CN117115051A - 一种结合大数据分析结果精准图像分析的方法 - Google Patents

一种结合大数据分析结果精准图像分析的方法 Download PDF

Info

Publication number
CN117115051A
CN117115051A CN202311348073.5A CN202311348073A CN117115051A CN 117115051 A CN117115051 A CN 117115051A CN 202311348073 A CN202311348073 A CN 202311348073A CN 117115051 A CN117115051 A CN 117115051A
Authority
CN
China
Prior art keywords
image
big data
pixel
data
gray level
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
CN202311348073.5A
Other languages
English (en)
Inventor
肖勇
赵曲
梅松叶
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.)
Shenzhen Weixin System Engineering Technology Co ltd
Shenzhen Winew Technology Co ltd
Original Assignee
Shenzhen Weixin System Engineering Technology Co ltd
Shenzhen Winew 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 Shenzhen Weixin System Engineering Technology Co ltd, Shenzhen Winew Technology Co ltd filed Critical Shenzhen Weixin System Engineering Technology Co ltd
Priority to CN202311348073.5A priority Critical patent/CN117115051A/zh
Publication of CN117115051A publication Critical patent/CN117115051A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像分析领域，尤其涉及一种结合大数据分析结果精准图像分析的方法。传统的图像分析受图片质量的影响，采集到的图片精度不足以完成任务需求，在图片传输过程中图片的质量会降低，同时传统的图片存储方式占用空间大，用户成本提供少量参数可能会导致图像分析的结果带有片面性，导致数据不准确。本发明提供了一种结合大数据分析结果精准图像分析的方法，通过大数据方式来开展图像分析，通过图像编码，超分辨率算法，双边滤波和直方图均衡化，提高了图片的精度，不会发生数据在传输过程中丢失的情况。可自由控制图片大小，解决了传统图像分析受到数量制约的缺点，为用户提供更加具有普遍性的分析结果。

Description

一种结合大数据分析结果精准图像分析的方法
技术领域
本发明涉及一种图像分析领域，尤其涉及一种结合大数据分析结果精准图像分析的方法。
背景技术
随着社会信息化程度的提高，图像分析在各个领域的应用越来越广泛，传统的图像分析受图片质量的影响，在图片传输过程中图片的质量会降低，导致图像分析的结果不准确的情况发生，传统的图片受设备影响，获取到的图片精度不足以完成任务需求，导致图像处理的使用范围狭窄，同时传统的图片存储方式占用空间大，图像分析消耗的内存量也大，导致用户成本提高，图像处理的参数也很重要，少量参数可能会导致图像分析的结果带有片面性，导致数据不准确。
因此亟需研发一种结合大数据分析结果精准图像分析的方法，来克服现有技术中图像分析受传统数据传输方式、图片大小、精度和参数数量制约的缺点。
发明内容
（1）要解决的技术问题
本发明为了克服现有技术中进行图像分析受传统数据传输方式、图片大小、精度和参数数量制约的缺点，本发明要解决的技术问题是提供一种结合大数据分析结果精准图像分析的方法。
（2）技术方案
为了解决上述技术问题，本发明提供了这样一种结合大数据分析结果精准图像分析的方法，执行步骤为：
S1图像采集，大数据依靠传感器，自行读取商业数据，利用爬虫获取网页数据、人工标注和数据交换方式采集图像信息；
S2图像压缩，不损坏图像质量前提下，将图像进行编码，对图像进行压缩，减少储存空间占用；
S3将图像进行编码，将转化为编码后的图像依靠分布式进行存储；
S4图像传输，将图像从数据库中提取出来，传输至图像处理模块，传输过程不会损坏图片质量；
S5图像增强，对于接收到的图像进行优化图像质量，图像更加清晰，分辨率提高，便于之后的特征提取；
S6图像筛选,确定需要提取的特征，通过在大数据中保存的图片中进行判断，查找包含该特征的图片；
S7图像过滤，查找到包含该特征的图片后，判断特征在图像中的位置，将图像特征从原始图像中分离开来；
S8图像分析，对查找到的特征图片进行分析；
S9获取信息，大数据从分析结果中获取信息，根据用户要求报告信息，将图像特征分析结果汇报给用户。
具体地，所述大数据利用爬虫从网站获取数据时，根据网站提供的开放API来获取数据，通过设立安全模块能够自动查看robots 协议，根据robots协议访问网页内的数据，同时加入控制访问，添加休眠或限制下载速度，避免网站崩溃，关于用户个人信息的数据自动禁止访问，提高大数据的访问安全性。
具体地，图像编码的方式为，将图像划分为若干个矩形区域，每个区域中的像素点利用坐标表示，以每个区域的左上角为（0,0）点，将（1,1）位置的像素用RGB表示颜色，并作为基准颜色，后续像素的RGB颜色利用像素RGB颜色和基准像素RGB各个值的差值来表示，该编码方式中只有[0-9（）+-，]。
具体地，存储数据的方法为，将图像编码后的数据利用分布式来存储到多个储存节点上，图片信息带有检索编号，需要图片时可根据检索编号来进行快速查找，同时具有备份，一张图片同时存储在两个或多个存储节点上，当其中一个存储节点发生意外损坏时，可从其他存储了该图像的存储节点提取数据。
具体地，图像数据以字符串的形式进行编码后储存和传输，图像编码字符串中储存了完整的图像信息，该编码方式中只有[0-9（）+-，]，故不会因为传输丢失数据，有些非常规字符可能会被处理错误，所述编码形式传输过程中能够保留完整的图像数据，不会发生数据丢失的情况。
具体地，所述图像增强的具体步骤为：
T1双边滤波，去除图像噪声，提高图像质量，采用了两个高斯滤波的结合，第一个高斯滤波负责计算空间邻近度的权值，也就是常用的高斯滤波器原理，而第二个高斯滤波负责计算像素值相似度的权值；
T2直方图均衡化，使图像更加平滑，缩小图像的明暗差距；
T3超分辨率算法，通过卷积神经网络将图片放大重建出具备更高分辨率的清晰图像，利用以下公式计算：
其中，n为卷积核，sum(n * n)是卷积核n的大小，sum(n * n * I_0)是原始图像与卷积核的卷积结果。
具体地，所述双边滤波的具体步骤为：
定义窗口大小和滤波参数，窗口大小是一个正方形，以像素点p(x, y)为中心，大小为2r+1，其中r为窗口半径，该窗口用于获取p(x, y)周围的像素点；
滤波参数设置为高斯函数的标准差σ，它决定了滤波器在空间域和值域的平滑程度；
对于窗口中的每个像素点q(x', y')，计算其在空间域和值域的相似度权重w(x',y', x, y)：
空间域相似度权重w_s(x', y', x, y)使用高斯函数进行计算：
其中，σ_s是空间域标准差；
值域相似度权重w_r(x', y', x, y)使用另一个高斯函数进行计算：
其中，f(x', y')和f(x, y)分别是窗口中像素点q(x', y')和p(x, y)的像素值，σ_r是值域标准差；
计算加权平均值：
其中，g(x, y)表示滤波后的输出像素值。
具体地，所述直方图均衡化的具体步骤为：
U1计算图像的灰度直方图，即计算图像中每个灰度级别的像素数量，得到一个表示灰度分布情况的概率密度函数；
U2求图像像素总数，归一化直方图分布，即将步骤1中得到的概率密度函数乘以总像素数，得到每个灰度级别的像素数量，从而将直方图分布归一化到1；
U3计算图像的灰度级的累计分，即对步骤2中得到的每个灰度级别的像素数量进行累加，得到一个表示灰度累计分布情况的函数；
U4求出增强图像的灰度值，即对于步骤3中得到的每个灰度级别的累计分布函数，将其除以总像素数，得到增强图像在该灰度级别的像素数量，从而求得增强图像的灰度值；
直方图均衡化的数学表达如下：
假设原始图像有L个灰度级别，第k个灰度级别的像素数量为n_k，第k个灰度级别的像素出现概率为p_k，则有：
其中，n为图像的总像素数量；
对p_k进行累加，得到累计分布函数s_k：
对s_k进行缩放，得到每个灰度级别的像素数量n'_k：
最后，将n'_k映射到新的灰度级别上，得到增强后的图像。
具体地，图像筛选和图像过滤的步骤为：
将图像通过平均法转化为灰度图像，将图像中像素的RGB三个数值求取平均值，将RGB三个数值都变为平均值；
根据用户的需求设定阈值，根据用户设定的阈值将图像转化为二值图像；
根据二值化像素的边缘绘制物体轮廓，同时将图像中的轮廓和特征点的轮廓比对，比对成功则判定为包含特征点，将该特征点标记；
将特征点轮廓对应的图像从原始图像中截取下来，为之后的图像分析提供特征基础。
具体地，所述图像分析为对查找到的特征图片进行分析，判断这些特征的数量、颜色、纹理、形状和位置信息。
（3）有益效果
本发明通过图像编码，将图像分割并设置基准颜色，后续像素的RGB颜色利用像素RGB颜色和基准像素RGB各个值的差值来表示，该编码方式中只有[0-9（）+-，]，不会发生数据在传输过程中丢失的情况。
本发明通过超分辨率算法，通过卷积神经网络将图片放大重建出具备更高分辨率的清晰图像，可自由控制图片大小，降低了图像分析发生错误的概率。
本发明通过双边滤波和直方图均衡化，提高了图片的精度，减少噪音影响同时保留了图片的边缘界线，使图像更加平滑，缩小图像的明暗差距，提高了图片的精度。
本发明通过大数据方式来开展图像分析，解决了传统图像分析受到数量制约的缺点，为用户提供更加具有普遍性的分析结果。
附图说明
图1为本发明的流程示意图。
图2为本发明的存储结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
实施例1
一种结合大数据分析结果精准图像分析的方法，
首先大数据进行图像采集，大数据依靠传感器，自行读取商业数据，利用爬虫获取网页数据、人工标注和数据交换方式采集图像信息。
大数据在进行网页爬取时根据网站提供的开放API来获取数据，通过设立安全模块能够自动查看robots 协议，根据robots协议访问网页内的数据，同时加入控制访问，添加休眠或限制下载速度，避免网站崩溃，关于用户的个人信息的数据自动禁止访问，提高大数据的访问安全性，避免后续出现道德纠纷，违法爬取数据等问题。
然后大数据将采集到的图像信息进行图像压缩，不损坏图像质量前提下，将图像进行编码，将图像划分为若干个矩形区域，每个区域中的像素点利用坐标表示，以每个区域的左上角为（0,0）点，将（1,1）位置的像素用RGB表示颜色，并作为基准颜色，后续像素的RGB颜色利用像素RGB颜色和基准像素RGB各个值的差值来表示，对图像编码进行压缩，减少储存空间占用，降低用户的存储成本，节省资金的开支。
图像压缩完毕后进行存储，大数据将转化为编码后的图像依靠分布式进行存储，分布式来存储到多个储存节点上，图片信息带有检索编号，需要图片时可根据检索编号来进行快速查找，大大提高检索的速度，同时提高了大数据对于图像分析的效率。
同时数据存储过程中具有备份，一张图片同时存储在两个或多个存储节点上，当其中一个存储节点发生意外损坏时，可从其他存储了该图像的存储节点提取数据，提高数据的安全性和容错率。
当用户具有图像分析需求时大数据进行图像传输，将图像从数据库中提取出来，将图像编码传输至图像处理模块，该编码方式中只有[0-9（）+-，]，故不会因为传输这样那些不可见字符就有可能被处理错误，传输过程不会损坏图片质量，同时能够保留完整的图像数据，不会发生数据丢失的情况。；
大数据将传输出的图像进行解码增强，对于接收到的图像依靠双边滤波、直方图均化、超分辨率算法进行优化图像质量。
其中双边滤波作用为去除图像噪声，提高图像质量，而且在此基础上还可以保留图像的边缘部分，为之后特征提取留下基础，所述双边滤波的具体步骤为：
定义窗口大小和滤波参数，窗口大小是一个正方形，以像素点p(x, y)为中心，大小为2r+1，其中r为窗口半径，该窗口用于获取p(x, y)周围的像素点；
滤波参数设置为高斯函数的标准差σ，它决定了滤波器在空间域和值域的平滑程度；
对于窗口中的每个像素点q(x', y')，计算其在空间域和值域的相似度权重w(x',y', x, y)：
空间域相似度权重w_s(x', y', x, y)使用高斯函数进行计算：
其中，σ_s是空间域标准差；
值域相似度权重w_r(x', y', x, y)使用另一个高斯函数进行计算：
其中，f(x', y')和f(x, y)分别是窗口中像素点q(x', y')和p(x, y)的像素值，σ_r是值域标准差；
计算加权平均值：
其中，g(x, y)表示滤波后的输出像素值。
所述直方图均衡化的作用为使图像更加平滑，缩小图像的明暗差距，提高图像的整体质量，所述直方图均衡化的具体步骤为：
U1计算图像的灰度直方图，即计算图像中每个灰度级别的像素数量，得到一个表示灰度分布情况的概率密度函数；
U2求图像像素总数，归一化直方图分布，即将步骤1中得到的概率密度函数乘以总像素数，得到每个灰度级别的像素数量，从而将直方图分布归一化到1；
U3计算图像的灰度级的累计分，即对步骤2中得到的每个灰度级别的像素数量进行累加，得到一个表示灰度累计分布情况的函数；
U4求出增强图像的灰度值，即对于步骤3中得到的每个灰度级别的累计分布函数，将其除以总像素数，得到增强图像在该灰度级别的像素数量，从而求得增强图像的灰度值；
直方图均衡化的数学表达如下：
假设原始图像有L个灰度级别，第k个灰度级别的像素数量为n_k，第k个灰度级别的像素出现概率为p_k，则有：
其中，n为图像的总像素数量；
对p_k进行累加，得到累计分布函数s_k：
对s_k进行缩放，得到每个灰度级别的像素数量n'_k：
最后，将n'_k映射到新的灰度级别上，得到增强后的图像。
所述超分辨率算法的作用为将图片放大重建出具备更高分辨率的清晰图像，通过卷积神经网络完成，可以使用以下公式来表达：
其中，n为卷积核，sum(n * n)是卷积核n的大小，sum(n * n * I_0)是原始图像与卷积核的卷积结果。
图像优化完成后大数据进行图像筛选,确定需要提取的特征，通过在大数据中保存的图片中进行判断，查找包含该特征的图片，大数据查找到包含该特征的图片后，判断特征在图像中的位置，将图像特征从原始图像中分离开来，具体步骤为：
将图像通过平均法转化为灰度图像，将图像中像素的RGB三个数值求取平均值，将RGB三个数值都变为平均值；
根据用户的需求设定阈值，根据用户设定的阈值将图像转化为二值图像；
根据二值化像素的边缘绘制物体轮廓，同时将图像中的轮廓和特征点的轮廓比对，比对成功则判定为包含特征点，将该特征点标记；
将特征点轮廓对应的图像从原始图像中截取下来，为之后的图像分析提供特征基础。
大数据将图像中的特征分离出后进行图像分析，对查找到的特征图片进行分析，判断这些特征的数量、颜色、纹理、形状和位置信息。
最后大数据将获取信息根据用户要求报告信息，将图像特征分析结果汇报给用户，供用户提取对于用户自己有用的信息使用。
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种结合大数据分析结果精准图像分析的方法，其特征在于，包括以下步骤：
S1大数据依靠传感器，自行读取商业数据，利用爬虫获取网页数据、人工标注和数据交换采集图像信息；
S2图像压缩，不损坏图像质量前提下，对图像进行压缩，减少储存空间占用；
S3将图像进行编码，将转化为编码后的图像依靠分布式进行存储；
S4图像传输，将图像从数据库中提取出来，传输至图像处理模块，传输过程不会损坏图片质量；
S5图像增强，对于接收到的图像进行优化图像质量，图像更加清晰，分辨率提高，便于之后的特征提取；
S6图像筛选,确定需要提取的特征，通过在大数据保存的图片中进行特征判断，查找包含该特征的图片；
S7图像过滤，查找到包含该特征的图片后，判断特征在图像中的位置，将图像特征从原始图像中分离开来；
S8图像分析，对查找到的特征图片进行分析；
S9获取信息，大数据从分析结果中获取信息，根据用户要求报告信息，将图像特征分析结果汇报给用户。
2.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述大数据利用爬虫从网站获取数据时，根据网站提供的开放API接口来获取数据，通过设立安全模块能够自动查看robots 协议，根据robots协议访问网页内的数据，同时加入控制访问，添加休眠或限制下载速度，避免网站崩溃，关于用户个人信息的数据自动禁止访问，提高大数据的访问安全性。
3.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像编码的方式为，将图像划分为若干个矩形区域，每个区域中的像素点利用坐标表示，以每个区域的左上角为（0,0）点，将（1,1）位置的像素用RGB表示颜色，并作为基准颜色，后续像素的RGB颜色利用像素RGB颜色和基准像素RGB各个值的差值来表示，该编码方式中只有[0-9（）+-，]。
4.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像存储的方式为，将图像编码后的数据利用分布式来存储到多个储存节点上，图片信息带有检索编号，需要图片时可根据检索编号来进行快速查找，同时具有备份，一张图片同时存储在两个或多个存储节点上，当其中一个存储节点发生意外损坏时，可从其他存储了该图像的存储节点提取数据。
5.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像传输的方式为，图像数据以字符串的形式进行编码后储存和传输，图像编码字符串中储存了完整的图像信息，该编码方式中只有[0-9（）+-，]，故不会因为传输丢失数据，有些非常规字符可能会被处理错误，所述编码形式传输过程中能够保留完整的图像数据，不会发生数据丢失的情况。
6.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像增强的具体步骤为：
T1双边滤波，去除图像噪声，提高图像质量，采用了两个高斯滤波的结合，第一个高斯滤波负责计算空间邻近度的权值，也就是常用的高斯滤波器原理，而第二个高斯滤波负责计算像素值相似度的权值；
T2直方图均衡化，使图像更加平滑，缩小图像的明暗差距；
T3超分辨率算法，通过卷积神经网络将图片放大重建出具备更高分辨率的清晰图像，利用以下公式计算：
其中，n为卷积核，sum(n * n)是卷积核n的大小，sum(n * n * I_0)是原始图像与卷积核的卷积结果。
7.依据权利要求6所述的一种结合大数据分析结果精准图像分析的方法，所述双边滤波的具体步骤为：
定义窗口大小和滤波参数，窗口大小是一个正方形，以像素点p(x, y)为中心，大小为2r+1，其中r为窗口半径，该窗口用于获取p(x, y)周围的像素点；
滤波参数设置为高斯函数的标准差σ，它决定了滤波器在空间域和值域的平滑程度；
对于窗口中的每个像素点q(x', y')，计算其在空间域和值域的相似度权重w(x', y',x, y)：
空间域相似度权重w_s(x', y', x, y)使用高斯函数进行计算：
其中，σ_s是空间域标准差；
值域相似度权重w_r(x', y', x, y)使用另一个高斯函数进行计算：
其中，f(x', y')和f(x, y)分别是窗口中像素点q(x', y')和p(x, y)的像素值，σ_r是值域标准差；
计算加权平均值：
其中，g(x, y)表示滤波后的输出像素值。
8.依据权利要求6所述的一种结合大数据分析结果精准图像分析的方法，所述直方图均衡化的步骤为：
U1计算图像的灰度直方图，即计算图像中每个灰度级别的像素数量，得到一个表示灰度分布情况的概率密度函数；
U2求图像像素总数，归一化直方图分布，即将步骤1中得到的概率密度函数乘以总像素数，得到每个灰度级别的像素数量，从而将直方图分布归一化到1；
U3计算图像的灰度级的累计分，即对步骤2中得到的每个灰度级别的像素数量进行累加，得到一个表示灰度累计分布情况的函数；
U4求出增强图像的灰度值，即对于步骤3中得到的每个灰度级别的累计分布函数，将其除以总像素数，得到增强图像在该灰度级别的像素数量，从而求得增强图像的灰度值；
直方图均衡化的数学表达如下：
假设原始图像有L个灰度级别，第k个灰度级别的像素数量为n_k，第k个灰度级别的像素出现概率为p_k，则有：
其中，n为图像的总像素数量；
对p_k进行累加，得到累计分布函数s_k：
对s_k进行缩放，得到每个灰度级别的像素数量n'_k：
最后，将n'_k映射到新的灰度级别上，得到增强后的图像。
9.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像筛选和图像过滤的步骤为：
将图像通过平均法转化为灰度图像，将图像中像素的RGB三个数值求取平均值，将RGB三个数值都变为平均值；
根据用户的需求设定阈值，根据用户设定的阈值将图像转化为二值图像；
根据二值化像素的边缘绘制物体轮廓，同时将图像中的轮廓和特征点的轮廓比对，比对成功则判定为包含特征点，将该特征点标记；
将特征点轮廓对应的图像从原始图像中截取下来，为之后的图像分析提供特征基础。
10.依据权利要求1所述的一种结合大数据分析结果精准图像分析的方法，所述图像分析为对查找到的特征图片进行分析，判断这些特征的数量、颜色、纹理、形状和位置信息。
CN202311348073.5A 2023-10-18 2023-10-18 一种结合大数据分析结果精准图像分析的方法 Pending CN117115051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311348073.5A CN117115051A (zh) 2023-10-18 2023-10-18 一种结合大数据分析结果精准图像分析的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311348073.5A CN117115051A (zh) 2023-10-18 2023-10-18 一种结合大数据分析结果精准图像分析的方法

Publications (1)

Publication Number Publication Date
CN117115051A true CN117115051A (zh) 2023-11-24

Family

ID=88811255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311348073.5A Pending CN117115051A (zh) 2023-10-18 2023-10-18 一种结合大数据分析结果精准图像分析的方法

Country Status (1)

Country Link
CN (1) CN117115051A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105933708A (zh) * 2016-04-15 2016-09-07 张彦刚 一种数据压缩和解压缩的方法和装置
CN108805135A (zh) * 2018-06-14 2018-11-13 深圳码隆科技有限公司 一种服装尺寸数据识别方法、装置和用户终端
CN111510718A (zh) * 2019-01-30 2020-08-07 韩国斯诺有限公司 通过图像文件的块间差异提高压缩率的方法及系统
CN113379736A (zh) * 2021-07-12 2021-09-10 广东电网有限责任公司 一种巡检机器人视觉图像深度特征表达方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105933708A (zh) * 2016-04-15 2016-09-07 张彦刚 一种数据压缩和解压缩的方法和装置
CN108805135A (zh) * 2018-06-14 2018-11-13 深圳码隆科技有限公司 一种服装尺寸数据识别方法、装置和用户终端
CN111510718A (zh) * 2019-01-30 2020-08-07 韩国斯诺有限公司 通过图像文件的块间差异提高压缩率的方法及系统
CN113379736A (zh) * 2021-07-12 2021-09-10 广东电网有限责任公司 一种巡检机器人视觉图像深度特征表达方法及系统

Similar Documents

Publication Publication Date Title
US11790499B2 (en) Certificate image extraction method and terminal device
CN108960280B (zh) 一种图片相似度检测方法及系统
CN111445454A (zh) 一种图像真伪鉴别方法及其在证照识别中的应用
CN111767819A (zh) 一种图像识别方法、装置、电子设备和计算机可读介质
CN107578011A (zh) 视频关键帧的判定方法及装置
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
CN115033721A (zh) 基于大数据的图像检索方法
CN110532826B (zh) 一种基于人工智能语义分割的条码识别装置与方法
CN108648245B (zh) 测井解释曲线的信息提取方法及装置
CN110766708B (zh) 基于轮廓相似度的图像比较方法
CN112101058A (zh) 一种试卷条码自动识别方法及装置
CN117115051A (zh) 一种结合大数据分析结果精准图像分析的方法
CN111667509A (zh) 目标与背景颜色相似下的运动目标自动跟踪方法及系统
CN107423739A (zh) 图像特征提取方法及装置
CN116229098A (zh) 一种基于掩模轮廓跟踪的图像识别方法及相关产品
Guo et al. Image saliency detection based on geodesic‐like and boundary contrast maps
Varish et al. A content based image retrieval using color and texture features
Wang et al. Median filtering detection using LBP encoding pattern★
CN112633142A (zh) 一种输电线路违章建筑物识别方法及相关装置
CN112084874A (zh) 一种物体检测方法、装置及终端设备
Chandra Sekhar et al. Effective splicing localization based on noise level inconsistencies
CN108829812B (zh) 基于深度学习的云物体库构建方法
CN116128734B (zh) 一种基于深度学习的图像拼接方法、装置、设备和介质
CN116228606B (zh) 一种基于大数据的图像优化处理系统

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