CN115604480B - 一种用于多优先级相似图像的云图像集编码方法 - Google Patents

一种用于多优先级相似图像的云图像集编码方法 Download PDF

Info

Publication number
CN115604480B
CN115604480B CN202211138215.0A CN202211138215A CN115604480B CN 115604480 B CN115604480 B CN 115604480B CN 202211138215 A CN202211138215 A CN 202211138215A CN 115604480 B CN115604480 B CN 115604480B
Authority
CN
China
Prior art keywords
priority
node
image
minimum tree
directed
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
CN202211138215.0A
Other languages
English (en)
Other versions
CN115604480A (zh
Inventor
沙丽娜
陈高锋
吴炜
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.)
Xidian University
Yangling Vocational and Technical College
Original Assignee
Xidian University
Yangling Vocational and Technical College
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 Xidian University, Yangling Vocational and Technical College filed Critical Xidian University
Priority to CN202211138215.0A priority Critical patent/CN115604480B/zh
Publication of CN115604480A publication Critical patent/CN115604480A/zh
Application granted granted Critical
Publication of CN115604480B publication Critical patent/CN115604480B/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
    • H04N19/10—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
    • H04N19/17—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 an image region, e.g. an object
    • H04N19/172—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 an image region, e.g. an object the region being a picture, frame or field
    • 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
    • H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • H04N19/37—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability with arrangements for assigning different transmission priorities to video input data or to video coded data
    • 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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • 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
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding
    • 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

Abstract

本发明公开了一种用于多优先级相似图像的云图像集编码方法，包括：获取含有相似图像的云图像集；为云图像集建立第一有权有向图；利用第一有权有向图生成不受任何约束的第一最小树形图；基于预设的多种情况确定云图像集中每个图像的多优先级区间；其中，每种情况均表征多分类问题；预设的多种情况包括图像冷热门情况和用户缴费情况；利用第一最小树形图和每个图像的多优先级区间，为云图像集构建多优先级约束的第二最小树形图；利用第二最小树形图对云图像集中的图像进行编码。本发明能够实现压缩具有多优先级的相似图像，构建相应图像集的目的，并且可以减少图像集所需的存储空间，提高编码效率。

Description

一种用于多优先级相似图像的云图像集编码方法
技术领域
本发明属于云计算和大数据领域，具体涉及一种用于多优先级相似图像的云图像集编码方法。
背景技术
最近十几年，随着互联网、大数据和云计算等相关产业的飞速发展，数字图像等多媒体内容也呈现出爆炸式的增长。据全球最大社交网络服务公司Facebook报告，其存储的照片己经超过二千多亿张，并正以每天三亿多张的速度剧增。规模巨大的图像视频等多媒体数据为云端图像存储、互联网其余图像数据库的存储管理以及基于图像大数据的挖掘、分类、识别等处理带来了极大的压力。
为此，针对目前广泛使用的云存储方式，研究者一直在开发新的数字图像压缩技术。云服务器中存储的大量图像中往往包含很多相同场景下拍摄的照片，这些照片具有很大的相似性。若使用通常的JPEG、JPEG-2000、H.264帧内编码或者HEVC帧内编码技术对它们进行压缩，则存在存储空间大、编码效率不够高的缺点。那么，很有必要利用相似图像之间的相关性，使用视觉内容分析技术进行分析，建立对应的视觉模型或视觉联系，如此则有助于消除相似图像间的视觉冗余，提升编码性能。当前的最优方式是将很多的相似图像放在一个树形图中，然后对每个分支采用视频编码技术，能够有效地消除相关图像间的视觉冗余，生成相应的图像集，以提高编码效率。因此，对于相似图像组成的集合，通常采用基于最小树形图的图像集编码技术进行压缩编码。
正如事情有着紧急或非紧急、重要或不重要之分，云存储的图像也可能有着不同的重要性或者不同的优先级。例如，秋天来了，某市秋高气爽，天气很好，非常适合旅游。人们在这一时间段总是点击该市的景点照片，选择出行旅游打卡之处。但是对于同一个景点，并非所有照片都会被网友点击访问，比较而言，全景照片、正面照片和特色突出的照片等更受欢迎，网友的点击率会更高，因此这些照片也就自然地变成了热门照片。相对于那些不经常被访问的冷门照片，人们当然希望能够更快且更高质量地访问热门照片。另外，很多社交网站有着非常多的用户，主要分为免费用户和付费用户两类。人们通常都会将自己拍摄的照片上传到网站的云服务器中保存，以备需要时下载。相对于免费用户，付费用户会得到更优质的服务、更多的存储空间。那么，当点击照片下载时，付费用户当然希望可以比免费用户更便捷地进行查看下载的照片。以上需求说明，不同情况下图像的重要性可能并不相同。例如，针对热门图像还是冷门图像的这种情况，热门图像的优先级要比冷门图像高；针对免费用户还是付费用户的这种情况，付费用户存储的照片的优先级要比免费用户存储的照片的优先级高。那么，在压缩编码相似图像时，为了凸显重要性，可以为图像分配优先级。
实际上，正如凡事都有其多面性，每张图像也是有着多个优先级的。例如，一张特色鲜明的照片，由于点击率高而成为热门照片，因而针对热门图像还是热门图像的情况，该照片具有高的优先级；不过，这张照片又是免费用户上传的，因而针对免费用户还是付费用户的情况，其同时又具有低的优先级。可以看出，此时该照片不是具有单优先级，而是具有多优先级。因此，如何对具有多优先级的相似图像进行编码，构建相应的图像集，是一个急需研究解决的问题。
目前，对于相似图像组成的集合，有以下几种图像集编码方法。
第一种是基于物体库的云图像编码方法。例如，吴炜等人提出的基于物体库的云图像编码方法。该方法在获取编码文件时，通过云图像中的编码信息和物体库中的物体图像获取候选参考编码图像，并将候选参考编码图像作为编码参考图像对其进行HEVC编码实现，考虑了物体图像中的物体信息，减少了编码文件中包含的物体冗余信息。
第二种是基于三维点云的编码方法。例如，Shao T、Liu D、Li H等人于2015年9月在ICIP国际会议上发表的论文“Inter-picture prediction based on 3D point cloudmodel”中提出的基于三维点云的图像编码方法。该方法要求从云端采集某一特定兴趣点(如地标建筑)的图像，生成该建筑对应的三维点云模型。在三维点云模型的基础上，采用光照补偿和帧间预测技术对标志性建筑的相似图像进行压缩。
第三种是基于多参考图像选择的编码方法。例如，沙丽娜于2021年6月发表的博士学位论文“图像集压缩与图像删除技术研究”中提出的基于多参考图像选择的图像集编码方法。该方法将所在层数比当前图像的层数更小的所有图像组成的集合，作为当前图像的候选参考图像集；然后使用每个候选参考图像，对当前图像进行预测编码，计算出相应的率失真代价，并根据所有的率失真代价确定当前图像的多个参考图像；最后使用类视频压缩技术完成图像集编码。
但是，以上几种方法都认为图像有着同样的重要性，根本没有考虑到图像具有优先级，从而不能为具有优先级的相似图像进行编码。
另外，还有一种方法是用于具有单优先级的相似图像的编码方法。例如，沙丽娜于2021年6月发表的博士学位论文“图像集压缩与图像删除技术研究”中提出的单优先级相似图像的压缩编码方法。该方法为每个图像只分配一个优先级，采用深度和单优先级约束最小树形图生成技术，为相似图像组成的集合确定相应的树形图，然后根据获得的深度和单优先级约束最小树形图，通过类视频压缩技术完成图像集编码。但是，该方法只认为图像具有单优先级，并没有考虑图像其实是有着多优先级的情况。因此，该方法不适用于具有多优先级的相似图像的编码。
可见，现有技术均未考虑图像具有多优先级的实际情况，所提出的方法都无法适用于多优先级相似图像的压缩编码。
发明内容
本发明实施例的目的在于提供一种用于多优先级相似图像的云图像集编码方法，以针对具有多优先级的相似图像进行压缩编码以构建相应的图像集。具体技术方案如下：
一种用于多优先级相似图像的云图像集编码方法，包括：
获取含有相似图像的云图像集；
为所述云图像集建立第一有权有向图；
利用所述第一有权有向图生成不受任何约束的第一最小树形图；
基于预设的多种情况确定所述云图像集中每个图像的多优先级区间；其中，每种情况均表征多分类问题；所述预设的多种情况包括图像冷热门情况和用户缴费情况；
利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图；
利用所述第二最小树形图对所述云图像集中的图像进行编码。
在本发明的一个实施例中，所述为所述云图像集建立第一有权有向图，包括：
将每个图像抽象为一个节点；
从k开始为每个图像对应的节点分配节点标号，并由携带有节点标号的所有图像对应的节点构成节点集合；其中，k为预设的自然数；
在所述节点集合中，连接从任意一个节点指向其他任意一个节点的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重；
由所述节点集合得到的所有有向边和相应的权重构成有向边集合，并由所述节点集合和所述有向边集合得到针对所有图像的第一有权有向图。
在本发明的一个实施例中，所述利用所述第一有权有向图生成不受任何约束的第一最小树形图，包括：
将所述第一有权有向图作为朱刘方法的输入，得到不受任何约束的第一最小树形图。
在本发明的一个实施例中，所述基于预设的多种情况确定所述云图像集中每个图像的多优先级区间，包括：
针对每个图像，确定该图像在每种情况下的类别归属；
根据该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级；其中，优先级的值为自然数；
确定该图像针对所述预设的多种情况的多优先级区间；其中，所述多优先级区间含有多个优先级。
在本发明的一个实施例中，所述根据该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级，包括：
根据预先设定的类别归属与优先级的对应关系，以及该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级。
在本发明的一个实施例中，所述确定该图像针对所述预设的多种情况的多优先级区间，包括：
将每种情况预先设定的权重系数与该图像在对应情况下的优先级求取乘积，并将得到的所有乘积求和得到该图像的优先级均值；
确定该图像在所述预设的多种情况下的所有优先级中的最高优先级和最低优先级；
利用该图像的优先级均值以及所述最高优先级和所述最低优先级，确定该图像的多优先级区间的两个端点值；
根据所述两个端点值得到该图像针对所述预设的多种情况的多优先级区间。
在本发明的一个实施例中，所述利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图，包括：
获取所有图像的多优先级区间构成的合集，并为所述合集中的每个优先级设置一个节点集合；
针对所述第一最小树形图中每个节点对应的图像，将该节点分别加入该图像的多优先级区间中各优先级分别对应的节点集合；
在所述第一最小树形图的基础上，连接满足节点要求的新的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重；其中，所述节点要求为：新的有向边的两个节点均隶属于含有不同优先级的节点集合，且新的有向边的起点节点所在节点集合对应的优先级高于终点节点所在节点集合对应的优先级；
将获得的所有新的有向边以及相应的权重，添加到所述第一最小树形图的有向边集合中，利用所述第一最小树形图的节点集合以及其添加后的有向边集合，得到第二有权有向图；
利用所述第一最小树形图、每个图像的多优先级区间、与所述第一最小树形图中每个节点的优先级相关的节点集合，以及所述第二有权有向图，为所述云图像集构建多优先级约束的第二最小树形图；其中，与所述第一最小树形图中每个节点的优先级相关的节点集合为每个图像加入的节点集合。
在本发明的一个实施例中，优先级的值大于或等于L，且值越小优先级越高；
所述利用所述第一最小树形图、每个图像的多优先级区间、与所述第一最小树形图中每个节点的优先级相关的节点集合，以及所述第二有权有向图，为所述云图像集构建多优先级约束的第二最小树形图，包括：
a1，针对迭代序号r＝0的首次迭代，设置初始状态为空集的节点集合VB、VU、VW以及有向边集合EB、EG；
a2，将所述第一最小树形图T1的根节点vR加入VB，将vR的优先级更新为最高优先级L，并更新与vR的优先级相关的节点集合；
a3，将所述第二有权有向图G(V,E1)中以vR为起点的所有有向边标记为第一类并加入到EG中；其中，V表示所述第二有权有向图的节点集合，E1表示所述第二有权有向图的有向边集合；
a4，设定pC为L+t；其中，pC表示当前处理的优先级；t为大于0的自然数，表示优先级的步进值；
a5，将优先级为pC的节点集合中的所有节点加入到VU中，从以当前VU中优先级为pC的节点为终点的所有第一类有向边中，选择权重最小的有向边<vp,vq>；
a6，将节点vq加入当前VB中，将有向边<vp,vq>标记为第二类并加入到EB中；将vq的优先级更新为pC，并更新与vq的优先级相关的节点集合，同时从当前VU中删除vq；
a7，选择一条以vq为起点的未标记有向边<vq,vo>；判断vo是否不属于当前VB；若是，将<vq,vo>标记为第一类并加入到当前EG中，执行a8；若否，将有向边<vq,vo>标记为第三类，执行a11；
a8，在以节点vo为终点的所有第一类有向边中，选择权重最小的一条有向边<vs,vo>，将其余第一类有向边标记为第三类并从当前EG中删除；
a9，判断当vo的优先级的值小于pC+t时，是否不存在以vo为终点的第一类有向边；若是，则执行a10；若否，则执行a11；
a10，将vo的优先级中值小于pC+t的优先级去除，并更新与vo的优先级相关的节点集合；
a11，判断以vq为起点的所有有向边是否均已标记；若是，执行a12；若否，执行a7；
a12，对于优先级为pC且不属于当前VB的所有节点，判断每个节点的优先级是否包含pC+t；若是，将这些包含优先级为pC+t的节点加入VW中，并执行a13；若否，执行a14；
a13，对于当前VW中的每个节点，判断以优先级为pC的其余节点为起点，到以该节点为终点的有向边是否都已标记为第三类；若是，将该节点的优先级中值为pC+t的优先级去除，更新与该节点的优先级相关的节点集合，并执行a14；若否，执行a14；
a14，将当前的迭代序号r加一；
a15，判断是否存在优先级为pC且不属于当前VB的节点；若是，则pC保持不变；若否，则pC加t；
a16，判断当前的迭代序号r是否满足r＝Q-1；其中，Q表示所述第二有权有向图的节点集合V中的节点总数；若不满足，则返回a5；若满足，则利用当前VB和当前EB，得到第二最小树形图T2＝(VB,EB)。
在本发明的一个实施例中，所述利用所述第二最小树形图对所述云图像集中的图像进行编码，包括：
对所述第二最小树形图中根节点对应的图像进行帧内预测编码；
确定所述第二最小树形图中除根节点之外的每个节点以其父节点所对应的图像作为参考图像；
针对所述第二最小树形图中除根节点之外的每个节点，利用该节点的参考图像对该节点对应的图像进行帧间预测编码。
在本发明的一个实施例中，所述针对所述第二最小树形图中除根节点之外的每个节点，利用该节点的参考图像对该节点对应的图像进行帧间预测编码，包括：
针对所述第二最小树形图中除根节点之外的每个节点，计算该节点对应的图像与其参考图像之间的透视变换矩阵；
根据所述透视变换矩阵对所述参考图像进行几何变换，得到几何变换后参考图像；
将所述几何变换后参考图像进行光学变换，得到几何光学变换后参考图像；
利用所述几何光学变换后参考图像对该节点对应的图像进行帧间预测编码。
本发明的有益效果：
本发明实施例所提供的方案中，获取含有相似图像的云图像集后，一方面为所述云图像集建立第一有权有向图，继而利用所述第一有权有向图生成不受任何约束的第一最小树形图；另一方面基于预设的多种情况确定所述云图像集中每个图像的多优先级区间；之后，利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图；最后利用所述第二最小树形图对所述云图像集中的图像进行编码。本发明实施例方法利用不受任何约束的第一最小树形图作为指导，并使用多优先级约束的最小树形图生成方法生成第二最小树形图，能够为每个图像确定其在多优先级约束情况下的最佳参考图像。实现压缩具有多优先级的相似图像，构建相应图像集的目的，克服了现有技术中没有考虑在多种情况下相似图像具有多优先级而导致无法构建相应图像集的问题。同时，相比于现有技术中HEVC帧内编码预测方案，本发明实施例可以减少图像集所需的存储空间，提高编码效率。
附图说明
图1为本发明实施例所提供的一种用于多优先级相似图像的云图像集编码方法的流程示意图。
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。
为了对具有多优先级的相似图像进行压缩编码以构建相应的图像集，本发明实施例提供了一种用于多优先级相似图像的云图像集编码方法。
需要说明的是，本发明实施例所提供的一种用于多优先级相似图像的云图像集编码方法的执行主体可以为一种用于多优先级相似图像的云图像集编码装置，所述装置可以运行于电子设备中。其中，该电子设备可以为一服务器或终端设备，比如云端的处理器等，当然并不局限于此。
本发明实施例所提供的一种用于多优先级相似图像的云图像集编码方法，可用于压缩云端存储的具有多优先级的相似图像，以及在云服务器构建图像数据库场景中，用于构建具有多优先级相似图像的图像集。如图1所示，该方法可以包括如下步骤：
S1，获取含有相似图像的云图像集。
本发明实施例中的云图像集含有多个相似图像；云图像集可以是已经存储于云服务器中的图像集，也可以是云服务器通过图像采集、数据传输等形式获取的图像集。
S2，为所述云图像集建立第一有权有向图。
可选的一种实施方式中，S2可以包括以下步骤：
S21，将每个图像抽象为一个节点。
S22，从k开始为每个图像对应的节点分配节点标号，并由携带有节点标号的所有图像对应的节点构成节点集合。
其中，k为预设的自然数。比如可以为0、1等，具体数值可以根据需要设定。
S23，在所述节点集合中，连接从任意一个节点指向其他任意一个节点的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重。
S24，由所述节点集合得到的所有有向边和相应的权重构成有向边集合，并由所述节点集合和所述有向边集合得到针对所有图像的第一有权有向图。
为了便于描述，第一有权有向图以G(V，E)表示。其中V表示第一有权有向图的节点集合；E表示第一有权有向图的有向边集合；所连接的两个节点之间的有向边的权重以d表示。
在实际中，该部分的算法执行过程可以为：首先，设定为空集的V和E；其次，将云图像集的每个图像抽象为一个节点，并从比如0开始为每个节点分配一个节点标号，要求所有图像对应节点的节点标号顺序连接且不重复；接下来，将添加节点标号后的所有图像对应的节点，添加到原为空集的V中，使得V此时含有了多个节点；之后，连接从V中任意一个节点指向其他任意一个节点的有向边，并根据图像的相关性计算这所连接的每两个节点之间有向边的权重；可以理解的是，两个节点对应图像的相关性越高，该两个节点之间有向边的权重越小；针对节点1和节点2，以节点1为起点且以节点2为终点的有向边的权重，和以节点2为起点且以节点1为终点的有向边的权重并不相同；最后，将得到的所有有向边和相应的权重添加到原为空集的E中，由最后得到的V和E，得到一个有权有向图G(V，E)，为了便于后文描述，将其命名为第一有权有向图。关于由一个节点集合V和一个有向边集合E，生成有权有向图G(V，E)的过程请参见现有图论技术理解。
其中，所述根据图像的相关性计算所连接的两个节点之间的有向边的权重，所采用的计算公式，包括：
Figure BDA0003853048190000111
其中，dn为两个节点所对应图像间任意一对sift特征匹配点之间的权重，N为任意两个节点所对应的图像间sift特征匹配点对的个数。
关于确定sift特征匹配点以及获取对应权重的过程请参见相关现有技术，在此不做说明。
S3，利用所述第一有权有向图生成不受任何约束的第一最小树形图。
在图论中，为了给一些节点生成最小树形图，首先要为这些节点构建一个有权有向图；然后，将构建得到的有权有向图作为最小树形图生成方法的输入，建立相应的最小树形图。
可选的一种实施方式中，S3可以包括：
将所述第一有权有向图作为朱刘方法的输入，得到不受任何约束的第一最小树形图。
为了便于描述，所述第一最小树形图以T1表示。
该步骤生成针对所有图像的第一最小树形图T1的目的是，便于后续获得图像之间的参考关系，针对每个图像，为该图像在其他图像中，确定该图像在没有任何约束下的最佳参考图像；并且，在由所有图像组成的所有树形图中，由于采用朱刘方法生成的不受任何约束的所述第一最小树形图T1，相比于使用其他方法生成的具有约束的最小树形图，其边权重总和最低，因此所述第一最小树形图T1可以用于给具有多优先级约束的节点组成的最小树形图提供较好的指导。
其中，朱刘方法，是朱永津-刘振宏于1965年提出的一种最小树形图算法，其运用图的收缩与扩张的运算，绘出了在一个有向图中求最小树形图的一个多项式算法，也被称为“朱-刘算法”。
具体的，该步骤利用朱刘方法的实现步骤为：
步骤3a)，设定一个初始为空的有向边集合P；
步骤3b)，设定一个虚拟节点v1，
Figure BDA0003853048190000121
连接从v1指向G(V，E)中任意一个节点的有向边，令该有向边的权重为G(V，E)中所有节点之间权重之和；
步骤3c)，遍历G(V，E)中所有的有向边，对于任意两个节点vi和vj，若从vi到vj有多条边，仅保留其中权重最小的一条边；
步骤3d)，在除去v1之外的每个节点的以其为终点的所有有向边中，寻找权重最小的有向边，令找到的节点vi的权重最小有向边的起点为π(vi)，将找到的所有节点对应的权重最小的有向边添加到有向边集合P中；
步骤3e)，判断P是否能够构成环，如果不能构成任何环，则P和其中所有顶点共同构成的连通图即为不受任何约束的第一最小树形图T1。如果P中至少能够构成一个环，则进行步骤3f)；
步骤3f)，对G(V，E)进行缩环处理，并递归调用步骤3d)和3e)。其中，环用C表示，缩环规则如下，：
如果<vi,vj>是E中的一条有向边e，其中，起点和终点满足以下条件：
Figure BDA0003853048190000122
vj∈C，那么将环C缩为新的节点vl，得到新边enew＝<vi,vl>，其权重为ω(enew)＝ω(e)-ω(π(vj),vj)。
如果<vi,vj>是E中的一条有向边e，其中，起点和终点满足以下条件：vi∈C，
Figure BDA0003853048190000131
那么将环C缩为新的节点vl，得到新边enew＝<vl,vj>，其权重为ω(enew)＝ω(vi,vj)。
关于朱刘方法的具体细节，请参见相关现有技术理解，在此不做过多说明。
S4，基于预设的多种情况确定所述云图像集中每个图像的多优先级区间。
其中，每种情况均表征多分类问题；所述预设的多种情况包括图像冷热门情况和用户缴费情况，等等。比如针对其中的一种情况为图像冷热门情况，其可以表征一个二分类问题，即有两个类别分别为：冷门图像和热门图像。本发明实施例将图像在类别下的属性称之为类别归属，因此，冷门和热门为两种类别归属。当然，针对图像冷热门情况，类别数也可以大于两个，比如可以有四个类别分别为：非常冷门图像、较冷门图像、较热门图像和非常热门图像。相应的，类别归属也就变成了四个：非常冷门、较冷门、较热门和非常热门。该种情况下，多种分类情况可以根据需要设定，在此不做一一说明。
同样的，针对其中的一种情况为用户缴费情况，如果表征一个二分类问题，则有两个类别分别为：免费用户和付费用户。两种类别归属对应为免费和付费。当然，针对用户缴费情况，类别数也可以大于两个，比如可以按照缴费金额划分为不同的等级，以三个类别为例可以分别为：未缴费、缴费较低、缴费较高。同样的，该种情况下，多种分类情况可以根据需要设定，在此不做一一说明。
除了以上两种情况外，还可以设置其余的不同情况，比如图像质量好坏情况等。图像质量好坏情况具体可以用分辨率的高低等衡量，具体的类别在此不做详细说明。
可选的一种实施方式中，S4可以包括以下步骤：
S41，针对每个图像，确定该图像在每种情况下的类别归属。
可以理解的是，针对每个图像，该图像在每种情况下仅有一个类别归属。可以根据该图像在相关平台的属性信息确定其在每种情况下的类别归属。
比如，针对图像冷热门情况，可以获取该图像在一段时间内的点击率，并获取预设的点击率阈值，当判断该图像的点击率大于或等于预设的点击率阈值时，确定该图像在图像冷热门情况下的类别归属为热门；当判断该图像的点击率小于预设的点击率阈值时，确定该图像在图像冷热门情况下的类别归属为冷门；当然，针对该情况下上述示例的多个分类，可以获取多个预设的点击率阈值以确定数值范围由小至大的多个点击率区间，根据该图像的点击率所落入的点击率区间，确定该图像在多分类的图像冷热门情况下的类别归属，具体过程不再详细举例说明。
针对用户缴费情况，可以获取上传该图像的用户在社交网站等平台上的缴费信息，针对免费用户和付费用户的二分类问题，可以根据用户是否有缴费确定该图像在用户缴费情况下的类别归属。当然，针对该情况下上述示例的多个分类，可以根据用户具体的缴费金额确定该图像在用户缴费情况下的类别归属，具体过程不再详细举例说明。
为了便于理解，后文中以两种情况为图像冷热门情况和用户缴费情况为例进行说明，且每种情况均表征二分类问题。
S42，根据该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级。
可选的一种实施方式中，S42可以包括：
根据预先设定的类别归属与优先级的对应关系，以及该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级。
其中，优先级的值为自然数。比如可以选取从0开始的自然数，也可以选取从1开始的自然数等等。多个优先级的值的大小用来表示多个优先级的高低，比如可以以较大的值表示较高的优先级，或者以较小的值表示较高的优先级，这都是合理的，可以根据需要设定。
可选的一种实施方式中，优先级的值大于或等于L，且值越小优先级越高。其中，L的数值可以根据需要设定。为了便于理解，后文均以该种方式进行说明。
针对S42，本发明实施例可以预先针对所有情况的各种类别归属，对应设置一个优先级，构成类别归属与优先级的对应关系，可以以一个表格形式体现。可以理解的是，针对作为示例的两种情况，类别归属与优先级的对应关系中可以包括：1)图像冷热门情况下，冷门的优先级和热门的优先级；2)用户缴费情况下，免费的优先级和付费的优先级。其中，针对图像冷热门情况，从优先级高低来说，冷门低于热门；也就是说，从优先级的值来说，冷门大于热门。针对用户缴费情况，从优先级高低来说，免费低于付费；也就是说，从优先级的值来说，免费大于付费。
那么针对云图像集中的每个图像，可以根据该图像在每种情况下唯一的类别归属，可以通过查表的方式确定该图像在每种情况下的优先级，因此，该图像针对图像冷热门情况和用户缴费情况会分别确定有一个优先级。
S43，确定该图像针对所述预设的多种情况的多优先级区间。
可选的一种实施方式中，S43可以包括以下步骤：
S431，将每种情况预先设定的权重系数与该图像在对应情况下的优先级求取乘积，并将得到的所有乘积求和得到该图像的优先级均值。
本发明实施例针对每种情况m，预先设定有一个相应的权重系数λm，且所有情况的权重系数之和为1。每种情况下图像的优先级以pm表示。
具体以公式表示S431可以为：
Figure BDA0003853048190000151
其中，λm表示情况m对应的权重系数；pm表示图像在情况m下的优先级；pA表示优先级均值；M表示所有情况的总数，针对图像冷热门情况和用户缴费情况，M＝2。
S432，确定该图像在所述预设的多种情况下的所有优先级中的最高优先级和最低优先级。
具体的，针对图像冷热门情况和用户缴费情况，该图像分别有一个优先级，则其中级别较低，即值较大的为最低优先级，以pL表示；其中级别较高，即值较小的为最高优先级，以pH表示。
S433，利用该图像的优先级均值以及所述最高优先级和所述最低优先级，确定该图像的多优先级区间的两个端点值。
该步骤中，计算多优先级区间左侧的端点值采用的计算公式为：
Figure BDA0003853048190000161
计算多优先级区间右侧的端点值采用的计算公式为：
Figure BDA0003853048190000162
S434，根据所述两个端点值得到该图像针对所述预设的多种情况的多优先级区间。
具体的，根据上述公式(3)～(4)计算得到的左侧端点值p1和右侧端点值p2，可以构成该图像针对所述预设的多种情况的多优先级区间[p1,p2]。其中，所述多优先级区间含有多个优先级。[p1,p2]表示的是多个优先级的范围，步进值为t，其中t为大于0的自然数。
需要说明的是，S4并非必须在S3之后执行，S2～S3，以及S4可以作为两个并行的分支，均在S1之后执行。
S5，利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图。
本发明实施例提出了一种多优先级约束的最小树形图生成方法，用于在S5中所述云图像集构建多优先级约束的第二最小树形图。
可选的一种实施方式中，S5可以包括以下步骤：
S51，获取所有图像的多优先级区间构成的合集，并为所述合集中的每个优先级设置一个节点集合。
由于每个图像有一个多优先级区间，其中含有多个优先级，将所有图像的多优先级区间中的所有优先级去重合并后可以得到一个合集。针对合集中的每个优先级p可以对应设置一个节点集合Vp。
S52，针对所述第一最小树形图中每个节点对应的图像，将该节点分别加入该图像的多优先级区间中各优先级分别对应的节点集合。
具体的，比如所述第一最小树形图中一个节点对应的图像，其多优先级区间含有pa、pb、pc三个优先级。由于pa、pb、pc这三个优先级在S51分别设置有一个节点集合，比如表示为
Figure BDA0003853048190000171
和/>
Figure BDA0003853048190000172
那么在S52，该节点将会被分别加入节点集合/>
Figure BDA0003853048190000173
和/>
Figure BDA0003853048190000174
也就是说，具有多优先级的节点会被加入到多个节点集合中。
S53，在所述第一最小树形图的基础上，连接满足节点要求的新的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重。
具体的，本发明实施例中所述第一最小树形图以T1表示。该步骤是在T1的基础上，找到所有满足节点要求的节点组(va,vb)，将每个节点组(va,vb)连接为新的有向边<va,vb>，并按照前文公式(1)计算<va,vb>的权重。
其中，所述节点要求为：新的有向边的两个节点均隶属于含有不同优先级的节点集合，且新的有向边的起点节点所在节点集合对应的优先级高于终点节点所在节点集合对应的优先级。
为了便于理解节点要求，以下以一个示例进行说明。
比如：节点1的多优先级区间为[1，2，3]，包含三个优先级；节点2的多优先级区间为[1，2]，包含两个优先级。
根据S51～S52，优先级“1”被设置一个节点集合Vnode1，优先级“2”被设置一个节点集合Vnode2，优先级“3”被设置一个节点集合Vnode3。
节点1分别加入节点集合Vnode1、Vnode2和Vnode3。节点2分别加入节点集合Vnode1和Vnode2。
也就是说，节点集合Vnode1中含有节点1和节点2；节点集合Vnode2中含有节点1和节点2；节点集合Vnode3中仅含有节点1。Vnode1、Vnode2均为含有不同优先级的节点集合。由于Vnode1对应的优先级为“1”，高于Vnode2对应的优先级为“2”，因此，新的有向边<va,vb>可以是连接Vnode1中的任意节点至Vnode2中的其他任意节点的一条有向边。
S54，将获得的所有新的有向边以及相应的权重，添加到所述第一最小树形图的有向边集合中，利用所述第一最小树形图的节点集合以及其添加后的有向边集合，得到第二有权有向图。
如前所述，所述第一最小树形图T1的节点集合为V，有向边集合为E。将获得的所有新的有向边以及相应的权重，添加到E中得到E1，则由V和E1得到第二有权有向图G(V，E1)。
S55，利用所述第一最小树形图、每个图像的多优先级区间、与所述第一最小树形图中每个节点的优先级相关的节点集合，以及所述第二有权有向图，为所述云图像集构建多优先级约束的第二最小树形图。其中，与所述第一最小树形图中每个节点的优先级相关的节点集合为每个图像加入的节点集合。在优先级的值大于或等于L，且值越小优先级越高的设定基础上，可选的一种实施方式中，S55可以包括以下步骤：
a1，针对迭代序号r＝0的首次迭代，设置初始状态为空集的节点集合VB、VU、VW以及有向边集合EB、EG；
本发明实施例中，迭代序号以r表示，根据迭代顺序，r依次为0、1、2等自然数。其中，r＝0表示首次迭代。
节点集合VB、VU、VW以及有向边集合EB、EG作为每次迭代的输入参数，随着迭代过程发生变化。
其中，VB和EB表示第二最小树形图的节点集合和有向边集合，VU、VW和EG是为了求取第二最小树形图的节点集合和有向边集合的中间过程的节点集合和有向边集合。
在迭代开始前，可以先设定第一最小树形图T1中的根节点为vR，节点集合V中节点个数为Q，节点集合VB、VU、VW为空，有向边集合EB、EG为空。
a2，将所述第一最小树形图T1的根节点vR加入VB，将vR的优先级更新为最高优先级L，并更新与vR的优先级相关的节点集合；
所述第一最小树形图具有最低的边权值总和，将其作为第二最小树形图的参考。由于其根节点并没有父节点，该根节点应还作为第二最小树形图的根节点。因此，首先应将所述第一最小树形图的根节点加入到第二最小树形图的节点集合中，并且将其优先级调整为最高优先级，表明将vR作为最终图像集的根节点。
其中，更新与vR的优先级相关的节点集合，是指根据vR更新后的优先级，将vR所加入的节点集合对应修改。
a3，将所述第二有权有向图G(V,E1)中以vR为起点的所有有向边标记为第一类并加入到EG中；
其中，V表示所述第二有权有向图的节点集合，E1表示所述第二有权有向图的有向边集合。
该步骤是将所述第二有权有向图G(V,E1)中以vR为起点的所有有向边标记为第一类，并将这些第一类有向边加入到原为空集的EG中，以作为第二最小树形图备选的有向边集合。
此时的输入参数变化为：VB中仅含有所述第一最小树形图T1的根节点vR，VU、VW、EB均为空，EG中含有所述第二有权有向图中以vR为起点的所有有向边，且均被标记为第一类。
本发明实施例可以采用任意一种对有向边的标记方法，以区分不同的有向边，比如以不同的符号或者数字，或者不同的线型进行区分等等。
比如可选的一种实施方式中，可以用不同的颜色进行区分，如标记为第一类的有向边可以被着以绿色，标记为第二类的有向边可以被着以蓝色，标记为第三类的有向边可以被着以红色，等等。为了便于理解，对后续步骤的具体说明中，以该种着色形式的标记为例。
需要说明的是，本发明实施例中，针对同一迭代序号，在处理过程中，初始获取的VB、VU、VW、EB和EG在当前次迭代的过程中，可能数据集中的内容会不断发生变化，因此在后文中，虽然各步骤中仍以VB、VU、VW、EB和EG表示，但均表示对应步骤当前的VB、VU、VW、EB和EG。
a4，设定pC为L+t；
其中，pC表示当前处理的优先级。t为大于0的自然数，表示优先级的步进值。比如，若L和t均为1，在首次迭代时，pC设为2。
a5，将优先级为pC的节点集合中的所有节点加入到VU中，从以当前VU中优先级为pC的节点为终点的所有第一类有向边中，选择权重最小的有向边<vp,vq>；
该步骤中，权重最小的有向边<vp,vq>，表示以vp为参考图像的所有图像中，采用vp对vq进行编码的代价最低。寻找权重最小的有向边，是为了确定下一个加入到VB的节点及加入到EB的有向边。
示例性的，该步骤具体为：将优先级为pC的节点集合中的所有节点加入到VU中，从以当前VU中优先级为pC的节点为终点的所有绿色有向边中，选择权重最小的有向边。
a6，将节点vq加入当前VB中，将有向边<vp,vq>标记为第二类并加入到EB中；将vq的优先级更新为pC，并更新与vq的优先级相关的节点集合，同时从当前VU中删除vq；
该步骤中，将vq加入当前VB，并将有向边<vp,vq>标记为第二类并加入到EB中表明，vq和<vp,vq>分别就是下一个可以加入到VB的节点及可以加入到EB的有向边。
示例性的，节点vq加入当前VB中，有向边<vp,vq>着成蓝色并加入到EB中。
针对首次迭代，相对于根节点的优先级为最高优先级L，vq的优先级更新为L+t。
关于更新与vq的优先级相关的节点集合，请参见上文相关解释，在此不做说明。
a7，选择一条以vq为起点的未标记有向边<vq,vo>；判断vo是否不属于当前VB；若是，将<vq,vo>标记为第一类并加入到当前EG中，执行a8；若否，将有向边<vq,vo>标记为第三类，执行a11；
示例性的，该步骤具体为：如果未标记有向边<vq,vo>中vo不属于当前VB；将<vq,vo>着成绿色并加入到当前EG中，作为备选，执行a8以待进一步验证。如果未标记有向边<vq,vo>中vo属于当前VB，将<vq,vo>着成红色，执行a11。
a8，在以节点vo为终点的所有第一类有向边中，选择权重最小的一条有向边<vs,vo>，将其余第一类有向边标记为第三类并从当前EG中删除；
该步骤选择权重最小的有向边<vs,vo>，表明以vs为参考图像编码vo所需的编码代价，比以其他图像为参考图像编码vo所需的编码代价要低。那么，可以将<vs,vo>作为候选有向边，以进一步验证是否可以加入EB。对于其他有向边，则不作为能够加入到EB的候选有向边。
示例性的，该步骤具体为：在以节点vo为终点的所有绿色有向边中选择权重最小的一条有向边<vs,vo>，将其余绿色有向边都着以红色，并将这些有向边从当前EG中删除。
a9，判断当vo的优先级的值小于pC+t时，是否不存在以vo为终点的第一类有向边；若是，则执行a10；若否，则执行a11；
a10，将vo的优先级中值小于pC+t的优先级去除，并更新与vo的优先级相关的节点集合；
当vo的优先级的值小于pC+t时，不存在以vo为终点的第一类有向边，表明在构建第二最小树形图的候选有向边中，以vo为终点的第一类有向边中vo的优先级的值都是大于pC+t的，则不需要考虑其优先级的值小于pC+t的情况。因此，可以去除值小于pC+t的vo的优先级。
a11，判断以vq为起点的所有有向边是否均已标记；若是，执行a12；若否，执行a7；
该步骤对vq的所有子节点进行检查，若还有vq到该子节点的有向边还未进行标记，则进入a7步骤，直到vq到其所有子节点的有向边均已标记。
a11具体判断以vq为起点的所有有向边是否均已着色。如果均已全部着色，则执行a12步骤；如果还未全部着色，则执行a7步骤，重新选择一条以vq为起点的未着色的有向边<vq,vo>进行处理，直到以vq为起点的所有有向边均已着色。
a12，对于优先级为pC且不属于当前VB的所有节点，判断每个节点的优先级是否包含pC+t；若是，将这些包含优先级为pC+t的节点加入VW中，并执行a13；若否，执行a14；
该步骤是用于检查是否需要删除优先级为pC且不属于当前VB的节点的优先级中值为pC+t的值。
a13，对于当前VW中的每个节点，判断以优先级为pC的其余节点为起点，到以该节点为终点的有向边是否都已标记为第三类；若是，将该节点的优先级中值为pC+t的优先级去除，更新与该节点的优先级相关的节点集合，并执行a14；若否，执行a14；
对于一条有向边，终点的优先级的值要比起点的优先级的值大t。那么，对于以优先级为pC的其余节点为起点，到以VW中的节点为终点的有向边，该节点的优先级则为pC+t。当这些有向边都已经标记为第三类时，表明它们已经被排除在构建第二最小树形图的候选有向边之外。因此，应去除该节点的优先级中值为pC+t的优先级。
a14，将当前的迭代序号r加一；
其中，如果将当前的迭代序号r加一，则将得到的数值作为下一次迭代对应的迭代序号，以在需要开始下一次迭代时使用。
a15，判断是否存在优先级为pC且不属于当前VB的节点；若是，则pC保持不变；若否，则pC加t；
其中，当存在优先级为pC且不属于当前VB的节点，表明优先级为pC对应的节点集合中还有不属于当前VB的节点，需要将它们进行处理，加入到VB中。
a16，判断当前的迭代序号r是否满足r＝Q-1；其中，Q表示所述第二有权有向图的节点集合V中的节点总数；若不满足，则返回a5；若满足，则利用当前VB和当前EB，得到第二最小树形图T2＝(VB,EB)。
如果当前满足r＝Q-1，表示满足迭代停止条件，则利用当前VB和当前EB，得到第二最小树形图T2＝(VB,EB)。如果当前不满足r＝Q-1，表示需要继续迭代，则利用当前的r和当前的pC进行对应次的迭代，即返回a5，在进行新的迭代时，输入参数均为上一次迭代最终得到的VB、VU、VW以及EB、EG。
S6，利用所述第二最小树形图对所述云图像集中的图像进行编码。
可选的一种实施方式中，S6可以包括以下步骤：
S61，对所述第二最小树形图中根节点对应的图像进行帧内预测编码。
其中，所述第二最小树形图中根节点vR可以采用HEVC编码方法等进行帧内预测编码。
S62，确定所述第二最小树形图中除根节点之外的每个节点以其父节点所对应的图像作为参考图像。
S63，针对所述第二最小树形图中除根节点之外的每个节点，利用该节点的参考图像对该节点对应的图像进行帧间预测编码。
其中，S63可以包括以下步骤：
S631，针对所述第二最小树形图中除根节点之外的每个节点，计算该节点对应的图像与其参考图像之间的透视变换矩阵。
关于透视变换矩阵的概念计算方法，请参见相关现有技术理解，在此不做详细说明。
S632，根据所述透视变换矩阵对所述参考图像进行几何变换，得到几何变换后参考图像。
图像的几何变换又称为图像空间变换，是将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。常见的几何变换方法包括旋转、平移、缩放、镜像、转置、错切等，以及几种组合变换，如刚体变换、仿射变换和单应变换等。在该步骤中，可以根据需要合理选择具体的几何变换方法。
S633，将所述几何变换后参考图像进行光学变换，得到几何光学变换后参考图像。
由于相似图像可能不是同一个人或者同一时间拍摄的，那么相似图像之间可能存在着亮度的差异。光学变换的目的就是对几何变换后参考图像的亮度进行一定的处理，使得几何光学变换后参考图像的亮度尽可能地接近原图像的亮度。常见的光学变换方法包括基于线性拟合的光学变换、基于二次拟合的光学变换等。在该步骤中，可以根据需要合理选择具体的几何变换方法。
S634，利用所述几何光学变换后参考图像对该节点对应的图像进行帧间预测编码。
其中，除了HEVC帧间编码方法外，还可以采用H.264帧间编码方法、H.266帧间编码方法等。
由于在多种情况下图像具有多个优先级，为压缩这些具有多优先级的相似图像，需要先根据每种情况为图像分配相应的优先级，然后通过多种情况下分配的多优先级，为每个图像确定其优先级区间。再利用朱刘方法生成的不受任何约束的最小树形图，作为指导建立新的有权有向图。最后，使用多优先级约束的最小树形图生成方法，构建第二最小树形图，从而为具有多优先级的相似图像构建相应的图像集。基于上述构思，本发明实施例提出了本方案。
本发明实施例所提供的方案中，获取含有相似图像的云图像集后，一方面为所述云图像集建立第一有权有向图，继而利用所述第一有权有向图生成不受任何约束的第一最小树形图；另一方面基于预设的多种情况确定所述云图像集中每个图像的多优先级区间；之后，利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图；最后利用所述第二最小树形图对所述云图像集中的图像进行编码。本发明实施例方法利用不受任何约束的第一最小树形图作为指导，并使用多优先级约束的最小树形图生成方法生成第二最小树形图，能够为每个图像确定其在多优先级约束情况下的最佳参考图像。从而实现压缩具有多优先级的相似图像，构建相应图像集的目的，克服了现有技术中没有考虑在多种情况下相似图像具有多优先级而导致无法构建相应图像集的问题。同时，相比于现有技术中HEVC帧内编码预测方案，本发明实施例可以减少图像集所需的存储空间，提高编码效率。
为了验证本发明实施例方案的有效性，以下通过仿真实验，对本发明技术效果作进一步说明：
1)实验条件：
采用windows Server 2008系统，处理器Intel(R)Xeon(R)CPU E5-2650 v2@2.60GHz，RAM 64GB环境。编程语言为是C++,编程软件为VS2010。实验采用的测试图像集的详细信息如表1所示：
表1
测试图像集名称 相似图像个数 图像分辨率
Pool 17 3968x2976
Boy 7 2976x3968
Second ring road 24 2980x2980
以上3个测试图像集均为现有图像集。在使用本发明实施例公式(1)对应的、采用尺度不变特征转换方法SIFT计算两个图像对应节点之间有向边的权重后，抽象后Pool、Boy、Second ring road中图像个数为17、7和24。
另外，实验中每个图像面临的情况设为2种，即m＝2，权重系数λ1和λ2分别为0.4和0.6。表2给出测试图像集Boy中各个图像确定的多优先级区间：
表2
节点标号 多优先级区间
0 [3,5]
1 [3,6]
2 [2,3]
3 [2,5]
4 [3,7]
5 [2,5]
6 [2,4]
2)实验内容及结果分析：
作为相似图像，由于具有多个优先级，而用于单优先级相似图像的图像集编码技术无法实现对多优先级相似图像的图像集编码，因此，只能使用本发明实施例方法分别对上述三个图像集构建编码后的图像集，其对应的第二最小树形图的边权值总和如表3所示。并与HEVC帧内预测编码相比，得到了本发明实施例的编码效率，如表4所示。在表4中，在相同的图像峰值信噪比下，所需比特率越少，则编码效率越高。
表3
名称 本发明
Pool 1532
Boy 547
Second ring road 2481
表4
名称 本发明
Pool -11.79％
Boy -26.84％
Second ring road -7.97％
从表3和表4可以看出：使用本发明方法可以生成多优先级约束的最小树形图，相比于HEVC帧内预测编码方法，采用本发明构建的图像集所需的比特率更少，例如对于Boy测试集，本发明所需的比特率要低26.84％，表明本发明实施例构建的图像集所需的存储空间更少，编码效率更高。
综上，本发明实施例方法能够用于多优先级约束的最小树形图生成，为具有多优先级的相似图像构建相应的图像集，减少了图像集所需的存储空间，进一步提高了编码效率。本发明实施例方法可应用于压缩云端存储的多优先级相似图像，以及构建图像数据库场景中多优先级相似图像的图像集。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (7)

1.一种用于多优先级相似图像的云图像集编码方法，其特征在于，包括：
获取含有相似图像的云图像集；
为所述云图像集建立第一有权有向图；
利用所述第一有权有向图生成不受任何约束的第一最小树形图；
基于预设的多种情况确定所述云图像集中每个图像的多优先级区间；其中，每种情况均表征多分类问题；所述预设的多种情况包括图像冷热门情况和用户缴费情况；
利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图；
利用所述第二最小树形图对所述云图像集中的图像进行编码；
其中，所述基于预设的多种情况确定所述云图像集中每个图像的多优先级区间，包括：
针对每个图像，确定该图像在每种情况下的类别归属；
根据该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级，包括：根据预先设定的类别归属与优先级的对应关系，以及该图像在每种情况下的类别归属，确定该图像在每种情况下的优先级；其中，优先级的值为自然数；
确定该图像针对所述预设的多种情况的多优先级区间，包括：将每种情况预先设定的权重系数与该图像在对应情况下的优先级求取乘积，并将得到的所有乘积求和得到该图像的优先级均值；确定该图像在所述预设的多种情况下的所有优先级中的最高优先级和最低优先级；利用该图像的优先级均值以及所述最高优先级和所述最低优先级，确定该图像的多优先级区间的两个端点值；根据所述两个端点值得到该图像针对所述预设的多种情况的多优先级区间；其中，所述多优先级区间含有多个优先级。
2.根据权利要求1所述的用于多优先级相似图像的云图像集编码方法，其特征在于，所述为所述云图像集建立第一有权有向图，包括：
将每个图像抽象为一个节点；
从k开始为每个图像对应的节点分配节点标号，并由携带有节点标号的所有图像对应的节点构成节点集合；其中，k为预设的自然数；
在所述节点集合中，连接从任意一个节点指向其他任意一个节点的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重；
由所述节点集合得到的所有有向边和相应的权重构成有向边集合，并由所述节点集合和所述有向边集合得到针对所有图像的第一有权有向图。
3.根据权利要求1所述的用于多优先级相似图像的云图像集编码方法，其特征在于，所述利用所述第一有权有向图生成不受任何约束的第一最小树形图，包括：
将所述第一有权有向图作为朱刘方法的输入，得到不受任何约束的第一最小树形图。
4.根据权利要求1或3所述的用于多优先级相似图像的云图像集编码方法，其特征在于，所述利用所述第一最小树形图和每个图像的多优先级区间，为所述云图像集构建多优先级约束的第二最小树形图，包括：
获取所有图像的多优先级区间构成的合集，并为所述合集中的每个优先级设置一个节点集合；
针对所述第一最小树形图中每个节点对应的图像，将该节点分别加入该图像的多优先级区间中各优先级分别对应的节点集合；
在所述第一最小树形图的基础上，连接满足节点要求的新的有向边，并且，根据图像的相关性计算所连接的两个节点之间的有向边的权重；其中，所述节点要求为：新的有向边的两个节点均隶属于含有不同优先级的节点集合，且新的有向边的起点节点所在节点集合对应的优先级高于终点节点所在节点集合对应的优先级；
将获得的所有新的有向边以及相应的权重，添加到所述第一最小树形图的有向边集合中，利用所述第一最小树形图的节点集合以及其添加后的有向边集合，得到第二有权有向图；
利用所述第一最小树形图、每个图像的多优先级区间、与所述第一最小树形图中每个节点的优先级相关的节点集合，以及所述第二有权有向图，为所述云图像集构建多优先级约束的第二最小树形图；其中，与所述第一最小树形图中每个节点的优先级相关的节点集合为每个图像加入的节点集合。
5.根据权利要求4所述的用于多优先级相似图像的云图像集编码方法，其特征在于，优先级的值大于或等于L，且值越小优先级越高；
所述利用所述第一最小树形图、每个图像的多优先级区间、与所述第一最小树形图中每个节点的优先级相关的节点集合，以及所述第二有权有向图，为所述云图像集构建多优先级约束的第二最小树形图，包括：
a1，针对迭代序号r＝0的首次迭代，设置初始状态为空集的节点集合VB、VU、VW以及有向边集合EB、EG；
a2，将所述第一最小树形图T1的根节点vR加入VB，将vR的优先级更新为最高优先级L，并更新与vR的优先级相关的节点集合；
a3，将所述第二有权有向图G(V,E1)中以vR为起点的所有有向边标记为第一类并加入到EG中；其中，V表示所述第二有权有向图的节点集合，E1表示所述第二有权有向图的有向边集合；
a4，设定pC为L+t；其中，pC表示当前处理的优先级；t为大于0的自然数，表示优先级的步进值；
a5，将优先级为pC的节点集合中的所有节点加入到VU中，从以当前VU中优先级为pC的节点为终点的所有第一类有向边中，选择权重最小的有向边<vp,vq>；
a6，将节点vq加入当前VB中，将有向边<vp,vq>标记为第二类并加入到EB中；将vq的优先级更新为pC，并更新与vq的优先级相关的节点集合，同时从当前VU中删除vq；
a7，选择一条以vq为起点的未标记有向边<vq,vo>；判断vo是否不属于当前VB；若是，将<vq,vo>标记为第一类并加入到当前EG中，执行a8；若否，将有向边<vq,vo>标记为第三类，执行a11；
a8，在以节点vo为终点的所有第一类有向边中，选择权重最小的一条有向边<vs,vo>，将其余第一类有向边标记为第三类并从当前EG中删除；
a9，判断当vo的优先级的值小于pC+t时，是否不存在以vo为终点的第一类有向边；若是，则执行a10；若否，则执行a11；
a10，将vo的优先级中值小于pC+t的优先级去除，并更新与vo的优先级相关的节点集合；
a11，判断以vq为起点的所有有向边是否均已标记；若是，执行a12；若否，执行a7；
a12，对于优先级为pC且不属于当前VB的所有节点，判断每个节点的优先级是否包含pC+t；若是，将这些包含优先级为pC+t的节点加入VW中，并执行a13；若否，执行a14；
a13，对于当前VW中的每个节点，判断以优先级为pC的其余节点为起点，到以该节点为终点的有向边是否都已标记为第三类；若是，将该节点的优先级中值为pC+t的优先级去除，更新与该节点的优先级相关的节点集合，并执行a14；若否，执行a14；
a14，将当前的迭代序号r加一；
a15，判断是否存在优先级为pC且不属于当前VB的节点；若是，则pC保持不变；若否，则pC加t；
a16，判断当前的迭代序号r是否满足r＝Q-1；其中，Q表示所述第二有权有向图的节点集合V中的节点总数；若不满足，则返回a5；若满足，则利用当前VB和当前EB，得到第二最小树形图T2＝(VB,EB)。
6.根据权利要求5所述的用于多优先级相似图像的云图像集编码方法，其特征在于，所述利用所述第二最小树形图对所述云图像集中的图像进行编码，包括：
对所述第二最小树形图中根节点对应的图像进行帧内预测编码；
确定所述第二最小树形图中除根节点之外的每个节点以其父节点所对应的图像作为参考图像；
针对所述第二最小树形图中除根节点之外的每个节点，利用该节点的参考图像对该节点对应的图像进行帧间预测编码。
7.根据权利要求6所述的用于多优先级相似图像的云图像集编码方法，其特征在于，所述针对所述第二最小树形图中除根节点之外的每个节点，利用该节点的参考图像对该节点对应的图像进行帧间预测编码，包括：
针对所述第二最小树形图中除根节点之外的每个节点，计算该节点对应的图像与其参考图像之间的透视变换矩阵；
根据所述透视变换矩阵对所述参考图像进行几何变换，得到几何变换后参考图像；
将所述几何变换后参考图像进行光学变换，得到几何光学变换后参考图像；
利用所述几何光学变换后参考图像对该节点对应的图像进行帧间预测编码。
CN202211138215.0A 2022-09-19 2022-09-19 一种用于多优先级相似图像的云图像集编码方法 Active CN115604480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138215.0A CN115604480B (zh) 2022-09-19 2022-09-19 一种用于多优先级相似图像的云图像集编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138215.0A CN115604480B (zh) 2022-09-19 2022-09-19 一种用于多优先级相似图像的云图像集编码方法

Publications (2)

Publication Number Publication Date
CN115604480A CN115604480A (zh) 2023-01-13
CN115604480B true CN115604480B (zh) 2023-06-20

Family

ID=84843384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138215.0A Active CN115604480B (zh) 2022-09-19 2022-09-19 一种用于多优先级相似图像的云图像集编码方法

Country Status (1)

Country Link
CN (1) CN115604480B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105306A (zh) * 2017-05-16 2017-08-29 西安电子科技大学 基于朱刘方法和ottc的群体图像编码结构生成方法
CN107426580A (zh) * 2017-05-16 2017-12-01 西安电子科技大学 基于朱刘法和蚁群法的群体图像编码结构生成方法
CN108712655A (zh) * 2018-05-24 2018-10-26 西安电子科技大学 一种用于相似图像集合并的群体图像编码方法
CN111145129A (zh) * 2020-04-03 2020-05-12 速度时空信息科技股份有限公司 基于超体素的点云去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10218987B2 (en) * 2014-06-30 2019-02-26 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for performing image compression

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105306A (zh) * 2017-05-16 2017-08-29 西安电子科技大学 基于朱刘方法和ottc的群体图像编码结构生成方法
CN107426580A (zh) * 2017-05-16 2017-12-01 西安电子科技大学 基于朱刘法和蚁群法的群体图像编码结构生成方法
CN108712655A (zh) * 2018-05-24 2018-10-26 西安电子科技大学 一种用于相似图像集合并的群体图像编码方法
CN111145129A (zh) * 2020-04-03 2020-05-12 速度时空信息科技股份有限公司 基于超体素的点云去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于云数据的高效图像编码方法;赵琛;马思伟;张新峰;张健;高文;;计算机学报(第11期) *

Also Published As

Publication number Publication date
CN115604480A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN111062951B (zh) 一种基于语义分割类内特征差异性的知识蒸馏方法
CN111950653B (zh) 视频处理方法和装置、存储介质及电子设备
CN109614935B (zh) 车辆定损方法及装置、存储介质及电子设备
CN111651636A (zh) 视频相似片段搜索方法及装置
US11030478B1 (en) System and method for correspondence map determination
JP5685324B2 (ja) 映像を比較する方法および装置
CN109063549B (zh) 基于深度神经网络的高分辨率航拍视频运动目标检测方法
CN114694185B (zh) 一种跨模态目标重识别方法、装置、设备及介质
Zhou et al. FSAD-Net: Feedback spatial attention dehazing network
Liu et al. Learning 2d-3d correspondences to solve the blind perspective-n-point problem
CN116051747A (zh) 一种基于缺失点云数据的房屋三维模型重建方法及设备、介质
CN111144239B (zh) 一种利用词汇树引导的无人机倾斜影像特征匹配方法
Mallick et al. Learning to Adapt Multi-View Stereo by Self-Supervision.
CN110046669B (zh) 基于素描图像的半耦合度量鉴别字典学习的行人检索方法
CN114972506A (zh) 一种基于深度学习和街景图像的图像定位方法
CN115604480B (zh) 一种用于多优先级相似图像的云图像集编码方法
US20080111814A1 (en) Geometric tagging
CN115588125A (zh) 一种用于多个图像插入的图像集构建方法
CN116383470A (zh) 一种具有隐私保护的图像搜索方法
JP2004318365A (ja) 画像検索システム、画像検索方法およびそのプログラム
CN114140581A (zh) 一种自动建模方法、装置、计算机设备及存储介质
CN112257666A (zh) 目标图像内容的聚合方法、装置、设备及可读存储介质
CN106296568A (zh) 一种镜头类型的确定方法、装置及客户端
CN114387415B (zh) 一种基于交互式纹元检索的建筑立面纹理快速生成方法
Zhu et al. Image phylogeny tree construction based on local inheritance relationship correction

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