所有像素点的灰度值的标准差记为邻域标准差,则该像素点的特征值,表示像素点的灰度值。
需要说明的是,复杂度的分布如图3所示,邻域的均值反映了邻域中所有像素点的灰度值的集中趋势,邻域的标准差反映了邻域中所有像素点的灰度值的离散程度,因此,根据像素点的灰度值与邻域均值的差异以及邻域标准差构建的像素点的特征值能够反映像素点与邻域的关系,进而获得像素点的复杂度,具体为:像素点的特征值越小,说明像素点与邻域的差异越小,则像素点的复杂度越小,随着像素点的特征值增大,像素点的复杂度随之增大,当像素点的特征值增加到一定程度时,说明像素点与邻域的差异特别大,此时,像素点相当于邻域内的噪声点,为了避免噪声点对计算图像的混乱度产生影响,此时,随着像素点的特征值增大,像素点的复杂度随之较小,直至为0。
2、将图像中所有像素的复杂度的均值作为图像的混乱度f。
3、根据目标集合中所有图像的混乱度获得目标图像的分割必要性。
将初始图像的高斯金字塔中目标组的所有不同层的图像组成的集合记为目标图像的目标集合,初始图像的高斯金字塔中目标组的第l层的图像即为目标图像的目标集合中的第l个的图像。由于初始图像的高斯金字塔中每个组的层的数量是固定的,且等于L,因此,目标图像的目标集合中图像的数量为L;根据目标集合中所有图像的混乱度获得目标图像的分割必要性,具体计算公式为:
由于初始图像的高斯金字塔中每个组的所有不同层的图像,越低层的图像的平滑系数越小,因此,越低层的图像与原始图像越相同,也越能表征原始图像的混乱特征,因此,越低层的图像的混乱度对目标图像的分割必要性的贡献越多。对于目标图像的目标集合中的第l个图像,越小,图像的权值越小,但是由于混乱度的取值范围为[0,1],因此,权值越小,混乱度加权后的结果越大,则目标集合中的第l个图像的混乱度对目标图像的分割必要性的贡献越大。
图像中的像素点的复杂度越大,说明像素点的灰度值的离散程度越大,说明图像中像素点的灰度值的情况越多,则图像的混乱度越大;根据不同平滑系数对应的多个图像的加权后的混乱度,获得目标图像的分割必要性,图像的混乱度越大,图像中像素点的灰度值的情况越多,说明图像中包含的细节信息越多,图像越需要进行进一步分割,则目标图像的分割必要性越大。
本发明通过对图像进行分块,并对获得的图像块的灰度信息和位置信息进行存储;在对图像块的灰度信息进行存储时,通过小尺度的图像块获得整体信息,并计算对应的大尺度的图像块的分割必要性,对需要分割的图像块进行分块,通过大尺度的图像块获得细节信息,进而减少需要存储的数据量;在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,进而减少需要存储的数据量;既能对不同尺寸的图像进行压缩存储,又能减少对不同尺寸的图像进行压缩存储时的数据量,提高城乡规划数据的压缩存储效率。
步骤S004,根据目标图像的分割必要性获得目标图像的邻域半径和最少点数,根据邻域半径和最少点数对目标图像进行聚类,获得目标图像的所有图像块。
需要说明的是,DBSCAN算法是一种无监督的聚类算法,该聚类算法不需要人为指定类簇的数量,获得的类簇可以是任意形状和大小的,因此,非常适合对分布情况多样的城乡规划数据中的图像聚类,能够获得更加准确的聚类结果。在应用DBSCAN进行聚类时,需要首先指定两个参数,分别为邻域半径和最少点数,邻域半径越大,聚类获得的类簇越大,本发明根据分割必要性确定邻域半径。
在本实施例中,根据目标图像的分割必要性获得目标图像的邻域半径和最少点数,邻域半径和最少点数的计算公式为:
式中,r表示目标图像的邻域半径,D表示目标图像的分割必要性,[ ]表示四舍五入取整,s表示目标图像的最少点数。
目标图像的分割必要性越大,说明目标图像越混乱,则对目标图像进行聚类后类簇越多,由于目标图像的尺寸固定不变,因此,目标图像中的类簇越多,则平均每个类簇的尺寸越小,因此,在通过DBSCAN算法对目标图像进行聚类时,目标图像的分割必要性越大,则邻域半径越小;而目标图像的最少点数根据目标图像的邻域半径确定。
根据邻域半径和最少点数,如果给定对象的邻域半径对应的领域中,灰度值与给定对象的灰度值的差值的绝对值小于5的像素点的数量大于最少点数,则称该给定对象为核心对象,通过DBSCAN算法对目标图像进行聚类,获得目标图像的所有类簇,将每个类簇在目标图像是上对应的区域记为图像块,获得目标图像的所有图像块。
步骤S005,根据目标图像的图像块的最小外接矩形获得目标图像的所有顺序关系,根据所有顺序关系获得目标图像的顺序序列。
需要说明的是,由于本发明的初始图像是城乡规划数据中的图像,城乡规划数据中的图像中包括大量的建筑、街道、土地等形状规则的对象,因此,对目标图像进行聚类,获得的图像块的形状较为规则的多边形;对图像块进行存储时,除了需要存储其灰度信息之外,还需要存储其位置及形状信息,对多边形的图像块的位置及形状信息进行存储时,需要存储的信息量较多,而对于矩形的图像块,存储其位置及形状信息时,只需要存储矩形块的左上角和右下角像素点的坐标信息即可,需要存储的信息量较少。
本发明将多边形的图像块转换为矩形的图像块,即将图像块的最小外接矩形的坐标信息作为图像块的位置及形状信息,以此减少需要存储的信息量;但是,转换为矩形的图像块相较于原本的图像块,会存在不属于该图像块的部分,基于转换后的图像块进行压缩存储,虽然会减少数据量,但是会导致解压还原的结果不准确,因此,需要将图像块按照一定的顺序进行存储,在需要查看时,根据图像块的存储顺序进行解压,使解压还原的结果准确。
例如,对于图2中的图像块1,在对图像块1的位置和形状信息进行存储时根据图像块1的最小外接矩形进行存储,由于图像块1的最小外接矩形包含图像块6的一部分,在进行解压时,先解压图像块1再解压图像块6,将图像块6覆盖在图像块1上,即对于这两个图像块的重合部分由后面的图像块决定,即由图像块6决定,这样解压还原的结果是准确的。因此,在对图像块进行存储时,需要先存储图像块1再存储图像块6。为了保证初始图像的还原结果准确,需要获得初始图像的所有图像块的存储顺序。
在本实施例中,根据目标图像的图像块的最小外接矩形获得目标图像的所有顺序关系的具体步骤为:
对于第i个图像块,获取图像块的最小外接矩形中不属于图像块的所有区域,获得第j个区域对应的图像块,根据图像块的所有区域对应的所有图像块,获得一组对应关系,其中,表示图像块的最小外接矩形中不属于图像块的所有区域对应的图像块的数量,对应关系表示图像块要存储在图像块的前面。
对所有图像块进行上述操作,获得所有的对应关系,根据所有对应关系,获得图像的所有图像块的顺序序列。
例如,如图2所示的图像,分割后获得12个图像块,按照上述步骤依次获得所有图像块的对应关系,包括:对于图像块2、图像块3、图像块4、图像块5、图像块10以及图像块11,每个图像块的最小外接矩形与对应图像块重合,因此,对于图像块2、图像块3、图像块4、图像块5、图像块10以及图像块11中的每个图像块,直接可以用图像块的最小外接矩形表示对应图像块,因此图像块2、图像块3、图像块4、图像块5、图像块10以及图像块11均没有对应关系;图像块1的对应关系为{1:5,6},表示在顺序序列中,图像块1要在图像块5和图像块6的前面;图像块6的对应关系为{6:3},图像块7的对应关系为{7:6,10,11},图像块8的对应关系为{8:9},图像块12的对应关系为{12:11};根据上述所有对应关系,获得所有图像块的顺序序列为{1,2,7,6,3,4,5,8,9,10,12,11}。
本发明在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,减少需要存储的数据量,但是对图像块进行转换会导致解压时获得还原的图像块不准确,本发明通过图像块之间的顺序关系获得所有图像块的顺序序列,并按照顺序序列对图像块进行压缩存储和解压查看,在减少数据量提高城乡规划数据的压缩存储效率的同时,保证了解压的准确性。
步骤S006,依次对目标图像进行分割获得目标图像的顺序序列,获得初始图像的所有顺序序列。
1、将第O组作为目标组,将初始图像的高斯金字塔中目标组的第一个图像记为目标图像,对目标图像进行分割获得目标图像的顺序序列,包括:
(1)将初始图像的高斯金字塔中目标组的所有图像组成的集合记为目标图像的目标集合,根据步骤S003获得目标图像的分割必要性,包括:根据像素点的特征值计算像素点的复杂度,根据图像中所有像素点的复杂度计算图像的混乱度,根据目标集合中所有图像的混乱度获得目标图像的分割必要性。
(2)根据步骤S004获得目标图像的所有图像块,包括:根据目标图像的分割必要性获得目标图像的邻域半径和最少点数,根据邻域半径和最少点数对目标图像进行聚类获得目标图像的所有类别,将每个类别对应的区域记为图像块,获得目标图像的所有图像块。
(3)根据步骤S004获得目标图像的顺序序列,包括:将目标图像的任意一个图像块作为目标块,获取目标块的最小外接矩形对应的区域中不属于目标块的所有区域,根据所有区域对应的所有图像块获得目标块的顺序关系;根据目标图像的所有图像块的顺序关系获得目标图像的顺序序列。
2、将第组作为目标组,对于目标图像的所有图像块中的任意一个图像块,将该图像块在初始图像的高斯金字塔中目标组的第一个图像对应的区域记为新的目标图像,对新的目标图像进行分割获得新的目标图像的顺序序列,包括:
(1)将新的目标图像在初始图像的高斯金字塔中目标组的所有图像对应的区域组成的集合记为新的目标图像的目标集合,根据步骤S003获得新的目标图像的分割必要性。
(2)如果新的目标图像的分割必要性大于分割阈值,则继续根据步骤S004获得新的目标图像的所有图像块,并根据步骤S005获得新的目标图像的顺序序列;否则不对新的目标图像进行分割。
(3)重复步骤(1)和(2),直至获得目标图像的所有图像块的顺序序列。
3、重复步骤2,对目标图像进行分割获得目标图像的顺序序列,直至没有新的目标组产生,将获得的所有目标图像的顺序序列作为初始图像的所有顺序序列。
步骤S007,按照所有顺序序列的顺序对初始图像进行压缩存储。
按照尺寸从小到大对初始图像的不同尺寸的图像进行存储,对于每个图像的所有图像块,按照顺序序列对图像块进行存储,对于每个图像块,需要存储的信息包括灰度信息和位置信息,其中,灰度信息是图像块的所有像素点的灰度值的均值,位置信息是图像块的最小外接矩形的左上角和右下角像素点的坐标。
在需要对存储的城乡规划数据的图像进行查看时,根据需求获得目标尺寸,从最小尺寸开始解压直至解压到目标尺寸,将解压得到的所有图像进行组合,对于多个图像块的重合部分由最后一个图像块决定。
本发明通过初始图像的高斯金字塔对初始图像进行分组,并对每一组的图像的灰度信息和位置信息进行压缩存储,通过对初始图像不同尺寸的图像进行压缩存储,能够在有需求时,快速获得需求所对应尺寸的图像,实现快速查看相应尺寸图像。
综上所述,本发明通过初始图像的高斯金字塔对初始图像进行分组,并对每一组的图像的灰度信息和位置信息进行压缩存储,通过对初始图像不同尺寸的图像进行压缩存储,能够在有需求时,快速获得需求所对应尺寸的图像,实现快速查看相应尺寸图像;通过对图像进行分块,并对获得的图像块的灰度信息和位置信息进行存储,在对图像块的灰度信息进行存储时,通过小尺度的图像块获得整体信息,并计算对应的大尺度的图像块的分割必要性,对需要分割的图像块进行分块,通过大尺度的图像块获得细节信息,进而减少需要存储的数据量,在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,进而减少需要存储的数据量,既能对不同尺寸的图像进行压缩存储,又能减少对不同尺寸的图像进行压缩存储时的数据量,提高城乡规划数据的压缩存储效率;在对图像块的位置信息进行存储时,通过将非矩形的图像块转换为矩形图像块,减少需要存储的数据量,但是对图像块进行转换会导致解压时获得还原的图像块不准确,本发明通过图像块之间的顺序关系获得所有图像块的顺序序列,并按照顺序序列对图像块进行压缩存储和解压查看,在减少数据量提高城乡规划数据的压缩存储效率的同时,保证了解压的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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应当理解: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,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种用于城乡规划数据的高效存储方法,其特征在于,所述方法包括:
获取初始图像和初始图像的高斯金字塔;
将初始图像的高斯金字塔中目标组的第一个图像记为目标图像,对目标图像进行分割获得目标图像的顺序序列,包括:
S1:将初始图像的高斯金字塔中目标组的所有图像组成的集合记为目标图像的目标集合;对于目标集合中的任意一张图像中的任意一个像素点,根据像素点的邻域均值和邻域标准差获得像素点的特征值,根据像素点的特征值计算像素点的复杂度;将图像中所有像素点的复杂度的均值记为图像的混乱度,根据目标集合中所有图像的混乱度获得目标图像的分割必要性;
S2:根据目标图像的分割必要性获得目标图像的邻域半径和最少点数,根据邻域半径和最少点数对目标图像进行聚类获得所有类别,将每个类别对应的区域记为图像块,获得目标图像的所有图像块;
S3:将目标图像的任意一个图像块作为目标块,获取目标块的最小外接矩形对应的区域中不属于目标块的所有区域,根据所有区域对应的所有图像块获得目标块的顺序关系;根据目标图像的所有图像块的顺序关系对所有图像块进行排序,记为目标图像的顺序序列;
将目标组的上一组作为新的目标组,将初始图像的高斯金字塔中新的目标组的第一个图像记为新的目标图像,重复步骤S1到S3,对目标图像进行分割获得目标图像的顺序序列,直至没有新的目标组产生;
按照所有顺序序列的顺序对所有图像块进行压缩存储。
6.根据权利要求1所述的一种用于城乡规划数据的高效存储方法,其特征在于,所述按照所有顺序序列的顺序对所有图像块进行压缩存储的步骤包括:
按照尺寸从小到大对初始图像的不同尺寸的图像进行存储,对于每个图像的所有图像块,按照顺序序列对图像块进行存储,对于每个图像块,需要存储的信息包括灰度信息和位置信息,其中,灰度信息是图像块的所有像素点的灰度值的均值,位置信息是图像块的最小外接矩形的左上角和右下角像素点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451559.7A CN115578476B (zh) | 2022-11-21 | 2022-11-21 | 一种用于城乡规划数据的高效存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451559.7A CN115578476B (zh) | 2022-11-21 | 2022-11-21 | 一种用于城乡规划数据的高效存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578476A CN115578476A (zh) | 2023-01-06 |
CN115578476B true CN115578476B (zh) | 2023-03-10 |
Family
ID=84589838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211451559.7A Active CN115578476B (zh) | 2022-11-21 | 2022-11-21 | 一种用于城乡规划数据的高效存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578476B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452683B (zh) * | 2023-06-12 | 2023-08-29 | 江苏网进科技股份有限公司 | 一种基于存储空间的数据缓存管理方法 |
CN117097901B (zh) * | 2023-10-18 | 2024-01-30 | 江苏若发科技发展有限公司 | 一种道路图像数据压缩存储方法 |
CN117237396B (zh) * | 2023-11-16 | 2024-02-06 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117688410A (zh) * | 2024-02-02 | 2024-03-12 | 山东同利新材料有限公司 | 一种对马来酸二乙酯生产数据智能管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
CN112036416A (zh) * | 2020-07-13 | 2020-12-04 | 蔡敏 | 基于深度学习的图像处理系统及方法 |
CN114782432A (zh) * | 2022-06-20 | 2022-07-22 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
CN115187488A (zh) * | 2022-08-04 | 2022-10-14 | Oppo广东移动通信有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN115272871A (zh) * | 2022-09-27 | 2022-11-01 | 长春理工大学 | 一种天基背景下暗弱小目标检测方法 |
CN115329112A (zh) * | 2022-10-13 | 2022-11-11 | 江苏菲尔浦物联网有限公司 | 一种无人机遥感图像高效存储方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060098897A1 (en) * | 2004-11-10 | 2006-05-11 | Agfa-Gevaert | Method of superimposing images |
CN110348428B (zh) * | 2017-11-01 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置及计算机可读存储介质 |
CN110399929B (zh) * | 2017-11-01 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置以及计算机可读存储介质 |
CN110008969B (zh) * | 2019-04-15 | 2021-05-14 | 京东方科技集团股份有限公司 | 图像显著性区域的检测方法和装置 |
-
2022
- 2022-11-21 CN CN202211451559.7A patent/CN115578476B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
CN112036416A (zh) * | 2020-07-13 | 2020-12-04 | 蔡敏 | 基于深度学习的图像处理系统及方法 |
CN114782432A (zh) * | 2022-06-20 | 2022-07-22 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
CN115187488A (zh) * | 2022-08-04 | 2022-10-14 | Oppo广东移动通信有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN115272871A (zh) * | 2022-09-27 | 2022-11-01 | 长春理工大学 | 一种天基背景下暗弱小目标检测方法 |
CN115329112A (zh) * | 2022-10-13 | 2022-11-11 | 江苏菲尔浦物联网有限公司 | 一种无人机遥感图像高效存储方法 |
Non-Patent Citations (3)
Title |
---|
屠礼芬 ; 仲思东 ; 彭祺 ; 梅天灿 ; .基于高斯金字塔的运动目标检测.2013,第44卷(第07期),全文. * |
张国敏 ; 殷建平 ; 祝恩 ; 毛玲 ; .基于近似高斯金字塔的视觉注意模型快速算法.2009,第20卷(第12期),全文. * |
张菁 ; 沈兰荪 ; 高静静 ; .基于视觉注意模型和进化规划的感兴趣区检测方法.2009,第31卷(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115578476A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578476B (zh) | 一种用于城乡规划数据的高效存储方法 | |
CN109087258B (zh) | 一种基于深度学习的图像去雨方法及装置 | |
CN113239981B (zh) | 局部特征耦合全局表征的图像分类方法 | |
US20080170795A1 (en) | Feature block compression/decompression | |
CN111860233B (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
CN111866518B (zh) | 基于特征提取的自适应三维点云压缩方法 | |
CN116153452A (zh) | 基于人工智能的医疗电子病历存储系统 | |
CN114283164A (zh) | 基于UNet3+的乳腺癌病理切片图像分割预测系统 | |
CN114120361B (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN115618051B (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
CN115345866A (zh) | 一种遥感影像中建筑物提取方法、电子设备及存储介质 | |
CN114387521A (zh) | 基于注意力机制和边界损失的遥感影像建筑物提取方法 | |
CN115170762A (zh) | 一种单视图三维人手重建方法、设备及可读存储介质 | |
CN113436287B (zh) | 一种基于lstm网络与编解码网络的篡改图像盲取证方法 | |
CN113721859B (zh) | 一种基于人工智能的图像重复数据删除方法 | |
CN116542988A (zh) | 结节分割方法、装置、电子设备及存储介质 | |
CN115994849B (zh) | 一种基于点云上采样的三维数字水印嵌入与提取方法 | |
CN115170807B (zh) | 一种图像分割、模型训练方法、装置、设备及介质 | |
CN114332259A (zh) | 一种基于车载激光雷达的点云编解码方法 | |
JP2967047B2 (ja) | パターン認識方法 | |
JP3422684B2 (ja) | データ処理方法、および該方法に係るプログラムを格納した記憶媒体 | |
CN116612287B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及系统 | |
CN114758128A (zh) | 基于受控像素嵌入表征显式交互的场景全景分割方法及系统 | |
CN113658323A (zh) | 一种基于图卷积的三维重建网络模型的方法及计算机设备 |
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 |