CN117557582B - 基于人工智能的建筑景观设计图像处理系统 - Google Patents
基于人工智能的建筑景观设计图像处理系统 Download PDFInfo
- Publication number
- CN117557582B CN117557582B CN202410001286.9A CN202410001286A CN117557582B CN 117557582 B CN117557582 B CN 117557582B CN 202410001286 A CN202410001286 A CN 202410001286A CN 117557582 B CN117557582 B CN 117557582B
- Authority
- CN
- China
- Prior art keywords
- gray level
- probability
- coding position
- region
- coding
- 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
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 abstract description 6
- 238000007906 compression Methods 0.000 abstract description 6
- 238000009877 rendering Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000037430 deletion 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
- 238000006467 substitution reaction 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Abstract
本发明涉及图像压缩领域,具体涉及基于人工智能的建筑景观设计图像处理系统,该系统包括:将建筑景观图像划分为每个区域;获取每个区域的主要灰度级,进而得到各灰度级在每个区域中的概率;根据各灰度级在每个区域中的概率获取各灰度级在每个编码位置的概率;获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,进而得到每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减,修改每个编码位置所对应的字典中剩余的各个灰度级组合的编码,得到建筑景观图像的编码结果,本发明提高了建筑景观图像的压缩效率。
Description
技术领域
本发明涉及图像压缩领域,具体涉及基于人工智能的建筑景观设计图像处理系统。
背景技术
在基于人工智能的建筑景观设计图像处理系统中,通常包含确定需求、设计图纸、图像渲染、制作完成等步骤,而在建筑景观设计中,矢量图是一种使用矢量图形软件创建的图形文件,其中包含了由线和曲线构成的几何形状,矢量图在建筑景观设计中有多种用途,常见的包括平面图、示意图、轴测图等。它们用于表达建筑景观设计的空间布局、设计元素、景观要素和轮廓等重要信息,而渲染图像是指通过渲染软件对设计方案进行模拟和呈现,以产生具有真实感和艺术效果的图像。通常,渲染图像是由矢量图作为基础,对矢量图进行渲染即可,但是由于得到的渲染图像比较复杂、有较高的分辨率并且渲染图像在系统中占用的存储空间量比较大,因此需要将渲染图像进行压缩后存储。
LZW是一种无损压缩编码,是基于待编码数据序列中的重复模式来动态的构建和字典,即将待编码数据序列中提取出的字符组合存在于字典中,当编码时遇见该字符组合时,将字典组合中该字符串组合在字典中的编码进行输出,以此来实现压缩数据的目的,由于建筑景观设计图像中的信息量大,因此在使用传统的LZW编码算法对建筑设计景观图像进行编码压缩时,需要在字典中添加的字符串组合越多,故而字典中字符串组合对应的编码值较大,因此使用传统的LZW编码算法对建筑景观图像进行编码后,建筑景观图像的编码结果所占的存储空间较大,压缩效率较低。
发明内容
为了解决上述问题,本发明提供基于人工智能的建筑景观设计图像处理系统,所述系统包括:
建筑景观图像获取模块,获取建筑景观图像,并将建筑景观图像划分为每个区域;
灰度级概率获取模块,获取每个区域的主要灰度级;根据每个区域的主要灰度级,获取每个区域正态分布曲线函数的均值和标准差;根据每个区域的正态分布曲线函数的均值和标准差,获取各灰度级在每个区域中的概率;获取每个编码位置到未完成编码的各个区域的距离;根据各灰度级在每个区域中的概率以及每个编码位置到每个编码位置上未完成编码的各个区域的距离,获取各灰度级在每个编码位置的概率;
灰度级组合概率获取模块,根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率;根据每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率;
灰度级组合删减模块,根据每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减;
编码结果获取模块,根据每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,将得到的编码结果存储到数据库中。
优选的,所述获取每个区域的主要灰度级,包括的步骤为:
获取每个区域中的每个灰度级所对应的像素点个数,将最大的像素点个数所对应的灰度级,作为每个区域的主要灰度级。
优选的,所述根据每个区域的主要灰度级,获取每个区域正态分布曲线函数的均值和标准差,包括的步骤为:
预设为所有区域的正态分布曲线函数的标准差参数,将每个区域的主要灰度级作为每个区域的正态分布曲线函数的均值参数。
优选的,所述根据每个区域的正态分布曲线函数的均值和标准差,获取各灰度级在每个区域中的概率,包括的步骤为:
将建筑景观图像中的任一区域,记为当前区域:
式中,代表第/>个灰度级在当前区域中的概率;/>代表当前区域中的第/>个灰度级;/>代表当前区域的正态分布曲线函数的均值参数;/>代表当前区域的正态分布曲线函数的标准差参数;/>代表以自然常数为底数的指数函数。
优选的,所述获取每个编码位置到每个编码位置上未完成编码的各个区域的距离,包括的步骤为:
在使用LZW编码对建筑景观图像进行编码的过程时,将正在编码的像素点的位置,记为当前编码位置:
根据建筑景观图像的逐行进行编码的顺序,统计出当前编码位置到未完成编码的各个区域的第一个像素点之间的像素点数量,作为当前编码位置到当前编码位置上未完成编码的各个区域的距离。
优选的,所述根据各灰度级在每个区域中的概率以及每个编码位置到每个编码位置上未完成编码的各个区域的距离,获取各灰度级在每个编码位置的概率,包括的步骤为:
式中,代表第/>个灰度级在当前编码位置的概率;/>代表未完成编码的区域数量;/>代表第/>个灰度级在未完成编码的第/>个区域中的概率;/>代表未完成编码的第/>个区域中未编码的像素点数量;/>代表当前编码位置到未完成编码的第/>个区域的距离;/>代表建筑景观图像中的灰度级类别个数;/>为自然常数。
优选的,所述根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,包括的步骤为:
其中,代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的修正概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的第/>个灰度级在当前编码位置的概率。
优选的,所述根据每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率,包括的步骤为:
其中,代表当前编码位置所对应的字典中的第/>个灰度级组合的概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的修正概率。
优选的,所述根据每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减,包括的步骤为:
预设删减个数,将当前编码位置所对应的字典中的每个灰度级组合的概率值从小到大进行排序,依次将序列中前/>个灰度值组合在当前编码位置所对应的字典中进行删除。
优选的,所述根据每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,包括的步骤为:
使用编码算法结合每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,得到编码结果。
本发明具有如下有益效果:本发明通过将建筑景观图像划分为每个区域;获取每个区域的主要灰度级,得到每个区域正态分布曲线函数的均值和标准差;获取了各灰度级在每个区域中的概率;再获取每个编码位置到每个编码位置上未完成编码的各个区域的距离;根据各灰度级在每个区域中的概率以及每个编码位置到每个编码位置上未完成编码的各个区域的距离,获取各灰度级在每个编码位置的概率;根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率;根据每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率;根据每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减,并修改每个编码位置所对应的字典中剩余的各个灰度级组合的编码;根据每个编码位置所对应的字典中剩余的各个灰度级组合的编码,对建筑景观图像进行编码,得到编码结果,本发明通过获取每个编码位置所对应的字典中的各个灰度级组合的概率,根据每个灰度级组合的概率,对每个编码位置所对应的字典中的各个灰度级组合进行删减,使得删减后各个灰度级组合的编码较小,对建筑景观图像进行编码后,其编码结果转为二进制数后所占的存储空间较小,将编码结果存储至数据库中所占的存储空间较小,提高了传统的LZW编码算法的压缩效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的基于人工智能的建筑景观设计图像处理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的建筑景观设计图像处理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的建筑景观设计图像处理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的建筑景观设计图像处理系统,该系统包括以下模块:
建筑景观图像获取模块101,获取建筑景观设计图像,并得到建筑景观设计图像的各个区域。
需要说明的是,为了能够提供给客户和利益相关者更直观的视觉呈现,需要对建筑景观设计的矢量图进行渲染,矢量图能够表达建筑景观设计的空间布局,根据矢量图中定义的不同区域,使用渲染软件对矢量图中的各个区域进行渲染,将渲染后的矢量图进行灰度化处理,记为建筑景观图像,根据矢量图中不同区域的边界将建筑景观图像划分为各个区域。
灰度级概率获取模块102,获取建筑景观图像中各个区域的主要灰度级以及各灰度级在每个区域中的概率,根据各灰度级在每个区域中的概率,获取各灰度级在当前编码位置的概率。
需要说明的是,LZW是一种无损压缩编码,是基于建筑景观图像中各个像素点的灰度级的重复模式来动态的构建和字典,即将建筑景观图像中提取出的灰度级组合存在于字典中,当编码时遇见该灰度级组合时,将字典中该灰度级组合在字典中的编码进行输出,以此来实现压缩数据的目的,在依次对建筑景观图像中各个像素点的灰度级进行编码时,对于第一次出现的灰度级组合都需要先将其更新到字典中并赋予其编码,然后再次遇到时才能对该灰度级组合进行有效压缩,由于建筑景观设计图像中的信息量大,因此在使用传统的LZW编码算法对建筑设计景观图像进行编码压缩时,需要在字典中添加的灰度级组合越多,故而字典中灰度级组合对应的编码值会依次增加,因此使用传统的LZW编码算法对建筑设计景观图像进行编码后,将该编码结果转换为二进制进行存储时所占的存储空间较大。因此在本发明实施例中,首先获取各灰度级在每个区域中概率,在使用LZW编码算法对建筑设计景观图像中的各个像素点的灰度级进行编码时,对于当前编码位置来说,根据各灰度级在每个区域中概率,预测出各灰度级在当前编码位置的概率,进而得到当前编码位置所对应的字典中的各个灰度级组合的概率,根据各个灰度级组合的概率,对当前编码所对应的字典中的各个灰度级组合进行删减,并对当前编码位置所对应的字典中的剩余的各个灰度级组合的编码进行改变,使得剩余的各个灰度级组合的编码较小,将建筑景观图像的最终编码结果转换为二进制数所占的存储空间相较于传统的LZW编码算法的编码结果所占的存储空间小,提高了传统的LZW编码算法的压缩效率。
需要进一步说明的是,在对矢量图中的各个区域进行渲染时,每个区域都有一个主要的灰度值代表每个区域的灰度值特征,再根据与主要的灰度值接近的其他灰度值来对表示每个区域的细节信息,因此每个区域内像素点的灰度值分布特征近似于正态分布曲线,已知正态分布曲线的参数主要有均值和标准差/>,均值/>代表了正态分布曲线的中心位置处的灰度值,因此,每个区域的正态分布曲线的中心位置处的灰度值应该是每个区域中的主要灰度值,即如果任一像素点的灰度值在其区域中的像素点个数占与其区域所有像素点个数的比值越大时,则当前像素点的灰度值就是其所属区域中的主要灰度级,而标准差/>代表了每个区域中的灰度级围绕其正态分布曲线的中心位置处的灰度级的波动程度,因此对于建筑景观图像中每个区域,需要先获取每个区域的正态分布曲线的/>和/>的值,得到每个区域的正态分布曲线函数通过每个区域的正态分布函数来获取各灰度级在每个区域中的概率时,只需要记录每个区域的正态分布函数即可,其计算量较小。
在本发明实施例中,遍历图像中的任一区域,记为当前区域,获取当前区域中的每个灰度级所对应的像素点个数,将最大的像素点个数所对应的灰度级,作为当前区域的主要灰度级,记为,预设/>作为所有区域的正态分布曲线函数的标准差参数,将每个区域的主要灰度级作为每个区域的正态分布曲线函数的均值参数,在本发明实施例中/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
在本发明实施例中,遍历建筑景观图像中的任一区域,记为当前区域,获取第个灰度级在当前区域中的概率:
式中,代表第/>个灰度级在当前区域中的概率;/>代表当前区域中的第/>个灰度级;/>代表当前区域的正态分布曲线函数的均值参数;/>代表当前区域的正态分布曲线函数的标准差参数;/>代表以自然常数为底数的指数函数;当/>越大时,说明第/>个灰度级在当前区域中的概率越大。
至此,得到了建筑景观图像中各灰度级在每个区域中的概率。
需要说明的是,使用LZW编码对建筑设计图像进行编码的过程中,通过动态地将字典中未出现过的灰度级组合更新至字典中,由于建筑设计图像的信息量大,因此需要添加的灰度级组合较多,故而灰度级组合对应的编码值较大,因此使用传统的LZW编码对建筑设计图像进行编码,将得到的编码结果进行存储时所占的存储空间大,因此在本发明实施例中,在编码过程中通过获取每个编码位置所对应的字典中的每个灰度级组合的概率,来对每个编码位置所对应的字典中的灰度级组合进行删减,并将每个编码位置所对应的字典中的剩余的灰度级组合的编码进行缩小,减少了编码结果存储时占用的空间大小。
获取每个编码位置所对应的字典中的每个灰度级组合的概率,也就是获取每个编码位置所对应的字典中的每个灰度级组合在建筑景观图像中未编码区域中出现的概率,又由于灰度级组合是由于各灰度级组成,因此为了获取每个编码位置所对应的字典中的每个灰度级组合的概率,需要首先获取各灰度级在每个编码位置的概率,也就是编码到每个编码位置时,计算每个编码位置上的各灰度级在建筑景观图像中未编码区域中的概率。
需要进一步说明的是,区域中各个灰度级的概率获取模块中,得到了各灰度级在各个区域中的概率,因此在本发明实例中,通过各灰度级在未完成编码的各个区域中的概率加权求和来对各灰度级在每个编码位置上的概率进行预测,又由于当未完成编码的区域的面积越大时,该区域内部的各像素级在建筑景观图像中出现的概率越大,因此根据未完成编码的各个区域的面积调整各灰度级在未完成编码的各个区域中的概率,同时考虑每个编码位置与未完成编码的各个区域之间的距离,当任一编码位置与未完成编码的任一区域之间的距离越大时,说明越晚编码到该区域,则各灰度级在未完成编码的该区域中的概率对各灰度级在该编码位置的概率的影响越小,当任一编码位置与未完成编码的任一区域之间的距离越小时,说明会较快地编码到该区域,则各灰度级在未完成编码的该区域中的概率对各灰度及在该编码位置的概率的影响较大,因此根据每个编码位置与未完成编码的各个区域之间的距离以及未完成编码的各个区域的面积对各灰度级在未完成编码的各个区域中概率进行调整,来获取各灰度级在每个编码位置上的概率。
在本发明实施例中,获取每个编码位置到未完成编码的各个区域的距离:根据建筑景观图像的逐行进行编码的顺序,统计出每个编码位置到未完成编码的各个区域的第一个像素点之间的像素点数量,作为每个编码位置到未完成编码的各个区域的距离。
在本发明实施例中,在使用LZW编码对建筑景观图像进行编码的过程时,将正在编码的像素点的位置,记为当前编码位置,获取各灰度级在当前编码位置的概率:
式中,代表第/>个灰度级在当前编码位置的概率;/>代表未完成编码的区域数量;/>代表第/>个灰度级在未完成编码的第/>个区域中的概率;/>代表未完成编码的第/>个区域中未编码的像素点数量;/>代表当前编码位置到未完成编码的第/>个区域的距离;/>代表建筑景观图像中的灰度级类别个数;当任一未完成编码的区域的面积较大时,各灰度级在该区域中的概率对各灰度级在当前编码位置的概率影响较大,且当前编码位置与任一未完成编码的区域的距离较大时,对该区域越晚进行编码,各灰度级在该区域中的概率对各灰度级在当前编码位置的概率影响较小,因此通过当前编码位置与未完成编码的各个区域的距离以及未完成编码的各个区域的面积对各灰度级在各个区域中概率进行调整,获取了各灰度级在每个编码位置上的概率。
灰度级组合概率获取模块103,根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率。
需要说明的是,已知灰度级组合是由不同的灰度级组成的,因此在本发明实施例中,根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率,将编码位置所对应的字典中的任一灰度级组合的概率为该灰度级组合中所有灰度级在编码位置的概率的乘积,记为编码位置所对应的字典中的该灰度级组合的概率。
在本发明实施例中,在使用LZW编码对建筑景观图像进行编码的过程时,将正在编码的像素点的位置,记为当前编码位置,获取当前编码位置所对应的字典中的每个灰度级组合的概率:
式中,代表当前编码位置所对应的字典中的第/>个灰度级组合的概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的概率。
需要说明的是,在获取当前编码位置所对应的字典中的每个灰度级组合的概率时,是根据灰度级组合中各个灰度级在当前编码位置的概率连乘所得,没有考虑到灰度级组合中的灰度级连续出现的情况,因此需要对上述步骤中灰度级组合中的每个灰度级在编码位置的概率进行修正,现有的方法获取灰度级组合中的每个灰度级在编码位置的概率时,是通过统计出灰度级组合中的每个灰度级与每个灰度级之前的所有灰度级连续出现的概率,但是如果当像素级组合中的各像素级在编码位置的概率越大时,该像素级组合在接下来编码时出现的概率越大,因此在本发明实施例中,通过将灰度级组合中任一灰度级之前的所有灰度级在编码位置的概率乘积来修正灰度级组合中该灰度级在编码位置的概率。
在本发明实施例中,对当前编码位置所对应的字典中的每个灰度级组合中的各灰度级在当前编码位置的概率进行修正:
式中,代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的修正概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的第/>个灰度级在当前编码位置的概率。
根据当前编码位置所对应的字典中的每个灰度级组合中每个灰度级在当前编码位置的修正概率,获取当前编码位置所对应的字典中的每个灰度级组合的概率。
至此,根据各灰度级在每个编码位置的概率,获取了每个编码位置所对应的字典中的每个灰度级组合的概率。
灰度级组合删减模块104,根据每个编码位置所对应的字典中的每个灰度级组合的概率,对当前编码位置所对应的字典中的灰度级组合进行删减操作,并将当前编码位置处剩余的各个灰度级组合的编码进行修改。
在本发明实施例中,预设删减个数,将当前编码位置所对应的字典中的每个灰度级组合的概率值从小到大进行排序,依次将序列中前/>个灰度值组合在当前编码位置所对应的字典中进行删除,并将当前编码位置所对应的字典中剩余的各个灰度级组合的编码进行修改。
编码结果获取模块105,根据改进后的LZW编码算法,对建筑景观图像进行编码,得到编码结果。
使用编码算法结合每个编码位置所对应的字典中剩余的各个灰度级组合的编码,对建筑景观图像进行编码,并将得到编码结果存入数据库中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于人工智能的建筑景观设计图像处理系统,其特征在于,所述系统包括:
建筑景观图像获取模块,获取建筑景观图像,并将建筑景观图像划分为每个区域;
灰度级概率获取模块,获取每个区域的主要灰度级;根据每个区域的主要灰度级,获取每个区域正态分布曲线函数的均值和标准差;根据每个区域的正态分布曲线函数的均值和标准差,获取各灰度级在每个区域中的概率;获取每个编码位置到每个编码位置上未完成编码的各个区域的距离;根据各灰度级在每个区域中的概率以及每个编码位置到每个编码位置上未完成编码的各个区域的距离,获取各灰度级在每个编码位置的概率;
所述获取每个区域的主要灰度级,包括的步骤为:
获取每个区域中的每个灰度级所对应的像素点个数,将最大的像素点个数所对应的灰度级,作为每个区域的主要灰度级;
所述根据每个区域的正态分布曲线函数的均值和标准差,获取各灰度级在每个区域中的概率,包括的步骤为:
将建筑景观图像中的任一区域,记为当前区域:
式中,代表第/>个灰度级在当前区域中的概率;/>代表当前区域中的第/>个灰度级;/>代表当前区域的正态分布曲线函数的均值参数;/>代表当前区域的正态分布曲线函数的标准差参数;/>代表以自然常数为底数的指数函数;
所述获取每个编码位置到每个编码位置上未完成编码的各个区域的距离,包括的步骤为:
在使用LZW编码对建筑景观图像进行编码的过程时,将正在编码的像素点的位置,记为当前编码位置:
根据建筑景观图像的逐行进行编码的顺序,统计出当前编码位置到未完成编码的各个区域的第一个像素点之间的像素点数量,作为当前编码位置到当前编码位置上未完成编码的各个区域的距离;
所述根据各灰度级在每个区域中的概率以及每个编码位置到每个编码位置上未完成编码的各个区域的距离,获取各灰度级在每个编码位置的概率,包括的步骤为:
式中,代表第/>个灰度级在当前编码位置的概率;/>代表未完成编码的区域数量;/>代表第/>个灰度级在未完成编码的第/>个区域中的概率;/>代表未完成编码的第/>个区域中未编码的像素点数量;/>代表当前编码位置到未完成编码的第/>个区域的距离;/>代表建筑景观图像中的灰度级类别个数;/>为自然常数;
灰度级组合概率获取模块,根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率;根据每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率;
所述根据每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,获取每个编码位置所对应的字典中的每个灰度级组合的概率,包括的步骤为:
其中,代表当前编码位置所对应的字典中的第/>个灰度级组合的概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的修正概率;
灰度级组合删减模块,根据每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减;
编码结果获取模块,根据每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,将得到的编码结果存储到数据库中。
2.根据权利要求1所述的基于人工智能的建筑景观设计图像处理系统,其特征在于,所述根据每个区域的主要灰度级,获取每个区域正态分布曲线函数的均值和标准差,包括的步骤为:
预设为所有区域的正态分布曲线函数的标准差参数,将每个区域的主要灰度级作为每个区域的正态分布曲线函数的均值参数。
3.根据权利要求1所述的基于人工智能的建筑景观设计图像处理系统,其特征在于,所述根据各灰度级在每个编码位置的概率,获取每个编码位置所对应的字典中的每个灰度级组合中的各灰度级在每个编码位置的修正概率,包括的步骤为:
其中,代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级在当前编码位置的修正概率;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的灰度级个数;/>代表当前编码位置所对应的字典中的第/>个灰度级组合中第/>个灰度级之前的第/>个灰度级在当前编码位置的概率。
4.根据权利要求1所述的基于人工智能的建筑景观设计图像处理系统,其特征在于,所述根据每个编码位置所对应的字典中的每个灰度级组合的概率,对每个编码位置所对应的字典中的灰度级组合进行删减,包括的步骤为:
预设删减个数,将当前编码位置所对应的字典中的每个灰度级组合的概率值从小到大进行排序,依次将序列中前/>个灰度值组合在当前编码位置所对应的字典中进行删除。
5.根据权利要求1所述的基于人工智能的建筑景观设计图像处理系统,其特征在于,所述根据每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,包括的步骤为:
使用编码算法结合每个编码位置所对应的字典中剩余的各个灰度级组合,对建筑景观图像进行编码,得到编码结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001286.9A CN117557582B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的建筑景观设计图像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001286.9A CN117557582B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的建筑景观设计图像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557582A CN117557582A (zh) | 2024-02-13 |
CN117557582B true CN117557582B (zh) | 2024-03-12 |
Family
ID=89813043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001286.9A Active CN117557582B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的建筑景观设计图像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557582B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1630371A (zh) * | 2003-12-19 | 2005-06-22 | 联想(北京)有限公司 | 一种应用于实时传输的无损图像压缩方法 |
CN103714148A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏编码分类的sar图像检索方法 |
CN104349171A (zh) * | 2013-07-31 | 2015-02-11 | 上海通途半导体科技有限公司 | 一种视觉无损的图像压缩编、解码装置及编、解码方法 |
CN115022635A (zh) * | 2022-05-31 | 2022-09-06 | 吉林大学 | 基于目标检测的星图压缩方法 |
CN116521093A (zh) * | 2023-07-03 | 2023-08-01 | 漳州科恒信息科技有限公司 | 一种智慧社区人脸数据存储方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6888893B2 (en) * | 2001-01-05 | 2005-05-03 | Microsoft Corporation | System and process for broadcast and communication with very low bit-rate bi-level or sketch video |
US10271057B2 (en) * | 2014-11-04 | 2019-04-23 | Vahagn Nurijanyan | System and methods for image/video compression |
-
2024
- 2024-01-02 CN CN202410001286.9A patent/CN117557582B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1630371A (zh) * | 2003-12-19 | 2005-06-22 | 联想(北京)有限公司 | 一种应用于实时传输的无损图像压缩方法 |
CN104349171A (zh) * | 2013-07-31 | 2015-02-11 | 上海通途半导体科技有限公司 | 一种视觉无损的图像压缩编、解码装置及编、解码方法 |
CN103714148A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏编码分类的sar图像检索方法 |
CN115022635A (zh) * | 2022-05-31 | 2022-09-06 | 吉林大学 | 基于目标检测的星图压缩方法 |
CN116521093A (zh) * | 2023-07-03 | 2023-08-01 | 漳州科恒信息科技有限公司 | 一种智慧社区人脸数据存储方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种改进的LZW-FSE数据压缩算法研究;叶洪娜;《中国优秀硕士学位论文全文数据库》;20210915(第09期);第1-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557582A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798400B (zh) | 基于生成对抗网络的无参考低光照图像增强方法及系统 | |
CN109743570B (zh) | 一种屏幕内容视频的压缩方法 | |
CN108259911A (zh) | 一种OLED屏Demura数据无损压缩、解压缩方法 | |
CN104869425A (zh) | 一种基于纹理图像相似性的压缩和解压缩方法 | |
CN110717868A (zh) | 视频高动态范围反色调映射模型构建、映射方法及装置 | |
US20110066580A1 (en) | Codebook generating method | |
CN109993702A (zh) | 基于生成对抗网络的满文图像超分辨率重建方法 | |
US20030081852A1 (en) | Encoding method and arrangement | |
CN117097906B (zh) | 一种区域医疗资源高效利用的方法及系统 | |
CN117557582B (zh) | 基于人工智能的建筑景观设计图像处理系统 | |
JP4638037B2 (ja) | 3次元メッシュネットワークの圧縮およびコーディング | |
CN114066871A (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
US20230019767A1 (en) | Point cloud encoding method and decoding method, encoder and decoder, and storage medium | |
CN116109714A (zh) | 基于神经网络的数据编码存储方法及系统 | |
CN115102934B (zh) | 点云数据的解码方法、编码方法、装置、设备及存储介质 | |
CN116156198A (zh) | 一种舞蹈教学用视觉测量信号传输装置及系统 | |
CN112887722B (zh) | 一种图像无损压缩方法 | |
CN105787972B (zh) | 一种基于lcv模型的图像轮廓编码方法及系统 | |
CN114463450A (zh) | 基于人工智能的计算机图像压缩方法及系统 | |
CN114360449A (zh) | 一种显示器Mura校准的多像素融合压缩及解压缩方法 | |
JPH0937262A (ja) | 画像処理装置及び方法 | |
CN117156069B (zh) | 一种软件图像数据加密传输方法 | |
CN115761020B (zh) | 一种基于神经网络自动构建的影像数据压缩方法 | |
CN116137050B (zh) | 三维真人模型处理方法、处理装置、电子设备及存储介质 | |
CN116600107B (zh) | 基于ipms-cnn和空域相邻cu编码模式的hevc-scc快速编码方法及装置 |
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 |