CN115797750B - 一种基于深度学习算法的大尺寸图像快速传输方法 - Google Patents
一种基于深度学习算法的大尺寸图像快速传输方法 Download PDFInfo
- Publication number
- CN115797750B CN115797750B CN202310050990.9A CN202310050990A CN115797750B CN 115797750 B CN115797750 B CN 115797750B CN 202310050990 A CN202310050990 A CN 202310050990A CN 115797750 B CN115797750 B CN 115797750B
- Authority
- CN
- China
- Prior art keywords
- transmitted
- size image
- image
- size
- characteristic region
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及大尺寸图像快速传输领域,尤其涉及一种基于深度学习算法的大尺寸图像快速传输方法,包括:利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据;利用所述待传输大尺寸图像的特征像素数据进行快速传输,在提升图像传输效率的同时,保证了传输后图像的完整性与信息的准确性,在传输过程中优先保障图像重点内容的传输时效性,避免了信息传递中的滞后缺点。
Description
技术领域
本发明涉及大尺寸图像快速传输领域,具体涉及一种基于深度学习算法的大尺寸图像快速传输方法。
背景技术
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
大尺寸图像在各领域均有广泛应用,但由于大尺寸图像的自身特点,分辨率高,包含内容信息量大,在获取及传输上仍然存在传输效率慢,传输后图像完整性差等问题,因此,亟需一种切实可行的可以将前述的深度学习算法与大尺寸图像的分类传输相结合方法。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习算法的大尺寸图像快速传输方法,通过深度学习对待传输图像的分类传输处理,提升了传输效率与传输后图像完整性的保证。
为实现上述目的,本发明提供了一种基于深度学习算法的大尺寸图像快速传输方法,包括:
利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据;
利用所述待传输大尺寸图像的特征像素数据进行快速传输。
优选的,利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据包括:
利用待传输大尺寸图像获取待传输大尺寸图像的像素数据;
利用所述待传输大尺寸图像的像素数据获取待传输大尺寸图像的特征像素数据。
进一步的,利用所述待传输大尺寸图像的像素数据获取待传输大尺寸图像的特征像素数据包括:
获取所述待传输大尺寸图像对应的图像类型;
利用所述待传输大尺寸图像的像素数据根据所述待传输大尺寸图像对应的图像类型划分待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域;
利用所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的特征像素数据;
其中,图像类型为待传输大尺寸图像的图像内容类型,首要特征区域为待传输大尺寸图像对应的图像类型相关区域,次要特征区域为待传输大尺寸图像对应的图像类型非相关区域。
进一步的,利用所述待传输大尺寸图像的像素数据根据所述待传输大尺寸图像对应的图像类型划分待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域包括:
利用所述待传输大尺寸图像的像素数据与待传输大尺寸图像对应的图像类型输入预先训练的待传输大尺寸图像特征区域分类模型得到待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域。
进一步的,待传输大尺寸图像特征区域分类模型的预先训练包括:
利用已传输大尺寸图像、已传输大尺寸图像对应的图像类型与已传输大尺寸图像的首要特征区域建立已传输大尺寸图像特征数据库;
利用所述已传输大尺寸图像特征数据库划分训练集与验证集;
以训练集中已传输大尺寸图像与已传输大尺寸图像对应的图像类型作为输入,以已传输大尺寸图像的首要特征区域作为输出,基于深度学习算法对待传输大尺寸图像特征区域分类模型结构进行训练;
利用所述待传输大尺寸图像特征区域分类模型结构基于验证集得到待传输大尺寸图像特征区域分类模型。
优选的,利用所述待传输大尺寸图像的特征像素数据进行快速传输包括:
当发送端同时存在待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域时,优先发送待传输大尺寸图像的首要特征区域至接收端;
当发送端仅存在待传输大尺寸图像的首要特征区域时,依次将待传输大尺寸图像的首要特征区域发送至接收端;
当发送端仅存在待传输大尺寸图像的次要特征区域时,依次将待传输大尺寸图像的次要特征区域发送至接收端;
当接收端存在待传输大尺寸图像的首要特征区域时,利用所述待传输大尺寸图像的首要特征区域得到待传输大尺寸图像。
进一步的,利用所述待传输大尺寸图像的首要特征区域得到待传输大尺寸图像包括:
判断所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的全部区域比值是否大于80%,若是,则利用待传输大尺寸图像的首要特征区域获取待传输大尺寸图像,否则,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域进行区域边缘验证处理得到待传输大尺寸图像。
进一步的,所述利用待传输大尺寸图像的首要特征区域获取待传输大尺寸图像包括:
利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像的基础图像;
判断所述待传输大尺寸图像的基础图像在接收端是否存在待传输大尺寸图像的基础图像对应的待传输大尺寸图像的次要特征区域,若是,则利用待传输大尺寸图像的基础图像与待传输大尺寸图像的次要特征区域拼接作为待传输大尺寸图像,否则,利用所述待传输大尺寸图像的基础图像作为待传输大尺寸图像。
进一步的,所述利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域进行区域边缘验证处理得到待传输大尺寸图像包括:
利用所述待传输大尺寸图像的首要特征区域的边缘像素点与待传输大尺寸图像的次要特征区域的边缘像素点得到待传输大尺寸图像的边缘像素相关结果;
利用所述待传输大尺寸图像的边缘像素相关结果得到待传输大尺寸图像;
其中,边缘像素相关结果包括水平像素相关、垂直像素相关与对角像素相关,边缘像素点包括角边缘像素点、水平边缘像素点与垂直边缘像素点,角边缘像素点相关对应水平像素相关、垂直像素相关与对角像素相关,水平边缘像素点相关对应水平像素相关,垂直边缘像素点相关对应垂直像素相关。
进一步的,利用所述待传输大尺寸图像的边缘像素相关结果得到待传输大尺寸图像包括:
当待传输大尺寸图像的边缘像素相关结果为边缘像素点全部相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域拼接得到待传输大尺寸图像;
当待传输大尺寸图像的边缘像素相关结果中存在多个角边缘像素点相关且边缘像素点不为完全相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域基于维纳滤波复原处理得到待传输大尺寸图像;
当待传输大尺寸图像的边缘像素相关结果中角边缘像素点相关的数量为1且角边缘像素点相邻边的各水平边缘像素点与各垂直边缘像素点相关时,利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像,利用所述待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的首要特征区域的备选拼接图像;
当待传输大尺寸图像的边缘像素相关结果中不存在角边缘像素点相关时,放弃处理。
与最接近的现有技术相比,本发明具有的有益效果:
通过深度学习算法在传输前进行初步内容与图像对应,在传输后基于深度学习算法的非完全信任原则,多步骤验证,在提升图像传输效率的同时,保证了传输后图像的完整性与信息的准确性,在传输过程中优先保障图像重点内容的传输时效性,避免了信息传递中的滞后缺点。
附图说明
图1是本发明提供的一种基于深度学习算法的大尺寸图像快速传输方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
实施例1:
本发明提供了一种基于深度学习算法的大尺寸图像快速传输方法,如图1所示,包括:
S1、利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据;
S2、利用所述待传输大尺寸图像的特征像素数据进行快速传输。
本实施例中,一种基于深度学习算法的大尺寸图像快速传输方法,所述大尺寸图像在应用中至少为9000x9000像素,其图像文件大小约400MB左右。
S1具体包括:
S1-1、利用待传输大尺寸图像获取待传输大尺寸图像的像素数据;
S1-2、利用所述待传输大尺寸图像的像素数据获取待传输大尺寸图像的特征像素数据。
S1-2具体包括:
S1-2-1、获取所述待传输大尺寸图像对应的图像类型;
S1-2-2、利用所述待传输大尺寸图像的像素数据根据所述待传输大尺寸图像对应的图像类型划分待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域;
S1-2-3、利用所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的特征像素数据;
其中,图像类型为待传输大尺寸图像的图像内容类型,首要特征区域为待传输大尺寸图像对应的图像类型相关区域,次要特征区域为待传输大尺寸图像对应的图像类型非相关区域。
本实施例中,一种基于深度学习算法的大尺寸图像快速传输方法,首要特征区域为待传输大尺寸图像的图像重点区域,即待传输大尺寸图像中接收端所需的区域。
本实施例中,一种基于深度学习算法的大尺寸图像快速传输方法,待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域不存在重合区域,且合并后与待传输大尺寸图像的全部区域相同。
S1-2-2具体包括:
S1-2-2-1、利用所述待传输大尺寸图像的像素数据与待传输大尺寸图像对应的图像类型输入预先训练的待传输大尺寸图像特征区域分类模型得到待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域。
S1-2-2-1具体包括:
S1-2-2-1-1、利用已传输大尺寸图像、已传输大尺寸图像对应的图像类型与已传输大尺寸图像的首要特征区域建立已传输大尺寸图像特征数据库;
S1-2-2-1-2、利用所述已传输大尺寸图像特征数据库划分训练集与验证集;
S1-2-2-1-3、以训练集中已传输大尺寸图像与已传输大尺寸图像对应的图像类型作为输入,以已传输大尺寸图像的首要特征区域作为输出,基于深度学习算法对待传输大尺寸图像特征区域分类模型结构进行训练;
S1-2-2-1-4、利用所述待传输大尺寸图像特征区域分类模型结构基于验证集得到待传输大尺寸图像特征区域分类模型。
S2具体包括:
S2-1、当发送端同时存在待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域时,优先发送待传输大尺寸图像的首要特征区域至接收端;
S2-2、当发送端仅存在待传输大尺寸图像的首要特征区域时,依次将待传输大尺寸图像的首要特征区域发送至接收端;
S2-3、当发送端仅存在待传输大尺寸图像的次要特征区域时,依次将待传输大尺寸图像的次要特征区域发送至接收端;
S2-4、当接收端存在待传输大尺寸图像的首要特征区域时,利用所述待传输大尺寸图像的首要特征区域得到待传输大尺寸图像。
S2-4具体包括:
S2-4-1、判断所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的全部区域比值是否大于80%,若是,则利用待传输大尺寸图像的首要特征区域获取待传输大尺寸图像,否则,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域进行区域边缘验证处理得到待传输大尺寸图像。
S2-4-1具体包括:
S2-4-1-1、利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像的基础图像;
S2-4-1-2、判断所述待传输大尺寸图像的基础图像在接收端是否存在待传输大尺寸图像的基础图像对应的待传输大尺寸图像的次要特征区域,若是,则利用待传输大尺寸图像的基础图像与待传输大尺寸图像的次要特征区域拼接作为待传输大尺寸图像,否则,利用所述待传输大尺寸图像的基础图像作为待传输大尺寸图像。
S2-4-1-3、利用所述待传输大尺寸图像的首要特征区域的边缘像素点与待传输大尺寸图像的次要特征区域的边缘像素点得到待传输大尺寸图像的边缘像素相关结果;
S2-4-1-4、利用所述待传输大尺寸图像的边缘像素相关结果得到待传输大尺寸图像;
其中,边缘像素相关结果包括水平像素相关、垂直像素相关与对角像素相关,边缘像素点包括角边缘像素点、水平边缘像素点与垂直边缘像素点,角边缘像素点相关对应水平像素相关、垂直像素相关与对角像素相关,水平边缘像素点相关对应水平像素相关,垂直边缘像素点相关对应垂直像素相关。
S2-4-1-4具体包括:
S2-4-1-4-1、当待传输大尺寸图像的边缘像素相关结果为边缘像素点全部相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域拼接得到待传输大尺寸图像;
S2-4-1-4-2、当待传输大尺寸图像的边缘像素相关结果中存在多个角边缘像素点相关且边缘像素点不为完全相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域基于维纳滤波复原处理得到待传输大尺寸图像;
S2-4-1-4-3、当待传输大尺寸图像的边缘像素相关结果中角边缘像素点相关的数量为1且角边缘像素点相邻边的各水平边缘像素点与各垂直边缘像素点相关时,利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像,利用所述待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的首要特征区域的备选拼接图像;
S2-4-1-4-4、当待传输大尺寸图像的边缘像素相关结果中不存在角边缘像素点相关时,放弃处理。
本实施例中,一种基于深度学习算法的大尺寸图像快速传输方法,基于MATLAB采用维纳滤波恢复算法对模糊图像进行恢复,在增加噪声的情况下,且图像尺寸大且图像内容较高时,步骤如下:
(1)首先假设点扩散函数为高斯模型,加性白噪声为高斯噪声,理想的未退化的图像为,那么退化图像要想恢复出理想图像,就要估计点扩散函数和加性白噪声;
(2)为了更好地估计叠加有白噪声的高斯模糊图像的点扩展函数,可以先对图像进行去噪处理。因此我们采用均值滤波对退化图像进行去噪;
(3)采用最大似然估计算法来估计退化图像的点扩展函数 ,即寻找最适合的点扩展函数来极大化似然函数,先假设一个初始值,然后通过迭代方式估计出点扩展函数;
(4)估计加性白噪声,采用MATLAB图像处理工具箱中的二维维纳滤波函数来估计噪声参数;
(5)最后采用维纳滤波对退化图像进行复原。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于深度学习算法的大尺寸图像快速传输方法,其特征在于,包括:
S1、利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据;
S2、利用所述待传输大尺寸图像的特征像素数据进行快速传输;
S2-1、当发送端同时存在待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域时,优先发送待传输大尺寸图像的首要特征区域至接收端;
S2-2、当发送端仅存在待传输大尺寸图像的首要特征区域时,依次将待传输大尺寸图像的首要特征区域发送至接收端;
S2-3、当发送端仅存在待传输大尺寸图像的次要特征区域时,依次将待传输大尺寸图像的次要特征区域发送至接收端;
S2-4、当接收端存在待传输大尺寸图像的首要特征区域时,利用所述待传输大尺寸图像的首要特征区域得到待传输大尺寸图像;
S2-4-1、判断所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的全部区域比值是否大于80%,若是,则利用待传输大尺寸图像的首要特征区域获取待传输大尺寸图像,否则,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域进行区域边缘验证处理得到待传输大尺寸图像;
S2-4-1-1、利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像的基础图像;
S2-4-1-2、判断所述待传输大尺寸图像的基础图像在接收端是否存在待传输大尺寸图像的基础图像对应的待传输大尺寸图像的次要特征区域,若是,则利用待传输大尺寸图像的基础图像与待传输大尺寸图像的次要特征区域拼接作为待传输大尺寸图像,否则,利用所述待传输大尺寸图像的基础图像作为待传输大尺寸图像;
S2-4-1-3、利用所述待传输大尺寸图像的首要特征区域的边缘像素点与待传输大尺寸图像的次要特征区域的边缘像素点得到待传输大尺寸图像的边缘像素相关结果;
S2-4-1-4、利用所述待传输大尺寸图像的边缘像素相关结果得到待传输大尺寸图像;
S2-4-1-4-1、当待传输大尺寸图像的边缘像素相关结果为边缘像素点全部相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域拼接得到待传输大尺寸图像;
S2-4-1-4-2、当待传输大尺寸图像的边缘像素相关结果中存在多个角边缘像素点相关且边缘像素点不为完全相关时,利用待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域基于维纳滤波复原处理得到待传输大尺寸图像;
S2-4-1-4-3、当待传输大尺寸图像的边缘像素相关结果中角边缘像素点相关的数量为1且角边缘像素点相邻边的各水平边缘像素点与各垂直边缘像素点相关时,利用所述待传输大尺寸图像的首要特征区域作为待传输大尺寸图像,利用所述待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的首要特征区域的备选拼接图像;
S2-4-1-4-4、当待传输大尺寸图像的边缘像素相关结果中不存在角边缘像素点相关时,放弃处理
其中,边缘像素相关结果包括水平像素相关、垂直像素相关与对角像素相关,边缘像素点包括角边缘像素点、水平边缘像素点与垂直边缘像素点,角边缘像素点相关对应水平像素相关、垂直像素相关与对角像素相关,水平边缘像素点相关对应水平像素相关,垂直边缘像素点相关对应垂直像素相关。
2.如权利要求1所述的一种基于深度学习算法的大尺寸图像快速传输方法,其特征在于,利用待传输大尺寸图像获取待传输大尺寸图像的特征像素数据包括:
利用待传输大尺寸图像获取待传输大尺寸图像的像素数据;
利用所述待传输大尺寸图像的像素数据获取待传输大尺寸图像的特征像素数据。
3.如权利要求2所述的一种基于深度学习算法的大尺寸图像快速传输方法,其特征在于,利用所述待传输大尺寸图像的像素数据获取待传输大尺寸图像的特征像素数据包括:
获取所述待传输大尺寸图像对应的图像类型;
利用所述待传输大尺寸图像的像素数据根据所述待传输大尺寸图像对应的图像类型划分待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域;
利用所述待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域作为待传输大尺寸图像的特征像素数据;
其中,图像类型为待传输大尺寸图像的图像内容类型,首要特征区域为待传输大尺寸图像对应的图像类型相关区域,次要特征区域为待传输大尺寸图像对应的图像类型非相关区域。
4.如权利要求3所述的一种基于深度学习算法的大尺寸图像快速传输方法,其特征在于,利用所述待传输大尺寸图像的像素数据根据所述待传输大尺寸图像对应的图像类型划分待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域包括:
利用所述待传输大尺寸图像的像素数据与待传输大尺寸图像对应的图像类型输入预先训练的待传输大尺寸图像特征区域分类模型得到待传输大尺寸图像的首要特征区域与待传输大尺寸图像的次要特征区域。
5.如权利要求4所述的一种基于深度学习算法的大尺寸图像快速传输方法,其特征在于,待传输大尺寸图像特征区域分类模型的预先训练包括:
利用已传输大尺寸图像、已传输大尺寸图像对应的图像类型与已传输大尺寸图像的首要特征区域建立已传输大尺寸图像特征数据库;
利用所述已传输大尺寸图像特征数据库划分训练集与验证集;
以训练集中已传输大尺寸图像与已传输大尺寸图像对应的图像类型作为输入,以已传输大尺寸图像的首要特征区域作为输出,基于深度学习算法对待传输大尺寸图像特征区域分类模型结构进行训练;
利用所述待传输大尺寸图像特征区域分类模型结构基于验证集得到待传输大尺寸图像特征区域分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050990.9A CN115797750B (zh) | 2023-02-02 | 2023-02-02 | 一种基于深度学习算法的大尺寸图像快速传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050990.9A CN115797750B (zh) | 2023-02-02 | 2023-02-02 | 一种基于深度学习算法的大尺寸图像快速传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797750A CN115797750A (zh) | 2023-03-14 |
CN115797750B true CN115797750B (zh) | 2023-04-25 |
Family
ID=85429452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310050990.9A Active CN115797750B (zh) | 2023-02-02 | 2023-02-02 | 一种基于深度学习算法的大尺寸图像快速传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797750B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648211A (zh) * | 2018-05-16 | 2018-10-12 | 思百达物联网科技(北京)有限公司 | 一种基于深度学习的小目标检测方法、装置、设备和介质 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN112819076A (zh) * | 2021-02-03 | 2021-05-18 | 中南大学 | 基于深度迁移学习的医学图像分类模型的训练方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7076698B2 (ja) * | 2017-11-17 | 2022-05-30 | 国立研究開発法人国立がん研究センター | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム |
CN108830873B (zh) * | 2018-06-29 | 2022-02-01 | 京东方科技集团股份有限公司 | 深度图像物体边缘提取方法、装置、介质及计算机设备 |
CN112637609B (zh) * | 2020-12-18 | 2023-03-17 | 上海壁仞智能科技有限公司 | 图像实时传输方法、发送端及接收端 |
CN113409316B (zh) * | 2021-08-19 | 2021-12-21 | 明品云(北京)数据科技有限公司 | 一种图像分类方法、装置、计算机可读存储介质及设备 |
CN115223004A (zh) * | 2022-06-17 | 2022-10-21 | 长安大学 | 基于改进的多尺度融合生成对抗网络图像增强方法 |
-
2023
- 2023-02-02 CN CN202310050990.9A patent/CN115797750B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648211A (zh) * | 2018-05-16 | 2018-10-12 | 思百达物联网科技(北京)有限公司 | 一种基于深度学习的小目标检测方法、装置、设备和介质 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN112819076A (zh) * | 2021-02-03 | 2021-05-18 | 中南大学 | 基于深度迁移学习的医学图像分类模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115797750A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN112907530B (zh) | 基于分组反向注意力的伪装物体检测方法及系统 | |
CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
CN111292272B (zh) | 图像处理方法、装置、介质以及电子设备 | |
CN116029946B (zh) | 基于异构残差注意神经网络模型的图像去噪方法及系统 | |
CN112991278A (zh) | RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及系统 | |
CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN109903294A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN111340025A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN115797750B (zh) | 一种基于深度学习算法的大尺寸图像快速传输方法 | |
CN112926595A (zh) | 深度学习神经网络模型的训练装置、目标检测系统及方法 | |
CN112560734A (zh) | 基于深度学习的重获取视频检测方法、系统、设备及介质 | |
CN109785312B (zh) | 一种图像模糊检测方法、系统及电子设备 | |
CN112084855A (zh) | 一种基于改进ransac方法对视频流的外点剔除方法 | |
CN108764110B (zh) | 基于hog特征行人检测器的递归错检校验方法、系统及设备 | |
CN115965844A (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
CN114004974A (zh) | 对弱光环境下拍摄的图像的优化方法及装置 | |
CN114240778A (zh) | 视频去噪方法、装置及终端 | |
CN108769525B (zh) | 一种图像调整方法、装置、设备及存储介质 | |
CN106296568A (zh) | 一种镜头类型的确定方法、装置及客户端 | |
CN116029942B (zh) | 一种深度学习图像边缘强化的方法、相关装置及存储介质 | |
CN110189272B (zh) | 用于处理图像的方法、装置、设备和存储介质 | |
CN113744141B (zh) | 图像的增强方法、装置和自动驾驶的控制方法、装置 | |
CN117333414A (zh) | 用于快速生成图像的aigc数据分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |