CN116828186A - 一种批量图像的智能压缩方法及系统 - Google Patents

一种批量图像的智能压缩方法及系统 Download PDF

Info

Publication number
CN116828186A
CN116828186A CN202310872060.1A CN202310872060A CN116828186A CN 116828186 A CN116828186 A CN 116828186A CN 202310872060 A CN202310872060 A CN 202310872060A CN 116828186 A CN116828186 A CN 116828186A
Authority
CN
China
Prior art keywords
image
node
node reference
compressed
historical
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.)
Pending
Application number
CN202310872060.1A
Other languages
English (en)
Inventor
王凤菊
梁琴剑
霍建杰
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.)
Smart Intercommunication Technology Co ltd
Original Assignee
Smart Intercommunication Technology 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 Smart Intercommunication Technology Co ltd filed Critical Smart Intercommunication Technology Co ltd
Priority to CN202310872060.1A priority Critical patent/CN116828186A/zh
Publication of CN116828186A publication Critical patent/CN116828186A/zh
Pending legal-status Critical Current

Links

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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • 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
    • H04N19/42—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
    • 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
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开提供了一种批量图像的智能压缩方法及系统，涉及智能压缩技术领域，该方法包括：获取历史压缩图像集合，对历史压缩图像集合执行图像聚类；根据历史图像聚类结果确定节点基准图像集合；基于节点基准图像集合构建压缩图像识别模型；在目标图像集合中随机选取第一图像，将第一图像输入压缩图像识别模型中进行节点基准图像匹配；根据第一节点基准图像对第一图像进行偏差分析，并对第一偏差信息进行序号标识；基于第一偏差信息生成第一节点偏差信息序列，根据第一节点偏差信息序列和第一节点基准图像进行图像压缩，获得目标图像集合的图像压缩结果。通过本申请可以通过减少图像压缩量，达到提高图像压缩效率的效果。

Description

一种批量图像的智能压缩方法及系统
技术领域
本公开涉及智能压缩技术领域，具体涉及一种批量图像的智能压缩方法及系统。
背景技术
在随着数字化生活的日益常态化，所采集的图像数据都以几何速度在增长，这些迅猛增长的数据给存储、处理和传输带来了巨大的负担，图像数据的压缩问题一直是计算机图像学的热点问题。目前，现有的图像数据压缩方式更注重压缩量，在取得较大的压缩量的同时，会导致图像中的重要的特征信息丢失，从而影响图像的特征提取、描述及目标识别，因此，需要基于大数据的图像智能压缩方法。
综上所述，现有技术中存在由于图像压缩量较大较低使得压缩效率较低的技术问题。
发明内容
本公开提供了一种批量图像的智能压缩方法及系统，用以解决现有技术中存在由于图像压缩量较大较低使得压缩效率较低的技术问题。
根据本公开的第一方面，提供了一种批量图像的智能压缩方法，包括：获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；根据所述历史图像聚类结果确定节点基准图像集合；基于所述节点基准图像集合构建压缩图像识别模型；在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
根据本公开的第二方面，提供了一种批量图像的智能压缩系统，包括：历史图像聚类结果获得模块，所述历史图像聚类结果获得模块用于获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；节点基准图像集合获得模块，所述节点基准图像集合获得模块用于根据所述历史图像聚类结果确定节点基准图像集合；压缩图像识别模型获得模块，所述压缩图像识别模型获得模块用于基于所述节点基准图像集合构建压缩图像识别模型；第一节点基准图像获得模块，所述第一节点基准图像得模块用于在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；第一偏差信息获得模块，所述第一偏差信息获得模块用于根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；图像压缩结果获得模块，所述图像压缩结果获得模块用于基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，包括：所述计算机指令用于使所述计算机执行第一方面所述的方法。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；根据所述历史图像聚类结果确定节点基准图像集合；基于所述节点基准图像集合构建压缩图像识别模型；在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果，减少图像压缩量，达到提高图像压缩效率的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开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的介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种批量图像的智能压缩方法的流程示意图；
图2为本公开实施例一种批量图像的智能压缩方法中生成历史图像聚类结果的流程示意图；
图3为本公开实施例一种批量图像的智能压缩方法中所述根据所述历史图像聚类结果确定节点基准图像集合的流程示意图；
图4为本公开实施例提供的一种批量图像的智能压缩系统的结构示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
附图标记说明：历史图像聚类结果获得模块11，节点基准图像集合获得模块12，压缩图像识别模型获得模块13，第一节点基准图像获得模块14，第一偏差信息获得模块15，图像压缩结果获得模块16，电子设备700，处理器701，存储器702，总线703。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于图像压缩量较大较低使得压缩效率较低的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种批量图像的智能压缩方法及系统：
实施例一
图1为本申请实施例提供的一种批量图像的智能压缩方法，所述方法包括：
步骤S100：获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；
具体地，获得历史压缩图像集合，其中，历史压缩图像集合为对历史获取图像进行压缩获得的历史压缩图像的集合。进一步地，获取预设N个图像聚合，并在历史压缩图像集合内随机选取N个历史压缩图像作为中心点。依次计算历史压缩图像集合中每个历史压缩图像到中心点的距离，并将历史压缩图像划分到距离中心点最近的图像聚合中，获得N个第一图像聚合。进一步地，对N个第一图像聚合进行均值计算，确定第一中心点。根据第一中心点进行迭代聚类，当聚类结果不再变化时，获得N个图像聚类聚合，并将N个图像聚类聚合作为历史图像聚类结果。其中，历史图像聚类结果包括多个聚类节点。
步骤S200：根据所述历史图像聚类结果确定节点基准图像集合；
具体地，根据历史图像聚类结果提取最后一次迭代中心点的历史压缩图像，获得提取最后一次迭代N个节点历史压缩图像。进一步地，将N个节点历史压缩图像作为对应节点的节点基准图像，构建节点基准图像集合，其中，节点基准图像集合表现为出现频率最大的图像类型其中一个集合。进一步地，节点基准图像集合包括N个节点基准图像。
步骤S300：基于所述节点基准图像集合构建压缩图像识别模型；
具体地，根据节点基准图像集合构建压缩图像识别模型。其中，压缩图像识别模型为BP神经网络模型。其中，压缩图像识别模型包括输入层、隐藏层、输出层。进一步地，隐藏层包括图像对比层和相似判断层。其中，图像对比层中包含N个节点基准图像作为对比图像。
步骤S400：在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；
具体地，将第一图像输入压缩图像识别模型中，根据图像对比层中的N个节点基准图像对第一图像依次进行比对，获得N个图像比对结果。进一步地，通过相似判断层对N个图像比对结果进行相似性判断，获得相似性系数，其中，将相似系数最高的节点基准图像作为第一节点基准图像。
步骤S500：根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；
具体地，根据第一节点基准图像对第一图像进行偏差分析，生成第一偏差信息。其中，偏差分析为探测数据现状、历史记录或标准之间的显著变化和偏离，偏差包括很大一类潜在的有趣知识。如观测结果与期望的偏离、分类中的反常实例、模式的例外等。进一步地，第一偏差信息为第一图像与第一节点基准图像的偏差。其中，对第一偏差信息进行序号标识，获得第一偏差信息标识结果。
步骤S600：基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
具体地，根据第一偏差信息生成第一节点偏差信息序列。其中，第一节点偏差信息序列按照偏差程度获得。进一步地，根据第一节点偏差信息序列和第一节点基准图像对第一图像进行图像压缩，获得第一图像的压缩结果，进而获得目标图像集合的图像压缩结果。
其中，通过本实施例可以通过减少图像压缩量，达到提高图像压缩效率的效果。
如图2所示，本申请实施例提供的方法中的步骤S100包括：
S110：获取预设N个图像簇，并在所述历史压缩图像集合内随机选取N个历史压缩图像作为中心点，N为大于1的整数；
S120：依次计算所述历史压缩图像集合中每个历史压缩图像到所述中心点的距离，并将历史压缩图像划分到距离所述中心点最近的簇中，获得N个第一图像簇；
S130：对N个所述第一图像簇进行均值计算，确定第一中心点；
S140：根据所述第一中心点进行迭代聚类，当聚类结果不再变化时，获得N个图像聚类簇，并将N个所述图像聚类簇作为所述历史图像聚类结果。
具体地，对历史压缩图像集合进行分割，获得预设N个图像簇，其中，图像簇为单位范围内的历史压缩图像的像素集合。进一步地，在历史压缩图像集合内随机选取N个历史压缩图像作为中心点，其中，选取N个历史压缩图像作为中心点为历史压缩图像集合的像素中心点。进一步地，从历史压缩图像集合选取大于1个历史压缩图像，因此N为大于1的整数。
进一步地，依次计算历史压缩图像集合中每个历史压缩图像到中心点的距离，获得多个图像至中心点距离。进一步地，将历史压缩图像提取划分到距离中心点最近的图像簇中，获得N个第一图像簇。
进一步地，对N个第一图像簇进行均值计算，重新确定第一中心点，第一中心点为历史压缩图像集合内的更新中心点。进一步地，根据第一中心点进行迭代聚类，其中，聚类方法为根据像素节点进行聚类，获得第一聚类结果。其中，根据第一聚类结果中的多个像素节点，再重新确定中心点，获得第二中心点。进一步地，根据第二中心点进行聚类，获得第二聚类结果。其中，重复对多个像素节点确定中心点，直到此次获得中心点与上一次获得中心点像素位置一致，获得聚类结果。进一步地，当聚类结果不再变化时，获得N个图像聚类簇，其中，图像聚类簇为聚类节点。进一步地，将N个图像聚类簇作为历史图像聚类结果，即将当前图像状态作为聚类结果。
其中，对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，可以减少图像压缩量，达到提高图像压缩效率的效果。
如图3所示，本申请实施例提供的方法中的步骤S200包括：
S210：根据所述历史图像聚类结果提取最后一次迭代中心点的历史压缩图像，获得N个节点历史压缩图像；
S220：将N个所述节点历史压缩图像作为对应节点的节点基准图像，构建所述节点基准图像集合，所述节点基准图像集合包括N个节点基准图像。
具体地，从历史图像聚类结果中提取最后一次迭代中心点的历史压缩图像，获得聚类节点的N个历史压缩图像。进一步地，将N个节点历史压缩图像作为对应节点的节点基准图像，其中，基准图像为以基准图像为标准，对其他图像进行识别。进一步地，根据聚类节点的节点基准图像构建节点基准图像集合，节点基准图像集合包括N个节点基准图像。
其中，根据所述历史图像聚类结果确定节点基准图像集合，可以减少图像压缩量，达到提高图像压缩效率的效果。
本申请实施例提供的方法中的步骤S300包括：
S310：所述压缩图像识别模型包括输入层、图像对比层、相似判断层、基准图像输出层；
S320：所述图像对比层中包含N个节点基准图像。
具体地，压缩图像识别模型包括输入层、隐藏层、输出层。其中，隐藏层包括图像对比层、相似判断层。以基准图像为输出数据构建输出层。进一步地，图像对比层中包含N个节点基准图像，将N个节点基准图像作为对比图像。
其中，基于所述节点基准图像集合构建压缩图像识别模型，可以减少图像压缩量，达到提高图像压缩效率的效果。
本申请实施例提供的方法中的步骤S400包括：
S410：将所述第一图像输入所述压缩图像识别模型中，根据所述图像对比层中的N个节点基准图像对所述第一图像依次进行比对，获得N个图像比对结果；
S420：通过所述相似判断层对N个所述图像比对结果进行相似性判断，并将相似系数最高的节点基准图像作为第一节点基准图像。
具体地，将第一图像输入作为输入数据，输入压缩图像识别模型中，输入层将输入数据传输到图像对比层。其中，通过图像对比层，将第一图像与图像对比层中的N个节点基准图像依次进行比对，依次获得N个图像比对结果。进一步地，通过相似判断层对N个图像比对结果进行相似性判断，获得相似性系数。其中，将相似系数最高的对应节点基准图像作为第一节点基准图像。
其中，将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，可以减少图像压缩量，达到提高图像压缩效率的效果。
本申请实施例提供的方法中的步骤S400还包括：
S430：在N个节点基准图像中随机选取一节点基准图像作比对节点基准图像；
S440：对所述第一图像和所述比对节点基准图像进行特征分析，获得第一图像特征集和比对节点基准图像特征集；
S450：利用相关系数法对所述第一图像特征集和所述比对节点基准图像特征集依次进行相似性判断，获得相似性判断结果。
具体地，在N个节点基准图像中随机选取一节点基准图像，作为比对节点基准图像。其中，比对节点基准图像为将N个节点基准图像进行比对的图像基准。进一步地，对第一图像和比对节点基准图像进行特征分析，其中，对第一图像的比对节点基准图像进行图像大小、图像位置、图像类型等进行分析获取，获得第一图像特征集。其中，通过第一图像特征集比对获得比对节点基准图像特征集。
进一步地，利用相关系数法对第一图像特征集和比对节点基准图像特征集依次进行相似性判断，获得相似性判断结果。其中，相关系数用于描述两个变量之间的关系及相关方向。进一步地，相似性判断结果包括第一图像特征集和比对节点基准图像特征集的相似判断结果，第一图像特征集和比对节点基准图像特征集的不相似判断结果。
其中，利用相关系数法对所述第一图像特征集和所述比对节点基准图像特征集依次进行相似性判断，获得相似性判断结果，可以减少图像压缩量，达到提高图像压缩效率的效果。
本申请实施例提供的方法中的步骤S600包括：
S610：将节点偏差信息序列和对应节点基准图像进行图像压缩，获得N个节点图像压缩结果；
S620：基于N个所述节点图像压缩结果获得目标图像集合的图像压缩结果；
S630：当通过所述图像压缩结果进行图像解压时，将节点偏差信息序列中的节点偏差信息依次和对应节点基准图像进行图像融合，完成图像数据恢复。
具体地，将节点偏差信息序列和对应节点基准图像进行图像压缩，获得N个节点图像压缩结果。进一步地，基于N个节点图像压缩结果获得目标图像集合的图像压缩结果。当通过图像压缩结果对目标图像集合进行图像解压时，将节点偏差信息序列中的节点偏差信息依次和对应节点基准图像进行图像融合，完成图像数据恢复。其中，图像融合为对图像像素点进行融合。
其中，将节点偏差信息序列中的节点偏差信息依次和对应节点基准图像进行图像融合，完成图像数据恢复，可以减少图像压缩量，达到提高图像压缩效率的效果。
实施例二
基于与前述实施例中一种批量图像的智能压缩方法同样的发明构思，如图4所示，本申请还提供了一种批量图像的智能压缩系统，所述系统包括：
历史图像聚类结果获得模块11，所述历史图像聚类结果获得模块用于获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；
节点基准图像集合获得模块12，所述节点基准图像集合获得模块用于根据所述历史图像聚类结果确定节点基准图像集合；
压缩图像识别模型获得模块13，所述压缩图像识别模型获得模块用于基于所述节点基准图像集合构建压缩图像识别模型；
第一节点基准图像获得模块14，所述第一节点基准图像得模块用于在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；
第一偏差信息获得模块15，所述第一偏差信息获得模块用于根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；
图像压缩结果获得模块16，所述图像压缩结果获得模块用于基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
进一步地，所述系统还包括：
中心点获得模块，所述中心点获得模块用于获取预设N个图像簇，并在所述历史压缩图像集合内随机选取N个历史压缩图像作为中心点，N为大于1的整数；
第一图像簇获得模块，所述第一图像簇获得模块用于依次计算所述历史压缩图像集合中每个历史压缩图像到所述中心点的距离，并将历史压缩图像划分到距离所述中心点最近的簇中，获得N个第一图像簇；
第一中心点获得模块，所述第一中心点获得模块用于对N个所述第一图像簇进行均值计算，确定第一中心点；
图像聚类簇获得模块，所述图像聚类簇获得模块用于根据所述第一中心点进行迭代聚类，当聚类结果不再变化时，获得N个图像聚类簇，并将N个所述图像聚类簇作为所述历史图像聚类结果。
进一步地，所述系统还包括：
节点历史压缩图像获得模块，所述节点历史压缩图像获得模块用于根据所述历史图像聚类结果提取最后一次迭代中心点的历史压缩图像，获得N个节点历史压缩图像；
节点基准图像集合获得模块，所述节点基准图像集合获得模块用于将N个所述节点历史压缩图像作为对应节点的节点基准图像，构建所述节点基准图像集合，所述节点基准图像集合包括N个节点基准图像。
进一步地，所述系统还包括：
压缩图像识别模型获得模块，所述压缩图像识别模型获得模块用于所述压缩图像识别模型包括输入层、图像对比层、相似判断层、基准图像输出层；
节点基准图像获得模块，所述节点基准图像获得模块用于所述图像对比层中包含N个节点基准图像。
进一步地，所述系统还包括：
图像比对结果获得模块，所述图像比对结果获得模块用于将所述第一图像输入所述压缩图像识别模型中，根据所述图像对比层中的N个节点基准图像对所述第一图像依次进行比对，获得N个图像比对结果；
第一节点基准图像获得模块，所述第一节点基准图像获得模块用于通过所述相似判断层对N个所述图像比对结果进行相似性判断，并将相似系数最高的节点基准图像作为第一节点基准图像。
进一步地，所述系统还包括：
比对节点基准图像获得模块，所述比对节点基准图像获得模块用于在N个节点基准图像中随机选取一节点基准图像作比对节点基准图像；
特征分析处理模块，所述特征分析处理模块用于对所述第一图像和所述比对节点基准图像进行特征分析，获得第一图像特征集和比对节点基准图像特征集；
相似性判断结果获得模块，所述相似性判断结果获得模块用于利用相关系数法对所述第一图像特征集和所述比对节点基准图像特征集依次进行相似性判断，获得相似性判断结果。
进一步地，所述系统还包括：
节点图像压缩结果获得模块，所述节点图像压缩结果获得模块用于将节点偏差信息序列和对应节点基准图像进行图像压缩，获得N个节点图像压缩结果；
图像压缩结果获得模块，所述图像压缩结果获得模块用于基于N个所述节点图像压缩结果获得目标图像集合的图像压缩结果；
图像数据处理模块，所述图像数据处理模块用于当通过所述图像压缩结果进行图像解压时，将节点偏差信息序列中的节点偏差信息依次和对应节点基准图像进行图像融合，完成图像数据恢复。
前述实施例一中的一种批量图像的智能压缩方法具体实例同样适用于本实施例的一种批量图像的智能压缩系统，通过前述对一种批量图像的智能压缩方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种批量图像的智能压缩系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
实施例三
图5是根据本公开第三实施例的示意图，如图5所示，本公开中的电子设备700可以包括：处理器701和存储器702。
存储器702，用于存储程序；存储器702，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random AccessMemory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatilememory)，例如快闪存储器(英文：flash memory)。存储器702用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指令、数据等可以被处理器701调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指令等可以被处理器701调用。
处理器701，用于执行存储器702存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器701和存储器702可以是独立结构，也可以是集成在一起的集成结构。当处理器701和存储器702是独立结构时，存储器702、处理器701可以通过总线703耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种批量图像的智能压缩方法，其特征在于，所述方法包括：
获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；
根据所述历史图像聚类结果确定节点基准图像集合；
基于所述节点基准图像集合构建压缩图像识别模型；
在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；
根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；
基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
2.如权利要求1所述的方法，其特征在于，所述并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，还包括：
获取预设N个图像簇，并在所述历史压缩图像集合内随机选取N个历史压缩图像作为中心点，N为大于1的整数；
依次计算所述历史压缩图像集合中每个历史压缩图像到所述中心点的距离，并将历史压缩图像划分到距离所述中心点最近的簇中，获得N个第一图像簇；
对N个所述第一图像簇进行均值计算，确定第一中心点；
根据所述第一中心点进行迭代聚类，当聚类结果不再变化时，获得N个图像聚类簇，并将N个所述图像聚类簇作为所述历史图像聚类结果。
3.如权利要求2所述的方法，其特征在于，所述根据所述历史图像聚类结果确定节点基准图像集合，还包括：
根据所述历史图像聚类结果提取最后一次迭代中心点的历史压缩图像，获得N个节点历史压缩图像；
将N个所述节点历史压缩图像作为对应节点的节点基准图像，构建所述节点基准图像集合，所述节点基准图像集合包括N个节点基准图像。
4.如权利要求3所述的方法，其特征在于，所述基于所述节点基准图像集合构建压缩图像识别模型，还包括：
所述压缩图像识别模型包括输入层、图像对比层、相似判断层、基准图像输出层；
所述图像对比层中包含N个节点基准图像。
5.如权利要求4所述的方法，其特征在于，所述并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，还包括：
将所述第一图像输入所述压缩图像识别模型中，根据所述图像对比层中的N个节点基准图像对所述第一图像依次进行比对，获得N个图像比对结果；
通过所述相似判断层对N个所述图像比对结果进行相似性判断，并将相似系数最高的节点基准图像作为第一节点基准图像。
6.如权利要求5所述的方法，其特征在于，还包括：
在N个节点基准图像中随机选取一节点基准图像作比对节点基准图像；
对所述第一图像和所述比对节点基准图像进行特征分析，获得第一图像特征集和比对节点基准图像特征集；
利用相关系数法对所述第一图像特征集和所述比对节点基准图像特征集依次进行相似性判断，获得相似性判断结果。
7.如权利要求1所述的方法，其特征在于，还包括；
将节点偏差信息序列和对应节点基准图像进行图像压缩，获得N个节点图像压缩结果；
基于N个所述节点图像压缩结果获得目标图像集合的图像压缩结果；
当通过所述图像压缩结果进行图像解压时，将节点偏差信息序列中的节点偏差信息依次和对应节点基准图像进行图像融合，完成图像数据恢复。
8.一种批量图像的智能压缩系统，其特征在于，用于实施权利要求1-7中任意一项所述的一种批量图像的智能压缩方法，所述系统包括：
历史图像聚类结果获得模块，所述历史图像聚类结果获得模块用于获取历史压缩图像集合，并对所述历史压缩图像集合执行图像聚类，生成历史图像聚类结果，所述历史图像聚类结果包括多个聚类节点；
节点基准图像集合获得模块，所述节点基准图像集合获得模块用于根据所述历史图像聚类结果确定节点基准图像集合；
压缩图像识别模型获得模块，所述压缩图像识别模型获得模块用于基于所述节点基准图像集合构建压缩图像识别模型；
第一节点基准图像获得模块，所述第一节点基准图像得模块用于在目标图像集合中随机选取第一图像，并将所述第一图像输入所述压缩图像识别模型中进行节点基准图像匹配，获得第一节点基准图像；
第一偏差信息获得模块，所述第一偏差信息获得模块用于根据所述第一节点基准图像对所述第一图像进行偏差分析，生成第一偏差信息，并对所述第一偏差信息进行序号标识；
图像压缩结果获得模块，所述图像压缩结果获得模块用于基于所述第一偏差信息生成第一节点偏差信息序列，根据所述第一节点偏差信息序列和所述第一节点基准图像进行图像压缩，获得所述目标图像集合的图像压缩结果。
9.一种电子设备，包括：
至少一个处理器；
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
CN202310872060.1A 2023-07-17 2023-07-17 一种批量图像的智能压缩方法及系统 Pending CN116828186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310872060.1A CN116828186A (zh) 2023-07-17 2023-07-17 一种批量图像的智能压缩方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310872060.1A CN116828186A (zh) 2023-07-17 2023-07-17 一种批量图像的智能压缩方法及系统

Publications (1)

Publication Number Publication Date
CN116828186A true CN116828186A (zh) 2023-09-29

Family

ID=88116686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310872060.1A Pending CN116828186A (zh) 2023-07-17 2023-07-17 一种批量图像的智能压缩方法及系统

Country Status (1)

Country Link
CN (1) CN116828186A (zh)

Similar Documents

Publication Publication Date Title
US9864928B2 (en) Compact and robust signature for large scale visual search, retrieval and classification
US11301509B2 (en) Image search system, image search method, and program
CN113408634A (zh) 模型推荐方法及装置、设备、计算机存储介质
US9842279B2 (en) Data processing method for learning discriminator, and data processing apparatus therefor
JP2011138388A (ja) データ補正装置及び方法
US9569698B2 (en) Method of classifying a multimodal object
CN114332133B (zh) 基于改进CE-Net的肺炎CT图像感染区分割方法及系统
CN107194351B (zh) 基于韦伯局部对称图结构的人脸识别特征提取方法
CN111125397B (zh) 一种基于卷积神经网络的布料图像检索方法
CN113870286B (zh) 一种基于多级特征和掩码融合的前景分割方法
CN112163114B (zh) 一种基于特征融合的图像检索方法
CN110442749B (zh) 视频帧处理方法及装置
CN114373092A (zh) 一种基于拼图排列学习的渐进式训练细粒度视觉分类方法
CN117911437A (zh) 一种改进YOLOv5x的荞麦籽粒粘连分割方法
CN111340139B (zh) 一种图像内容复杂度的判别方法及装置
JP5765583B2 (ja) 多クラス識別器、多クラス識別方法、及びプログラム
CN115984671B (zh) 模型在线更新方法、装置、电子设备及可读存储介质
CN116828186A (zh) 一种批量图像的智能压缩方法及系统
JP5892275B2 (ja) 多クラス識別器生成装置、データ識別装置、多クラス識別器生成方法、データ識別方法、及びプログラム
AU2020403709A1 (en) Target object identification method and apparatus
CN114241249B (zh) 基于目标检测算法与卷积神经网络的图像分类方法和系统
CN112990377B (zh) 视觉类别的发现方法及装置、电子设备、存储介质
CN111382287A (zh) 一种图片的搜索方法、装置、存储介质及电子设备
CN111160397A (zh) 一种多尺度的视觉词字典生成方法及系统
CN111291602A (zh) 视频检测方法、装置、电子设备及计算机可读存储介质

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