CN116228606B - 一种基于大数据的图像优化处理系统 - Google Patents
一种基于大数据的图像优化处理系统 Download PDFInfo
- Publication number
- CN116228606B CN116228606B CN202310515330.3A CN202310515330A CN116228606B CN 116228606 B CN116228606 B CN 116228606B CN 202310515330 A CN202310515330 A CN 202310515330A CN 116228606 B CN116228606 B CN 116228606B
- Authority
- CN
- China
- Prior art keywords
- image
- optimization
- pixel point
- region
- pixel points
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 91
- 238000012545 processing Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 32
- 238000009792 diffusion process Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 241000220225 Malus Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于大数据的图像优化处理系统,涉及图像处理技术领域,包括图像主体采集模块、图像处理模块、图像优化模块和图像训练模块,图像处理模块包括图像主体分析单元和主体中心分析单元;所述图像优化模块包括图像分级单元和图像优化单元;图像训练模块包括模型训练单元和模型校正单元;通过对图像进行主体识别,能够给同一图像的不同部分进行不同程度的优化处理,以解决现有的图像优化中,对于图像的重点内容或特征进行分析处理与加强不足导致优化后的图像重点区域不清晰,或无法突出图像重点的问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于大数据的图像优化处理系统。
背景技术
图像资源不只占用网络资源,它也会占用网页中大量的视觉空间。所以图像渲染的速度会直接影响用户体验。图像优化其实就是最大限度地减少图像的字节数,从而最大化地缩减网络资源占用,使浏览器下载速度变得更快,网页图像的要求是在尽可能短的传输时间里,发布尽可能高质量的图像。因此在设计和处理网页图像时就要求图像有尽可能高的清晰度与尽可能小的尺寸,从而使图像的下载速度达到最快。为此,必须对图像进行优化。
现有技术中,一般采用无损压缩或有损压缩的方法对网页图像进行图像优化,无论是有损压缩还是无损压缩,都是对一整张图像进行优化处理,没有对图像的重点内容或特征进行分析处理与加强,可能会出现优化后的图像重点区域不清晰,或无法突出图像重点的问题。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于大数据的图像优化处理系统,通过对图像进行主体识别,能够给同一图像的不同部分进行不同程度的优化处理,以解决现有的图像优化中,对于图像的重点内容或特征进行分析处理与加强不足导致优化后的图像重点区域不清晰,或无法突出图像重点的问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于大数据的图像优化处理系统,其特征在于,所述处理系统包括图像主体采集模块、图像处理模块、图像优化模块和图像训练模块;
所述图像主体采集模块用于从大数据中采集目标图像;
所述图像处理模块用于对目标图像进行分析处理获得图像主体和主体中心;所述图像处理模块包括图像主体分析单元和主体中心分析单元;所述图像主体分析单元用于识别图像主体,所述主体中心分析单元用于识别图像主体的主体中心;
所述图像优化模块包括图像分级单元和图像优化单元,所述图像分级单元用于根据主体中心对图像进行分区分级处理;所述图像优化单元用于对不同分级的区域进行不同优化处理,并输出优化图像;
所述图像训练模块包括模型训练单元和模型校正单元,所述模型训练单元用于构建图像优化模型,并对图像优化模型进行训练,获得训练数据集;所述模型校正单元用于对输出的优化图像进行分析比较处理,并根据比较结果对模型参数进行调整。
进一步地,所述图像主体分析单元配置有图像主体分析策略,所述图像主体分析策略包括:对目标图像进行多次扩散模型算法,将得到的扩散图像记为KTi,i为正整数,将目标图像与扩散图像KTi进行对比提取;所述对比提取包括:选取一张扩散图像KTi,提取扩散图像KTi中出现的所有物品和目标图像中出现的所有物品,进行对比后,保留扩散图像KTi和目标图像中都出现的物品,将目标图像中的该物品设置为待处理物品,以此类推,获取所有待处理物品,将出现次数大于等于处理物品阈值的待处理物品设置为图像主体Tn,n为正整数。
进一步地,所述主体中心分析单元配置有第一主体中心分析策略,所述第一主体中心分析策略包括:获取图像主体Tn,对图像主体Tn使用二值化处理,将二值化处理后的图像主体Tn记为二值化图像En,对二值化图像En的每个像素点使用边缘处理法,所述边缘处理法包括选取一个像素点记为目标像素点,当目标像素点周围的所有像素点的颜色与目标像素点一致时,删除目标像素点;
通过遍历对二值化图像En的所有像素点使用边缘处理法,将处理后的二值化图像En记为轮廓图像Ln,使用与轮廓图像Ln相切的圆形对轮廓图像Ln进行包裹,将相切的圆形记为相切圆Cn;
获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心在轮廓图像Ln内部时,将相切圆Cn的圆心记为轮廓图像Ln的主体中心。
进一步地,所述主体中心分析单元配置有第二主体中心分析策略,所述第二主体中心分析策略包括:获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心不在轮廓图像Ln内部时,获取轮廓图像Ln中所有灰度值为255的像素点,记为第一边缘轮廓像素点,对第一边缘轮廓像素点使用像素点筛选方法,所述像素点筛选方法包括:选取边缘轮廓像素点中的一个像素点,记为原像素点,获取原像素点的边相邻的灰度值为0的像素点,记为原像素点1至原像素点N,获取原像素点相邻的一个像素点记为友像素点,获取友像素点的边相邻的灰度值为0的像素点,记为友像素点1至友像素点M,对原像素点1至原像素点N与友像素点1至友像素点M进行比对分析,当原像素点1至原像素点N中的像素点与友像素点1至友像素点M相同或相邻且不为第一边缘轮廓像素点时,将相同或相邻的像素点记为共有像素点,对共有像素点进行分析,当共有像素点在轮廓图像Ln内时,将共有像素点记为第二边缘轮廓像素点;
对第一边缘轮廓像素点中的所有像素点使用像素点筛选方法,将全部处理后的第二边缘轮廓像素点围成的图像记为临时轮廓图像LSn,对第二边缘轮廓像素点使用像素点筛选方法;
重复所述像素点筛选方法,当临时轮廓图像LSn内部没有共有像素点时,停止使用像素点筛选方法,将临时轮廓图像LSn中的任意一个像素点记为主体中心。
进一步地,所述图像分级单元配置有图像分级策略,所述图像分级策略包括:对图像进行区域分级,获得待优化区域,所述待优化区域包括一级区域、二级区域和三级区域,当图像为单图像主体时,获取图像主体和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,所述一级区域、二级区域和三级区域互相独立;
当图像为多图像主体时,获取各个图像主体和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,当多个不同主体中心的不同分级区域相交时,将相交区域划分为相交分级中的最高等级。
进一步地,所述图像优化单元配置有图像优化策略,所述图像优化策略包括:对一级区域进行一级调整,获取一级区域内的像素点,设置为一级像素点,对一级像素点进行差分编码,获取一级像素点中的任一像素点,设置为基础像素点P,计算基础像素点与其他像素点的差异,如果基础像素点与其他像素点相同,增量为0,则存储基础像素点;如果基础像素点与其他像素点不相同,则记录增量;
对二级区域进行二级调整,提取二级区域图像,对二级区域进行无损压缩;
对三级区域进行三级调整,提取三级区域图像,对三级区域图像进行有损压缩。
进一步地,所述二级调整包括:获取二级区域的像素点,获取二级区域像素点的RGBA值,将色彩深度调整为 RGB 通道一共需要 8 位, Alpha 透明度通道需要 8 位;再对二级区域内的像素点进行差分编码。
进一步地,所述三级调整包括:使用有损变换编解码,首先获取三级区域内的像素点,将三级区域内的像素点等分为z块、变换到一个新的空间以及量化,然后对量化值进行熵编码。
进一步地,所述模型训练单元配置有模型训练策略,所述模型训练策略包括:构建优化训练模型,所述优化训练模型包括:获得若干图像作为原始数据集;配置若干参数;对所述原始数据集中的每张图像进行预设次数的随机处理,获得待优化区域,获取每张待优化图像的预设次数的随机处理数据;
对已构建的优化训练模型进行训练。
进一步地,所述模型校正单元配置有模型校正策略,所述模型校正策略包括:将原始数据集、待优化区域和待优化区域对应的随机处理数据作为训练数据集,获取优化图像,获取优化图像的字节数,对优化图像进行图像质量评估,获取优化图像的图像质量评估值,将优化图像的图像质量评估值与优化图像的字节数相比得到优化图像的优化值;
设置第一优化阈值,当优化图像的优化值高于第一优化阈值时,输出优化正常信号;
当优化图像的优化值低于第一优化阈值时,输出优化异常信号,并对训练数据集中的参数进行校正。
本发明的有益效果:本发明首先获取目标图像,对目标图像进行多次扩散模型算法得到图像主体,再获取图像主体的主体中心,以主体中心为图像中心进行分级,通过对图像区域进行分级,可以达到提取图像的主要特征的目的;
根据图像分级,对不同等级的图像区域进行不同程度的优化处理,得到优化图像,通过分级处理可以突出目标图片上的主要图像内容,提取图片主要内容进行优化,有益于在优化过程中突出图像主体;
构建优化训练模型,并对优化训练模型进行训练,获得训练数据集,对图像进行分析比较,并根据分析结果校正参数;对优化训练模型进行监测处理,优点在于可以提高优化训练模型的准确性。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其他特征、目的和优点将会变得更明显:
图1为本发明的原理框图;
图2为本发明的部分主体中心分析示意图;
图3为本发明的像素点筛选方法示意图;
图4为本发明的图3中A1处的放大图;
图5为本发明的单图像主体分级示意图;
图6为本发明的多图像主体分级示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
请参阅图1所示,一种基于大数据的图像优化处理系统,包括图像主体采集模块、图像处理模块、图像优化模块和图像训练模块;
图像主体采集模块用于从大数据中采集目标图像;
图像处理模块用于对目标图像进行分析处理获得图像主体和主体中心;图像处理模块包括图像主体分析单元和主体中心分析单元;图像主体分析单元用于识别图像主体,主体中心分析单元用于识别图像主体的主体中心;
图像主体分析单元配置有图像主体分析策略,图像主体分析策略包括:对目标图像进行多次扩散模型算法,将得到的扩散图像记为KTi,i为正整数,将目标图像与扩散图像KTi进行对比提取;对比提取包括:选取一张扩散图像KTi,提取扩散图像KTi中出现的所有物品和目标图像中出现的所有物品,进行对比后,保留扩散图像KTi和目标图像中都出现的物品,将目标图像中的该物品设置为待处理物品;例如,在将网页图片设置为目标图像,该网页图片包括苹果、笔、书、杯子和手机,对该网页图片进行第一次扩散模型算法,得到的扩散图像KT1中有苹果、勺子、书、杯子和手机,则待处理物品为苹果、书、杯子和手机;
以此类推,获取所有待处理物品,将出现次数大于等于处理物品阈值的待处理物品设置为图像主体Tn,n为正整数,例如,在所有待处理物品中,苹果出现10次,书出现9次,杯子出现6次,手机出现8次,处理物品阈值为8,则图像主体T1为苹果,图像主体T2为书,图像主体T3为手机。
请参阅图2所示,主体中心分析单元配置有第一主体中心分析策略,第一主体中心分析策略包括:获取图像主体Tn,对图像主体Tn使用二值化处理,将二值化处理后的图像主体Tn记为二值化图像En,对二值化图像En的每个像素点使用边缘处理法,边缘处理法包括选取一个像素点记为目标像素点,当目标像素点周围的所有像素点的颜色与目标像素点一致时,删除目标像素点;具体地,二值化处理为:将图像主体Tn的像素点的灰度值设置为255;
通过遍历对二值化图像En的所有像素点使用边缘处理法,将处理后的二值化图像En记为轮廓图像Ln,使用与轮廓图像Ln相切的圆形对轮廓图像Ln进行包裹,将相切的圆形记为相切圆Cn;
获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心在轮廓图像Ln内部时,将相切圆Cn的圆心记为轮廓图像Ln的主体中心;
请参阅图3和图4所示,主体中心分析单元配置有第二主体中心分析策略,第二主体中心分析策略包括:获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心不在轮廓图像Ln内部时,获取轮廓图像Ln中所有灰度值为255的像素点,记为第一边缘轮廓像素点,对第一边缘轮廓像素点使用像素点筛选方法,像素点筛选方法包括:选取边缘轮廓像素点中的一个像素点,记为原像素点,获取原像素点的边相邻的灰度值为0的像素点,记为原像素点1至原像素点N,获取原像素点相邻的一个像素点记为友像素点,获取友像素点的边相邻的灰度值为0的像素点,记为友像素点1至友像素点M,对原像素点1至原像素点N与友像素点1至友像素点M进行比对分析,当原像素点1至原像素点N中的像素点与友像素点1至友像素点M相同或相邻且不为第一边缘轮廓像素点时,将相同或相邻的像素点记为共有像素点,对共有像素点进行分析,当共有像素点在轮廓图像Ln内时,将共有像素点记为第二边缘轮廓像素点;例如,当原像素点2与友像素点1相邻且不为第一边缘轮廓像素点时,则将原像素点2和友像素点1记为共有像素点,当原像素点2和友像素点1在轮廓图像Ln内时,则原像素点2和友像素点1均为第二边缘轮廓像素点;
对第一边缘轮廓像素点中的所有像素点使用像素点筛选方法,将全部处理后的第二边缘轮廓像素点围成的图像记为临时轮廓图像LSn,对第二边缘轮廓像素点使用像素点筛选方法;
重复像素点筛选方法,当临时轮廓图像LSn内部没有共有像素点时,停止使用像素点筛选方法,将临时轮廓图像LSn中的任意一个像素点记为主体中心;具体地,当临时轮廓图像LSn内部没有共有像素点时,临时轮廓图像LSn即为聚合体,无法再向内取像素点;
图像优化模块包括图像分级单元和图像优化单元,图像分级单元用于根据主体中心对图像进行分区分级处理;图像优化单元用于对不同分级的区域进行不同优化处理,并输出优化图像;
请参阅图5所示,图像分级单元配置有图像分级策略,图像分级策略包括:对图像进行区域分级,获得待优化区域,待优化区域包括一级区域、二级区域和三级区域,当图像为单图像主体时,获取图像主体和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,一级区域、二级区域和三级区域互相独立;具体地,选取一张网页图片为目标图像,将主体中心设置为圆心,将半径为5厘米的圆区域设置为一级区域;将内径为5厘米,外径为7厘米的同心圆区域设置为二级区域;将内径为5厘米,外径为9厘米的同心圆区域设置为三级区域。
请参阅图6所示,当图像为多图像主体时,获取各个图像主体Tn和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,当多个不同主体中心的不同分级区域相交时,将相交区域划分为相交分级中的最高等级;
例如,当图像主体T1的三级区域覆盖到图像主体T2的二级区域时,将图像主体T1的三级区域和图像主体T2的二级区域的交集设置为二级区域;
图像优化单元配置有图像优化策略,图像优化策略包括:对一级区域进行一级调整,获取一级区域内的像素点,设置为一级像素点,对一级像素点进行差分编码,获取一级像素点中的任一像素点,设置为基础像素点P,计算基础像素点与其他像素点的差异,当基础像素点与其他像素点相同时,增量为0,则存储基础像素点;当基础像素点与其他像素点不相同时,则记录增量;
对二级区域进行二级调整,提取二级区域图像,对二级区域进行无损压缩;
对三级区域进行三级调整,提取三级区域图像,对三级区域图像进行有损压缩。
二级调整包括:获取二级区域的像素点,获取二级区域像素点的RGBA值,将色彩深度调整为 RGB 通道一共需要 8 位, Alpha 透明度通道需要 8 位;再对二级区域内的像素点进行差分编码。
三级调整包括:使用有损变换编解码,首先获取三级区域内的像素点,将三级区域内的像素点等分为z块、变换到一个新的空间以及量化,然后对量化值进行熵编码,具体实施时,z设置为可以被360整除的数,能够便于对三级区域进行等分处理,例如,具体设置为10、12、15、20;
图像训练模块包括模型训练单元和模型校正单元,模型训练单元用于构建图像优化模型,并对图像优化模型进行训练,获得训练数据集;模型校正单元用于对输出的优化图像进行分析比较处理,并根据比较结果对模型参数进行调整;
模型训练单元配置有模型训练策略,模型训练策略包括:构建优化训练模型,优化训练模型包括:获得若干图像作为原始数据集;配置若干参数;对原始数据集中的每张图像进行预设次数的随机处理,获得待优化区域,获取每张待优化图像的预设次数的随机处理数据;
对已构建的优化训练模型进行训练;
模型校正单元配置有模型校正策略,模型校正策略包括:将原始数据集、待优化区域和待优化区域对应的随机处理数据作为训练数据集,获取优化图像,获取优化图像的字节数,对优化图像进行图像质量评估,获取优化图像的图像质量评估值,将优化图像的图像质量评估值与优化图像的字节数相比得到优化图像的优化值;具体地,优化值公式为;其中,Y设置为优化图像的优化值,B设置为优化图像的图像质量评估值,C设置为优化图像的字节数;当图像质量评估值越高时,优化图像的优化值越高,当优化图像的字节数越大时,优化图像的优化值越小;
设置第一优化阈值,当优化图像的优化值高于第一优化阈值时,输出优化正常信号;
当优化图像的优化值低于第一优化阈值时,输出优化异常信号,并对训练数据集中的参数进行校正;例如,第一优化阈值设置为0.05,当优化图像的图像质量评估值为50,优化图像的字节数为5000时,该优化图像的优化值为0.01,低于第一优化阈值,则该图片优化异常。
工作原理:本发明首先获取目标图像,对目标图像进行多次扩散模型算法得到图像主体,再通过第一主体中心分析策略和第二主体中心分析策略获取图像主体的主体中心,以主体中心为图像中心进行分级,通过对图像区域进行分级,可以获取图像的主要特征;
根据图像分级,对不同等级的图像区域进行不同程度的优化处理,得到优化图像,通过分级处理可以突出目标图片上的主要图像内容,弱化目标图片上的次要内容;构建优化训练模型,并对优化训练模型进行训练,获得训练数据集,对图像进行分析比较,并根据分析结果校正参数;对优化训练模型进行监测处理,可以保证优化训练模型的准确性。
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上实施的计算机程序产品的形式。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。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。
以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于大数据的图像优化处理系统,其特征在于,所述处理系统包括图像主体采集模块、图像处理模块、图像优化模块和图像训练模块;
所述图像主体采集模块用于从大数据中采集目标图像;
所述图像处理模块用于对目标图像进行分析处理获得图像主体和主体中心;所述图像处理模块包括图像主体分析单元和主体中心分析单元;所述图像主体分析单元用于识别图像主体,所述主体中心分析单元用于识别图像主体的主体中心;
所述图像优化模块包括图像分级单元和图像优化单元,所述图像分级单元用于根据主体中心对图像进行分区分级处理;所述图像优化单元用于对不同分级的区域进行不同优化处理,并输出优化图像;
所述图像训练模块包括模型训练单元和模型校正单元,所述模型训练单元用于构建图像优化模型,并对图像优化模型进行训练,获得训练数据集;所述模型校正单元用于对输出的优化图像进行分析比较处理,并根据比较结果对模型参数进行调整;
所述图像主体分析单元配置有图像主体分析策略,所述图像主体分析策略包括:对目标图像进行多次扩散模型算法,将得到的扩散图像记为KTi,i为正整数,将目标图像与扩散图像KTi进行对比提取;所述对比提取包括:选取一张扩散图像KTi,提取扩散图像KTi中出现的所有物品和目标图像中出现的所有物品,进行对比后,保留扩散图像KTi和目标图像中都出现的物品,将目标图像中的该物品设置为待处理物品,以此类推,获取所有待处理物品,将出现次数大于等于处理物品阈值的待处理物品设置为图像主体Tn,n为正整数。
2.根据权利要求1所述的一种基于大数据的图像优化处理系统,其特征在于,所述主体中心分析单元配置有第一主体中心分析策略,所述第一主体中心分析策略包括:获取图像主体Tn,对图像主体Tn使用二值化处理,将二值化处理后的图像主体Tn记为二值化图像En,对二值化图像En的每个像素点使用边缘处理法,所述边缘处理法包括选取一个像素点记为目标像素点,当目标像素点周围的所有像素点的颜色与目标像素点一致时,删除目标像素点;
通过遍历对二值化图像En的所有像素点使用边缘处理法,将处理后的二值化图像En记为轮廓图像Ln,使用与轮廓图像Ln相切的圆形对轮廓图像Ln进行包裹,将相切的圆形记为相切圆Cn;
获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心在轮廓图像Ln内部时,将相切圆Cn的圆心记为轮廓图像Ln的主体中心。
3.根据权利要求2所述的一种基于大数据的图像优化处理系统,其特征在于,所述主体中心分析单元配置有第二主体中心分析策略,所述第二主体中心分析策略包括:获取相切圆Cn的圆心,判断圆心是否在轮廓图像Ln内部;
当相切圆Cn的圆心不在轮廓图像Ln内部时,获取轮廓图像Ln中所有灰度值为255的像素点,记为第一边缘轮廓像素点,对第一边缘轮廓像素点使用像素点筛选方法,所述像素点筛选方法包括:选取边缘轮廓像素点中的一个像素点,记为原像素点,获取原像素点的边相邻的灰度值为0的像素点,记为原像素点1至原像素点N,获取原像素点相邻的一个像素点记为友像素点,获取友像素点的边相邻的灰度值为0的像素点,记为友像素点1至友像素点M,对原像素点1至原像素点N与友像素点1至友像素点M进行比对分析,当原像素点1至原像素点N中的像素点与友像素点1至友像素点M相同或相邻且不为第一边缘轮廓像素点时,将相同或相邻的像素点记为共有像素点,对共有像素点进行分析,当共有像素点在轮廓图像Ln内时,将共有像素点记为第二边缘轮廓像素点;
对第一边缘轮廓像素点中的所有像素点使用像素点筛选方法,将全部处理后的第二边缘轮廓像素点围成的图像记为临时轮廓图像LSn,对第二边缘轮廓像素点使用像素点筛选方法;
重复所述像素点筛选方法,当临时轮廓图像LSn内部没有共有像素点时,停止使用像素点筛选方法,将临时轮廓图像LSn中的任意一个像素点记为主体中心。
4.根据权利要求3所述的一种基于大数据的图像优化处理系统,其特征在于,所述图像分级单元配置有图像分级策略,所述图像分级策略包括:对图像进行区域分级,获得待优化区域,所述待优化区域包括一级区域、二级区域和三级区域,当图像为单图像主体时,获取图像主体和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,所述一级区域、二级区域和三级区域互相独立;
当图像为多图像主体时,获取各个图像主体和主体中心,以主体中心为分级中心,将边缘距离分级中心为D1的区域设置为一级区域,将边缘距离分级中心为D2的区域设置为二级区域,将边缘距离分级中心为D3的区域设置为三级区域,当多个不同主体中心的不同分级区域相交时,将相交区域划分为相交分级中的最高等级。
5.根据权利要求4所述的一种基于大数据的图像优化处理系统,其特征在于,所述图像优化单元配置有图像优化策略,所述图像优化策略包括:对一级区域进行一级调整,获取一级区域内的像素点,设置为一级像素点,对一级像素点进行差分编码,获取一级像素点中的任一像素点,设置为基础像素点P,计算基础像素点与其他像素点的差异,当基础像素点与其他像素点相同时,增量为0,则存储基础像素点;当基础像素点与其他像素点不相同时,则记录增量;
对二级区域进行二级调整,提取二级区域图像,对二级区域进行无损压缩;
对三级区域进行三级调整,提取三级区域图像,对三级区域图像进行有损压缩。
6.根据权利要求5所述的一种基于大数据的图像优化处理系统,其特征在于,所述二级调整包括:获取二级区域的像素点,获取二级区域像素点的RGBA值,将色彩深度调整为 RGB通道一共需要 8 位, Alpha 透明度通道需要 8 位;再对二级区域内的像素点进行差分编码。
7.根据权利要求6所述的一种基于大数据的图像优化处理系统,其特征在于,所述三级调整包括:使用有损变换编解码,首先获取三级区域内的像素点,将三级区域内的像素点等分为z块、变换到一个新的空间以及量化,然后对量化值进行熵编码。
8.根据权利要求7所述的一种基于大数据的图像优化处理系统,其特征在于,所述模型训练单元配置有模型训练策略,所述模型训练策略包括:构建优化训练模型,所述优化训练模型包括:获得若干图像作为原始数据集;配置若干参数;对所述原始数据集中的每张图像进行预设次数的随机处理,获得待优化区域,获取每张待优化图像的预设次数的随机处理数据;
对已构建的优化训练模型进行训练。
9.根据权利要求8所述的一种基于大数据的图像优化处理系统,其特征在于,所述模型校正单元配置有模型校正策略,所述模型校正策略包括:将原始数据集、待优化区域和待优化区域对应的随机处理数据作为训练数据集,获取优化图像,获取优化图像的字节数,对优化图像进行图像质量评估,获取优化图像的图像质量评估值,将优化图像的图像质量评估值与优化图像的字节数相比得到优化图像的优化值;
设置第一优化阈值,当优化图像的优化值高于第一优化阈值时,输出优化正常信号;
当优化图像的优化值低于第一优化阈值时,输出优化异常信号,并对训练数据集中的参数进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310515330.3A CN116228606B (zh) | 2023-05-09 | 2023-05-09 | 一种基于大数据的图像优化处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310515330.3A CN116228606B (zh) | 2023-05-09 | 2023-05-09 | 一种基于大数据的图像优化处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228606A CN116228606A (zh) | 2023-06-06 |
CN116228606B true CN116228606B (zh) | 2023-07-28 |
Family
ID=86575411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310515330.3A Active CN116228606B (zh) | 2023-05-09 | 2023-05-09 | 一种基于大数据的图像优化处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228606B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018101324A4 (en) * | 2018-09-10 | 2018-10-11 | Jiangxi university of finance and economics | Study on unequal protection of image data in social media |
CN109598737A (zh) * | 2018-12-04 | 2019-04-09 | 广东智媒云图科技股份有限公司 | 一种图像边缘识别方法及系统 |
CN112785540A (zh) * | 2020-06-12 | 2021-05-11 | 上海市第六人民医院 | 一种扩散加权图像的生成系统及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001112001A (ja) * | 1999-10-07 | 2001-04-20 | Ricoh Co Ltd | 画像圧縮装置 |
CN100550058C (zh) * | 2006-06-23 | 2009-10-14 | 郝红卫 | 一种感兴趣区域图像压缩方法 |
JP4860739B2 (ja) * | 2009-09-03 | 2012-01-25 | パナソニック株式会社 | 画像処理装置及び画像処理方法 |
CN205812229U (zh) * | 2016-06-23 | 2016-12-14 | 青岛歌尔声学科技有限公司 | 一种头戴显示器、视频输出设备和视频处理系统 |
CN109618173B (zh) * | 2018-12-17 | 2021-09-28 | 深圳Tcl新技术有限公司 | 视频压缩方法、装置和计算机可读存储介质 |
CN110267041B (zh) * | 2019-06-28 | 2021-11-09 | Oppo广东移动通信有限公司 | 图像编码方法、装置、电子设备和计算机可读存储介质 |
CN110517329B (zh) * | 2019-08-12 | 2021-05-14 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
CN113132723B (zh) * | 2019-12-31 | 2023-11-14 | 武汉Tcl集团工业研究院有限公司 | 一种图像压缩方法及装置 |
CN112738533A (zh) * | 2020-12-28 | 2021-04-30 | 中国南方电网有限责任公司超高压输电公司 | 一种机巡图像分区域压缩方法 |
CN113038133B (zh) * | 2021-05-24 | 2021-12-24 | 星航互联(北京)科技有限公司 | 一种基于卫星传输的视频压缩传输系统 |
CN114170331A (zh) * | 2021-12-06 | 2022-03-11 | 郑州轻工业大学 | 一种基于人工智能的图像数据压缩方法及系统 |
-
2023
- 2023-05-09 CN CN202310515330.3A patent/CN116228606B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018101324A4 (en) * | 2018-09-10 | 2018-10-11 | Jiangxi university of finance and economics | Study on unequal protection of image data in social media |
CN109598737A (zh) * | 2018-12-04 | 2019-04-09 | 广东智媒云图科技股份有限公司 | 一种图像边缘识别方法及系统 |
CN112785540A (zh) * | 2020-06-12 | 2021-05-11 | 上海市第六人民医院 | 一种扩散加权图像的生成系统及方法 |
Non-Patent Citations (1)
Title |
---|
Diffusion Art or Digital Forgery? Investigating Data Replication in Diffusion Models;Gowthami Somepalli 等;《Arxiv》;1-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN116228606A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Reversible data hiding using Delaunay triangulation and selective embedment | |
JP4016342B2 (ja) | コード認識のための装置及びその方法 | |
CN108629772B (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
CN111291826B (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
US11790499B2 (en) | Certificate image extraction method and terminal device | |
CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及系统 | |
CN116228804B (zh) | 一种基于图像分割的矿产资源识别方法 | |
CN116310882B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
WO2019085942A1 (zh) | Sao模式决策方法、装置、电子设备及可读存储介质 | |
CN110399760A (zh) | 一种批量二维码定位方法、装置、电子设备及存储介质 | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
CN109919843B (zh) | 一种基于自适应四分法的皮肤图像纹理评估方法及系统 | |
CN115909353A (zh) | 一种图像二值化处理方法和装置 | |
CN116228606B (zh) | 一种基于大数据的图像优化处理系统 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN111311573B (zh) | 枝条确定方法、装置及电子设备 | |
CN110781936B (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
CN116704237A (zh) | 植物种类识别方法、装置、存储介质及电子设备 | |
CN115423063B (zh) | 基于微点码的防复印底纹防伪方法和装置 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN107909076A (zh) | 一种基于lbp的图片相似判定方法 | |
CN113210264B (zh) | 烟草杂物剔除方法及装置 | |
CN105787972B (zh) | 一种基于lcv模型的图像轮廓编码方法及系统 | |
CN112508849A (zh) | 数字图像拼接检测方法及装置 |
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 |