CN117668269B - 基于流形学习的车辆审核信息优化存储方法 - Google Patents

Abstract

本发明涉及数据压缩技术领域，具体涉及基于流形学习的车辆审核信息优化存储方法，包括：采集车辆审核信息中的所有图像数据，对图像数据进行灰度化和去噪得到待处理数据；根据待处理数据获取待处理数据中所有像素点的梯度值以及梯度方向，获取待处理数据中所有像素点的重要程度；根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点，并获取待处理数据中所有可变点变化后的灰度级范围；根据待处理数据中可变点变化后的灰度级范围获取目标数据对目标数据进行压缩，完成对车辆审核信息的优化存储。本发明保证像素点的精度损失尽可能小的情况下提高压缩效果，大大提高车辆审核效率。

Description

基于流形学习的车辆审核信息优化存储方法

技术领域

本发明涉及数据压缩技术领域，具体涉及基于流形学习的车辆审核信息优化存储方法。

背景技术

在车辆审核过程中，大量的信息需要被收集和存储，例如车辆图片、车牌号码、时间戳、地点等。然而，传统的存储方法存在一些问题，如存储空间占用大、存取效率低、信息检索困难等，导致车辆审核工作效率不高。

车辆审核信息中车辆图片是占用存储空间的主要信息，现有的技术对于图像的压缩处理主要分为无损压缩和有损压缩，由于对车辆图片的精度要求不高，故采用有损压缩。由于车辆审核信息中存在的数据类型较多，单一的图像压缩算法难以处理数字类型的数据，且车牌、时间戳等信息的精度要求较高，传统压缩方法难以到达较好的压缩要求。

发明内容

本发明提供基于流形学习的车辆审核信息优化存储方法，以解决现有的问题：单一的图像压缩算法难以处理数字类型的数据，且车牌、时间戳等信息的精度要求较高，传统压缩方法难以到达较好的压缩要求。

本发明的基于流形学习的车辆审核信息优化存储方法采用如下技术方案：

包括以下步骤：

采集车辆审核信息中的所有图像数据，对图像数据进行灰度化和去噪得到待处理数据；

获取待处理数据中所有像素点的梯度值以及梯度方向；根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度；

根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点；根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围；根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围；

根据待处理数据中可变点变化后的灰度级范围获取目标数据；

对目标数据进行压缩，完成对车辆审核信息的优化存储。

优选的，所述根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度，包括的具体方法为：

对于待处理数据中第个像素点，将待处理数据中第个像素点为中心像素点建立一个的窗口，其中为预设的窗口大小；采用螺旋扫描法对待处理数据中第个像素点的窗口中的像素点进行扫描；得到第个像素点一维像素点序列，记为第个像素点序列；

计算第个像素点序列中每个像素点与下一个像素点之间梯度方向上的相似程度，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；表示第个像素点序列中第个像素点的梯度方向；表示第个像素点序列中第个像素点的梯度方向；表示以自然常数为底数的指数函数；表示绝对值运算；

得到第个像素点的相似程度序列，记为第个相似程度序列，其中表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；

再通过第个像素点序列中每个像素点梯度值大小，获取第个像素点序列中每个像素点的重要程度权重，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点的重要程度权重；表示待处理数据中梯度值最大的像素点的梯度值；表示第个像素点序列中第个像素点的梯度值；表示预设的超参数；

根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度。

优选的，所述根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度，包括的具体计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点的重要程度；表示第个像素点序列中第个像素点的重要程度权重；

得到第个像素点序列每个像素点与下一个像素点的重要程度，将第个像素点序列所有像素点与下一个像素点的重要程度的均值记为，通过第个像素点序列每个像素点与下一个像素点的重要程度、以及待处理数据中第个像素点的梯度值，获取待处理数据中第个像素点的重要程度。

优选的，所述获取待处理数据中第个像素点的重要程度，包括的具体计算公式为：

式中，表示待处理数据中第个像素点的重要程度；表示待处理数据中第个像素点的梯度值；表示待处理数据中梯度值最大的像素点的梯度值；为预设的窗口大小。

优选的，所述根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点，包括的具体方法为：

预设一个重要程度阈值，将待处理数据中重要程度大于的像素点记为不变点；将待处理数据中重要程度小于等于的像素点记为可变点。

优选的，所述根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围，包括的具体计算公式为：

式中，表示待处理数据中像素点灰度值的最大可变范围；表示待处理数据中灰度值最大的像素点的灰度值；表示待处理数据中灰度值最小的像素点的灰度值；表示预设的经验损失度；表示向上取整运算。

优选的，所述根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围，包括的具体方法为：

对于待处理数据中第个可变点，以待处理数据中第个可变点为中心像素点建立一个的窗口，为预设的窗口大小；将待处理数据中第个可变点窗口内的所有像素点，记为第个局部范围；获取第个局部范围内所有不变点的灰度值，结合待处理数据中第个可变点的灰度值、待处理数据中第个可变点的重要程度以及待处理数据中像素点灰度值的最大可变范围，获取待处理数据中第个可变点的可损失值度，其具体的计算公式为：

式中，表示待处理数据中第个可变点的可损失值度；表示待处理数据中第个可变点的重要程度；表示待处理数据中第个可变点的灰度值；表示第个局部范围内第个不变点的灰度值；表示第个局部范围内不变点的数量；表示待处理数据中像素点灰度值的最大可变范围；表示向上取整运算；表示以自然常数为底数的指数函数；

所以待处理数据中第个可变点变化后的灰度级范围为。

优选的，所述根据待处理数据中可变点变化后的灰度级范围获取目标数据，包括的具体方法为：

根据待处理数据获取待处理数据的灰度直方图，统计每个灰度级在待处理数据中出现的频率集合记为，其中表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率；将每个灰度级在待处理数据中出现的频率集合中的元素按照从大到小的顺序进行排序，得到每个灰度级在待处理数据中出现的频率序列记为频率序列，其中表示待处理数据中出现的频率第大的灰度级的出现频率，表示待处理数据中出现的频率最小的灰度级的出现频率，表示待处理数据中灰度级的数量；

将频率序列中第一个频率的灰度级记为，将频率序列中第二个频率的灰度级记为，以此类推直至将频率序列中第个频率的灰度级记为；

然后，比较与的大小，若，则为目标灰度级；若，则待处理灰度级；比较与的大小，若，则为目标灰度级；若，则待处理灰度级；以此类推，直至比较与的大小，若，则为目标灰度级；若，则待处理灰度级；

根据待处理灰度级在待处理数据中出现的频率按照从大到小的顺序进行排序，得到待处理灰度级序列；

将待处理灰度级序列中的第一个灰度级的灰度值记为第一基准灰度，将待处理灰度级序列中的第二个灰度级的灰度值记为第二基准灰度，以此类推，直至，将待处理灰度级序列中的倒数第一个灰度级的灰度值记为倒数第一基准灰度；

将目标灰度级中除灰度值为第一基准灰度外的所有可变点记为第一目标点，将变化后的灰度级范围包含第一基准灰度的第一目标点，记为第一特征点；将目标灰度级中除灰度值为第二基准灰度外的所有可变点记为第二目标点，将变化后的灰度级范围包含第二基准灰度的第二目标点，记为第二特征点；以此类推，直至将目标灰度级中除灰度值为倒数第一基准灰度外的所有可变点记为倒数第一目标点，将变化后的灰度级范围包含倒数第一基准灰度的倒数第一目标点，记为倒数第一特征点；

根据所有特征点与频率序列获取目标数据。

优选的，所述根据所有特征点与频率序列获取目标数据，包括的具体方法为：

从第一特征点开始，将灰度值与第一基准灰度最接近的个第一特征点的灰度值调整为第一基准灰度，表示待处理数据中像素点的总数量，表示第一基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值；完成对第一特征点的调整，将经过调整的可变点记为第一调整点；

接着从第二特征点开始，去除第二特征点中的第一调整点，将剩余的第二特征点称为第二待调整特征点，将灰度值与第二基准灰度最接近的个第二待调整特征点的灰度值调整为第二基准灰度，式中为第二基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第二调整点，完成对第二特征点的调整；

然后从第三特征点开始，去除第三特征点中的第二调整点，将剩余的第三特征点称为第三待调整特征点，将灰度值与第三基准灰度最接近的个第三待调整特征点的灰度值调整为第三基准灰度，式中为第三基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第三调整点，完成对第三特征点的调整；

以此类推，直至完成对倒数第一特征点的调整，得到目标数据。

优选的，所述对目标数据进行压缩，完成对车辆审核信息的优化存储，包括的具体方法为：

采用z字扫描法对目标数据进行扫描，得到一维目标像素点序列，对一维目标像素点序列中的灰度值进行统计，采用霍夫曼编码对一维目标像素点序列进行编码转换，完成对调整后的待处理车辆图像的压缩处理。

本发明的技术方案的有益效果是：本发明通过获取车辆图像中各个像素点的重要程度，根据重要程度获取各个像素点的可损失程度，通过可损失程度对像素点的灰度值进行调整，将图像展开形成一维序列，将一维序列与其他数据采用霍夫曼编码对调整后的数据进行编码压缩，在保证压缩效果的同时尽可能小的损失数据精度，同时可将不同类型的数据进行统一压缩处理，保证像素点的精度损失尽可能小的情况下提高压缩效果，大大提高车辆审核效率。

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，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地介绍，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他的附图。

图1为本发明基于流形学习的车辆审核信息优化存储方法的步骤流程图。

图2为螺旋扫描法示意图。

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流形学习的车辆审核信息优化存储方法，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流形学习的车辆审核信息优化存储方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于流形学习的车辆审核信息优化存储方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集车辆审核信息中的所有图像数据，对图像数据进行灰度化和去噪得到待处理数据。

需要说明的是，由于传统的对车辆审核信息的存储方法存在，存储空间占用大、存储效率低以及信息检索困难等问题，因此本实施例提出了一种基于流形学习的车辆审核信息优化存储方法，其最终目的是为了提高车辆审核的工作效率。

需要进一步说明的是，在车辆审核信息存在大量的图像数据，正是这些图像数据，存储空间占用大、存储效率低以及信息检索困难，因此本实施例通过对车辆审核信息中的图像数据进行分析存储，使这些图像数据能够得到良好的压缩，以提高车辆审核的工作效率，因此首先需要获取车辆审核信息中的图像数据。

具体的，采集车辆审核信息中的所有图像数据，并对车辆审核信息中的所有图像数据进行灰度化以及去噪处理，由于图像数据的灰度化以及去噪处理属于一种公知的现有技术，故在本实施例中不再进行赘述；将经过灰度化以及去噪处理后的图像数据记为待处理数据。

至此，得到待处理数据。

步骤S002：获取待处理数据中所有像素点的梯度值以及梯度方向；根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度。

需要说明的是，本实施例作为一种基于流形学习的车辆审核信息优化存储方法，其本质是提出了一种对待处理数据的有损压缩方法，即在提高待处理数据的压缩率的同时，保证压缩结果的精度，以提高车辆审核的工作效率；由于待处理数据中每个像素点所表达的重要程度是不同的，故可以根据待处理数据中每个像素点所表达的重要程度对待处理数据进行压缩，达到在保证提高待处理数据的压缩率的同时，保证压缩结果的精度。

需要进一步说明的是，在待处理数据中梯度越大且梯度大的像素点分布越密集的区域内的像素点的重要程度就越高；而待处理数据中梯度越小且梯度小的像素点分布越密集的区域内的像素点的重要程度就越低。例如：待处理数据中的边缘区域、车牌字母数字区域等区域内的像素点的重要程度高，而待处理数据中车身区域内的像素点的重要程度低。故可以以此为依据获取待处理数据中每个像素点的重要程度。

具体的，对待处理数据使用算子，获取待处理数据中每个像素点的横向与纵向的梯度值，由于算子作为一种现有的技术，故在本实施例中不再进行赘述；再根据待处理数据中所有像素点的横向与纵向的梯度值，获取待处理数据中所有像素点的梯度值与梯度方向；例如，获取待处理数据中第个像素点的梯度值以及梯度方向的具体计算公式为：

式中，表示待处理数据中第个像素点的梯度值；表示待处理数据中第个像素点的横向梯度值；表示待处理数据中第个像素点的纵向梯度值；表示待处理数据中第个像素点的梯度方向；为反正切函数。

然后，对于待处理数据中第个像素点，将待处理数据中第个像素点为中心像素点建立一个的窗口，其中为本实施例所预设的窗口大小，的具体取值可结合实际情况设置，本实施例不做硬性要求，在本实施例中以进叙述，得到待处理数据中第个像素点的窗口；采用螺旋扫描法对待处理数据中第个像素点的窗口中的像素点进行扫描，其扫描方式如附图2所示；得到第个像素点一维像素点序列，记为第个像素点序列。

需要说明的是，第个像素点序列的长度为。

计算第个像素点序列中每个像素点与下一个像素点之间梯度方向上的相似程度，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；表示第个像素点序列中第个像素点的梯度方向；表示第个像素点序列中第个像素点的梯度方向；表示以自然常数为底数的指数函数；表示绝对值运算。

得到第个像素点的相似程度序列，记为第个相似程度序列，其中表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；

再通过第个像素点序列中每个像素点梯度值大小，获取第个像素点序列中每个像素点的重要程度权重，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点的重要程度权重；表示待处理数据中梯度值最大的像素点的梯度值；表示第个像素点序列中第个像素点的梯度值；表示以自然常数为底数的指数函数；表示预设的超参数，的具体大小可结合实际情况设置，本实施例不做硬性要求，在本实施例中以进行叙述。

需要说明的是，当的值越大说明第个像素点序列中第个像素点的梯度值就越大，即第个像素点序列中第个像素点越有可能为边缘像素点，所以的值越大第个像素点序列中第个像素点的重要程度就高；结合第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，得到第个像素点序列每个像素点与下一个像素点的重要程度，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点的重要程度；表示第个像素点序列中第个像素点的重要程度权重；表示第个像素点序列中第个像素点的重要程度权重；表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度。

同理，得到第个像素点序列每个像素点与下一个像素点的重要程度，将第个像素点序列所有像素点与下一个像素点的重要程度的均值记为，通过第个像素点序列每个像素点与下一个像素点的重要程度、以及待处理数据中第个像素点的梯度值，获取待处理数据中第个像素点的重要程度，其具体的计算公式为：

式中，表示待处理数据中第个像素点的重要程度；表示待处理数据中第个像素点的梯度值；表示待处理数据中梯度值最大的像素点的梯度值；表示第个像素点序列中第个像素点与下一个像素点的重要程度；表示第个像素点序列所有像素点与下一个像素点的重要程度的均值；为预设的窗口大小；表示以自然常数为底数的指数函数。

需要进一步说明的是，当待处理数据中第个像素点的梯度值越大，且待处理数据中第个像素点的窗口内的像素点存在明显的规律性，如像素点的梯度方向趋于平行或存在向心性，平行表示待处理数据中第个像素点所在区域存在较为明显的边缘，向心性表示待处理数据中第个像素点所在区域为凹陷或凸起区域，即平行性与向心性均存在明显的细节特征。故的值越大待处理数据中第个像素点就越重要。

至此，得到待处理数据中第个像素点的重要程度，同理得到待处理数据中所有像素点的重要程度。

步骤S003：根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点；根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围；根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围。

需要说明的是，通过步骤S002得到待处理数据中所有像素点的重要程度，又因为像素点的重要程度越大，则表示像素点所蕴含的信息越重要，因此在进行有损压缩时需要尽可能保证信息的精度，而对于重要程度小的像素点，其蕴含的信息量较少，故为了保证压缩效果，其损失程度可以较大。因此可根据待处理数据中像素点的重要程度，对待处理数据中的像素点进行分类。

具体的，预设一个重要程度阈值，的取值可结合实际情况设置，本实施例不做硬性要求，在本实施例中以进行叙述，将待处理数据中重要程度大于的像素点记为不变点；将待处理数据中重要程度小于等于的像素点记为可变点。

需要说明的是，在图像中灰度值的变化超过图像中灰度级别的5%到10%时，会令观察者感觉到明显的差异，因此可预设一个经验损失度，而的取值为5%到10%之间其具体的大小可根据实际情况设置，本实施例不做硬性要求，在本实施例中以进行叙述，结合待处理数据中的灰度级范围，获取待处理数据中像素点灰度值的最大可变范围，其具体的计算公式为：

式中，表示待处理数据中像素点灰度值的最大可变范围；表示待处理数据中灰度值最大的像素点的灰度值；表示待处理数据中灰度值最小的像素点的灰度值；表示预设的经验损失度；表示向上取整运算。

需要进一步说明的是，当可变点的重要程度越大且其在局部范围内与不变点的灰度值越相似时，则该可变点的可变范围就越小；故可以此为依据获取每个可变点的可损失值度。

具体的，对于待处理数据中第个可变点，以待处理数据中第个可变点为中心像素点建立一个的窗口，其中为本实施例所预设的可变点窗口大小，的具体取值可结合实际情况设置，本实施例不做硬性要求，在本实施例中以进叙述；将待处理数据中第个可变点窗口内的所有像素点，记为第个局部范围；获取第个局部范围内所有不变点的灰度值，结合待处理数据中第个可变点的灰度值、待处理数据中第个可变点的重要程度以及待处理数据中像素点灰度值的最大可变范围，获取待处理数据中第个可变点的可损失值度，其具体的计算公式为：

式中，表示待处理数据中第个可变点的可损失值度；表示待处理数据中第个可变点的重要程度；表示待处理数据中第个可变点的灰度值；表示第个局部范围内第个不变点的灰度值；表示第个局部范围内不变点的数量；表示待处理数据中像素点灰度值的最大可变范围；表示向上取整运算；表示以自然常数为底数的指数函数。

需要进一步说明的是，由于表示待处理数据中第个可变点的可损失值度，所以待处理数据中第个可变点变化后的灰度级范围为，其中表示待处理数据中第个可变点的灰度值，表示待处理数据中第个可变点的可损失值度；由于本实施例作为一种图像数据的有损压缩方法，若使压缩后的灰度级数量增多则会使压缩率下降；因此，若，则使；若，则使。

至此，得到待处理数据中第个可变点变化后的灰度级范围，同理得到待处理数据中所有可变点变化后的灰度级范围。

步骤S004：根据待处理数据中可变点变化后的灰度级范围获取目标数据。

需要说明的是，本实施例作为一种基于流形学习的车辆审核信息优化存储方法，其本质是提出了一种对待处理数据的有损压缩方法，而通过步骤S003得到待处理数据中所有可变点变化后的灰度级范围后，即可根据待处理数据中所有可变点变化后的灰度级范围对待处理数据中所有可变点的灰度值进行调整，令调整后的灰度直方图的分布尽可能呈现幂律分布，即可在保证像素点的精度损失尽可能小的情况下提高压缩效果，大大提高车辆审核效率。

具体的，根据待处理数据获取待处理数据的灰度直方图，统计每个灰度级在待处理数据中出现的频率集合记为，其中表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率；将每个灰度级在待处理数据中出现的频率集合中的元素按照从大到小的顺序进行排序，得到每个灰度级在待处理数据中出现的频率序列记为，其中表示待处理数据中出现的频率第大的灰度级的出现频率，表示待处理数据中出现的频率最小的灰度级的出现频率，表示待处理数据中灰度级的数量。

需要进行说明的是，幂律分布的表现形式为：记为幂律序列，令调整后的灰度直方图的分布尽可能呈现幂律分布，即根据幂律序列对待处理数据中可变点的灰度值进行调整，其具体过程为：

将频率序列中第一个频率的灰度级记为，将频率序列中第二个频率的灰度级记为，以此类推直至将频率序列中第个频率的灰度级记为；

将在待处理数据中出现的频率记为，将在待处理数据中出现的频率记为，以此类推直至将在待处理数据中出现的频率记为；

然后，比较与的大小，若，则为目标灰度级；若，则待处理灰度级；比较与的大小，若，则为目标灰度级；若，则待处理灰度级；以此类推，直至比较与的大小，若，则为目标灰度级；若，则待处理灰度级；

根据待处理灰度级在待处理数据中出现的频率按照从大到小的顺序进行排序，得到待处理灰度级序列；

将待处理灰度级序列中的第一个灰度级的灰度值记为第一基准灰度，将待处理灰度级序列中的第二个灰度级的灰度值记为第二基准灰度，以此类推，直至，将待处理灰度级序列中的倒数第一个灰度级的灰度值记为倒数第一基准灰度；

将目标灰度级中除灰度值为第一基准灰度外的所有可变点记为第一目标点，将变化后的灰度级范围包含第一基准灰度的第一目标点，记为第一特征点；将目标灰度级中除灰度值为第二基准灰度外的所有可变点记为第二目标点，将变化后的灰度级范围包含第二基准灰度的第二目标点，记为第二特征点；以此类推，直至将目标灰度级中除灰度值为倒数第一基准灰度外的所有可变点记为倒数第一目标点，将变化后的灰度级范围包含倒数第一基准灰度的倒数第一目标点，记为倒数第一特征点；

从第一特征点开始，将灰度值与第一基准灰度最接近的个第一特征点的灰度值调整为第一基准灰度，表示待处理数据中像素点的总数量，表示第一基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值；完成对第一特征点的调整，将经过调整的可变点记为第一调整点；

接着从第二特征点开始，去除第二特征点中的第一调整点，将剩余的第二特征点称为第二待调整特征点，将灰度值与第二基准灰度最接近的个第二待调整特征点的灰度值调整为第二基准灰度，式中为第二基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第二调整点，完成对第二特征点的调整；

然后从第三特征点开始，去除第三特征点中的第二调整点，将剩余的第三特征点称为第三待调整特征点，将灰度值与第三基准灰度最接近的个第三待调整特征点的灰度值调整为第三基准灰度，式中为第三基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第三调整点，完成对第三特征点的调整；

以此类推，直至完成对倒数第一特征点的调整，得到目标数据。

至此，得到目标数据。

步骤S005：对目标数据进行压缩，完成对车辆审核信息的优化存储。

需要进行说明的是，本实施例作为一种基于流形学习的车辆审核信息优化存储方法，其本质是提出了一种对待处理数据的有损压缩方法，在步骤S004完成对待处理数据中像素点的灰度级的调整得到目标数据，此时由于目标数据中的灰度级呈现幂律分布，所有目标数据中的细节部分并未丢失，此时对目标数据进行数据压缩，即可在保证像素点的精度损失尽可能小的情况下提高压缩效果，使得大大提高车辆审核效率。

具体的，采用z字扫描法对目标数据进行扫描，得到一维目标像素点序列，由于z字扫描法作为一种公知的现有技术，故本实施例不再赘述，对一维目标像素点序列中的灰度值进行统计，采用霍夫曼编码对一维目标像素点序列进行编码转换，完成对调整后的待处理车辆图像的压缩处理。

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.基于流形学习的车辆审核信息优化存储方法，其特征在于，该方法包括以下步骤：

采集车辆审核信息中的所有图像数据，对图像数据进行灰度化和去噪得到待处理数据；

获取待处理数据中所有像素点的梯度值以及梯度方向；根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度；

根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点；根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围；根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围；

根据待处理数据中可变点变化后的灰度级范围获取目标数据；

对目标数据进行压缩，完成对车辆审核信息的优化存储；

所述根据待处理数据中所有像素点的梯度值以及梯度方向获取待处理数据中所有像素点的重要程度，包括的具体方法为：

对于待处理数据中第个像素点，将待处理数据中第个像素点为中心像素点建立一个的窗口，其中为预设的窗口大小；采用螺旋扫描法对待处理数据中第个像素点的窗口中的像素点进行扫描；得到第个像素点一维像素点序列，记为第个像素点序列；

计算第个像素点序列中每个像素点与下一个像素点之间梯度方向上的相似程度，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；表示第个像素点序列中第个像素点的梯度方向；表示第个像素点序列中第个像素点的梯度方向；表示以自然常数为底数的指数函数；表示绝对值运算；

得到第个像素点的相似程度序列，记为第个相似程度序列，其中表示第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度；

再通过第个像素点序列中每个像素点梯度值大小，获取第个像素点序列中每个像素点的重要程度权重，其具体的计算公式为：

式中，表示第个像素点序列中第个像素点的重要程度权重；表示待处理数据中梯度值最大的像素点的梯度值；表示第个像素点序列中第个像素点的梯度值；表示预设的超参数；

根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度；

所述根据第个像素点序列中第个像素点的重要程度权重、第个像素点序列中第个像素点与下一个像素点之间梯度方向上的相似程度，获取第个像素点序列第个像素点与下一个像素点的重要程度，包括的具体计算公式为：

式中，表示第个像素点序列中第个像素点与下一个像素点的重要程度；表示第个像素点序列中第个像素点的重要程度权重；

得到第个像素点序列每个像素点与下一个像素点的重要程度，将第个像素点序列所有像素点与下一个像素点的重要程度的均值记为，通过第个像素点序列每个像素点与下一个像素点的重要程度、以及待处理数据中第个像素点的梯度值，获取待处理数据中第个像素点的重要程度；

所述获取待处理数据中第个像素点的重要程度，包括的具体计算公式为：

式中，表示待处理数据中第个像素点的重要程度；表示待处理数据中第个像素点的梯度值；表示待处理数据中梯度值最大的像素点的梯度值；为预设的窗口大小；

所述根据待处理数据中所有像素点的重要程度获取待处理数据中所有可变点和所有不变点，包括的具体方法为：

预设一个重要程度阈值，将待处理数据中重要程度大于的像素点记为不变点；将待处理数据中重要程度小于等于的像素点记为可变点；

所述根据待处理数据中所有像素点的灰度值获取待处理数据中像素点灰度值的最大可变范围，包括的具体计算公式为：

式中，表示待处理数据中像素点灰度值的最大可变范围；表示待处理数据中灰度值最大的像素点的灰度值；表示待处理数据中灰度值最小的像素点的灰度值；表示预设的经验损失度；表示向上取整运算。

2.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中像素点灰度值的最大可变范围、不变点和可变点获取待处理数据中所有可变点变化后的灰度级范围，包括的具体方法为：

对于待处理数据中第个可变点，以待处理数据中第个可变点为中心像素点建立一个的窗口，为预设的窗口大小；将待处理数据中第个可变点窗口内的所有像素点，记为第个局部范围；获取第个局部范围内所有不变点的灰度值，结合待处理数据中第个可变点的灰度值、待处理数据中第个可变点的重要程度以及待处理数据中像素点灰度值的最大可变范围，获取待处理数据中第个可变点的可损失值度，其具体的计算公式为：

式中，表示待处理数据中第个可变点的可损失值度；表示待处理数据中第个可变点的重要程度；表示待处理数据中第个可变点的灰度值；表示第个局部范围内第个不变点的灰度值；表示第个局部范围内不变点的数量；表示待处理数据中像素点灰度值的最大可变范围；表示向上取整运算；表示以自然常数为底数的指数函数；

所以待处理数据中第个可变点变化后的灰度级范围为。

3.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据待处理数据中可变点变化后的灰度级范围获取目标数据，包括的具体方法为：

根据待处理数据获取待处理数据的灰度直方图，统计每个灰度级在待处理数据中出现的频率集合记为，其中表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率，表示灰度级为的像素点在待处理数据中的出现频率；将每个灰度级在待处理数据中出现的频率集合中的元素按照从大到小的顺序进行排序，得到每个灰度级在待处理数据中出现的频率序列记为频率序列，其中表示待处理数据中出现的频率第大的灰度级的出现频率，表示待处理数据中出现的频率最小的灰度级的出现频率，表示待处理数据中灰度级的数量；

将频率序列中第一个频率的灰度级记为，将频率序列中第二个频率的灰度级记为，以此类推直至将频率序列中第个频率的灰度级记为；

然后，比较与的大小，若，则为目标灰度级；若，则待处理灰度级；比较与的大小，若，则为目标灰度级；若，则待处理灰度级；以此类推，直至比较与的大小，若，则为目标灰度级；若，则待处理灰度级；

根据待处理灰度级在待处理数据中出现的频率按照从大到小的顺序进行排序，得到待处理灰度级序列；

将待处理灰度级序列中的第一个灰度级的灰度值记为第一基准灰度，将待处理灰度级序列中的第二个灰度级的灰度值记为第二基准灰度，以此类推，直至，将待处理灰度级序列中的倒数第一个灰度级的灰度值记为倒数第一基准灰度；

将目标灰度级中除灰度值为第一基准灰度外的所有可变点记为第一目标点，将变化后的灰度级范围包含第一基准灰度的第一目标点，记为第一特征点；将目标灰度级中除灰度值为第二基准灰度外的所有可变点记为第二目标点，将变化后的灰度级范围包含第二基准灰度的第二目标点，记为第二特征点；以此类推，直至将目标灰度级中除灰度值为倒数第一基准灰度外的所有可变点记为倒数第一目标点，将变化后的灰度级范围包含倒数第一基准灰度的倒数第一目标点，记为倒数第一特征点；

根据所有特征点与频率序列获取目标数据。

4.根据权利要求3所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述根据所有特征点与频率序列获取目标数据，包括的具体方法为：

从第一特征点开始，将灰度值与第一基准灰度最接近的个第一特征点的灰度值调整为第一基准灰度，表示待处理数据中像素点的总数量，表示第一基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值；完成对第一特征点的调整，将经过调整的可变点记为第一调整点；

接着从第二特征点开始，去除第二特征点中的第一调整点，将剩余的第二特征点称为第二待调整特征点，将灰度值与第二基准灰度最接近的个第二待调整特征点的灰度值调整为第二基准灰度，式中为第二基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第二调整点，完成对第二特征点的调整；

然后从第三特征点开始，去除第三特征点中的第二调整点，将剩余的第三特征点称为第三待调整特征点，将灰度值与第三基准灰度最接近的个第三待调整特征点的灰度值调整为第三基准灰度，式中为第三基准灰度在待处理数据中出现的频率，表示在频率序列中的索引值，将经过调整的可变点记为第三调整点，完成对第三特征点的调整；

以此类推，直至完成对倒数第一特征点的调整，得到目标数据。

5.根据权利要求1所述基于流形学习的车辆审核信息优化存储方法，其特征在于，所述对目标数据进行压缩，完成对车辆审核信息的优化存储，包括的具体方法为：

采用z字扫描法对目标数据进行扫描，得到一维目标像素点序列，对一维目标像素点序列中的灰度值进行统计，采用霍夫曼编码对一维目标像素点序列进行编码转换，完成对调整后的待处理车辆图像的压缩处理。