CN115278255A - 一种用于力量器械安全管理的数据存储*** - Google Patents
一种用于力量器械安全管理的数据存储*** Download PDFInfo
- Publication number
- CN115278255A CN115278255A CN202211161336.7A CN202211161336A CN115278255A CN 115278255 A CN115278255 A CN 115278255A CN 202211161336 A CN202211161336 A CN 202211161336A CN 115278255 A CN115278255 A CN 115278255A
- Authority
- CN
- China
- Prior art keywords
- point
- strong
- contact area
- area
- pixel
- 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.)
- Granted
Links
Images
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
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
-
- 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
- H04N19/182—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 a pixel
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据存储领域,具体涉及一种用于力量器械安全管理的数据存储***,包括采集模块、分割模块、预处理模块、计算模块、编码模块,采集模块:用于设在仓库门框上方的相机采集使用后归还的力量器械的RGB图像,分割模块:用于对RGB图像进行通道分离,分割出RGB图像的每个单通道图像,预处理模块:用于对每个单通道图像进行超像素分割得到对应的目标图像,获取每个目标区域对应的强联系性区域和弱联系性区域,计算模块:用于获取每个强联系性区域的最小二维预测矩阵,编码模块:对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据,将编码后的数据进行存储。本发明提高了预测编码的压缩效率。
Description
技术领域
本发明涉及数据存储领域,具体涉及一种用于力量器械安全管理的数据存储***。
背景技术
随着社会的发展,人们越来越注重健身运动,人们在进行健身运动时往往会借助力量器械,以达到更好的健身效果,但是,在使用力量器械后将其随意摆放可能会对工作人员以及使用者造成身体的损伤,因此,力量器械在使用后的管理时需要做到安全管理。
而现有的对力量器械进行安全管理时,需要对力量器械进行拍照并辅以文字说明进行存储来作为力量器械管理的依据,而对力量器械进行数据存储时,往往是对力量器械的图像数据利用预测编码进行压缩;但是预测编码在对图像数据进行压缩的时候,通常是将图像转换为数据,然后根据一维图像数据之间联系性进行预测,而后根据实际值与预测值的差异进行压缩,但是这种一维的预测方式对与二维图像数据来进行预测压缩,并未结合图像中数据所在的位置,会导致预测时采样数据过多导致计算量大,从而导致力量器械图像存储时压缩效率低。
发明内容
本发明提供一种用于力量器械安全管理的数据存储***,以解决现有的力量器械图像存储时压缩效率低的问题。
本发明的一种用于力量器械安全管理的数据存储***,采用如下技术方案:
采集模块:用于相机采集使用后的力量器械的RGB图像;
分割模块:用于对RGB图像进行通道分离,分割出RGB图像的每个单通道图像;
预处理模块:用于对每个单通道图像进行分割得到多个目标区域;
获取每个目标区域的最小外接矩形,将最小外接矩形中的目标区域作为强联系性区域,将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域;
计算模块:用于利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间,获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域,根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度;
根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率;
根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性;
获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性,获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵;
编码模块:用于建立每个强联系性区域的预测模型,利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据,将编码后的数据进行存储。
进一步的,所述得到多个目标区域的方法是:
利用超像素分割对每个单通道图像进行分割得到多个目标图像;
根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值;
设置差异值阈值,当相邻超像素块的差异值大于差异值阈值时,将该相邻超像素块合并,得到目标区域,其中,每个超像素块只合并一次。
进一步的,所述每个强联系性区域对应的三维坐标空间是按如下方法确定的:
以每个强联系性区域中像素点的横坐标、纵坐标和像素值为三维坐标空间中的坐标分量建立每个强联系性区域对应的三维坐标空间。
进一步的,所述每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度的具体表达式为:
式中:表示第个点与该点的邻域对应的曲面区域的平均平整度,表
示以第个点与该点的邻域对应的曲面区域在平面的投影区域,为曲
面方程关于偏导数的平方,为曲面方程关于偏导数的平方,表示微元,表
示不同尺寸邻域。
进一步的,所述每个点在该点不同尺寸邻域方向上的平均方向变化率的具体表达式为:
进一步的,所述像素点与其不同尺寸邻域内所有像素点的联系性是按如下方法确定的:
将每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度与每个点在该点不同尺寸邻域方向上的平均方向变化率相乘得到每个点所对应的强联系性区域中对应像素点与其不同尺寸邻域内所有像素点的联系性。
进一步的,所述得到编码后的数据的方法是:
利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历,其中,利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值;将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值;
同理,利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值,并得到每个弱联系性区域对应的差值;
将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据,将编码后的数据进行存储。
本发明的有益效果是:本发明首先获取了超像素分割后的目标区域中的强联系性区域和弱联系性区域,计算了强联系性区域中每个邻域尺寸下每个点与其邻域对应的曲面区域的平均平整度和每个邻域尺寸下每个点在其邻域方向上的平均方向变化率,由于最终根据最大联系性自适应二维预测矩阵,因此,此处强联系性区域,在保证预测准确性的同时,提高了压缩效率;
其次,根据平均平整度和平均方向变化率得到强联系性区域中每个像素点与其邻域的联系性,并根据每个像素点与其邻域的联系性确定出了每个强联系性区域的最小二维预测矩阵,实现了每个强联系性区域的自适应二维预测矩阵,二维预测矩阵更符合图像的特征,所以预测的精准性更高,使得后续利用二维预测矩阵进行编码压缩时其预测误差更小,故而压缩的效率更高;由于其中的二维预测矩阵为自适应最小二维预测矩阵,所以在进行预测时,因为预测的原始数据的变少,其计算量更小,提高了压缩效率。
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,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为本发明的一种用于力量器械安全管理的数据存储***的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种用于力量器械安全管理的数据存储***的实施例,如图1所示,包括:
一、采集模块。
利用相机采集使用后的力量器械的RGB图像。
二、分割模块。
对RGB图像进行通道分离,分割出RGB图像的每个单通道图像,在对力量器械进行安全管理时采集的力量器械的图像数据为RGB图像,RGB图像具有三个通道,即RGB图像数据中每一个像素点具有三个不同通道的像素值,而RGB图像的存储也分为3个通道分别进行存储,所以需要对力量器械进行安全管理时采集的RGB图像进行通道分离得到每个单通道图像,即R通道图像、G通道图像和B通道图像,而后进行每个通道的单独存储。
三、预处理模块。
本发明以R通道图像为例,后续所有步骤均以R通道图像为例。
1、对每个单通道图像进行分割得到多个目标区域。
对R通道图像进行超像素分割得到R通道图像的超像素分割图像,将R通道图像的超像素分割图像作为R通道图像的目标图像。
利用超像素分割对每个单通道图像进行分割得到多个目标图像,根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值,设置差异值阈值,当相邻超像素块的差异值大于差异值阈值时,将该相邻超像素块合并,得到目标区域,其中,每个超像素块只合并一次。
式中:表示第个超像素块内所有像素点的灰度均值,表示第个超像素
块内所有像素点的灰度均值,表示第个超像素块内所有像素点的灰度方差,表示第个超像素块内所有像素点的灰度方差,表示第个超像素块与相邻的
第个超像素块的差异值。
其中,以第个超像素块与相邻的第个超像素块的灰度均值的差值与灰度方差
的差值的乘积来作为两个相邻超像素块之间的差异值,对第个超像素块与相邻的第个
超像素块进行量化,由于利用超像素块来进行区域划分的时候,是以整个超像素块作为基
础单位的,所以将整个超像素块内的所有像素点的灰度均值作为该超像素块的灰度值,但
是灰度均值并不能说明这个超像素块内的像素点的具体分布(可能存在某两个相邻超像素
块内的像素点灰度值分布结构完全不同,但是灰度均值相同),所以将相邻超像素块内的所
有像素点的灰度方差的差值作为这两个超像素块的波动系数,波动系数越大,说明这两个
超像素块中的像素点的分布情况差异性越强。
首先以第个超像素块作为基础,与周围相邻的所有超像素块进行差异值计算,
设置差异值阈值,当差异值小于差异值阈值时,将该超像素块与周围相邻的所有差异值
小于差异值阈值超像素块进行合并,合并后将其视为一个新的超像素块,其中,每个超像
素块只合并一次。据此,可得到多个新的超像素块,将新的超像素块作为目标区域,得到多
个目标区域。
2、获取每个目标区域的最小外接矩形,将最小外接矩形中的目标区域作为强联系性区域,将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域。
获取每个目标区域的最小外接矩形,将每个目标区域对应的外接矩形区域作为每个目标区域对应的标准化区域,将标准化区域中属于对应目标区域的部分作为该标准化区域中的强联系性区域,即该目标区域对应的强联系性区域,将标准化区域中不属于对应目标区域的部分作为该标准化区域中的弱联系性区域,即该目标区域对应的弱联系性区域,其中,标准化区域可重叠。
四、计算模块。
1、利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间,获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域,根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度。
获取每个三维坐标空间中曲面的具体步骤为:首先对第个标准化区域中的强联
系性区域建立三维坐标空间,三维坐标空间的建立方式为:轴为每个像素点的坐标,
轴为每个像素点的坐标,轴位每个像素点的灰度值。而后利用第个区域中的所有像
素点的坐标和灰度值进行像素点的空间映射,映射完毕后可获得多个空间离散点,利用所
有的空间离散点进行曲面拟合获得空间中的曲面(可利用现有技术中的函数绘制离散点获
得曲面),至此获得第个标准化区域中的强联系性区域的曲面,据此,可得到每个强
联系性区域对应曲面。
得到每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度的具体步骤为:
根据曲面进行像素点的联系性的量化,以第个标准化区域中的强联系区域第个像
素点为例(,其中为第个标准化区域中的强联系区域的像素点总个数),
进行第个像素点邻域内像素点的联系性量化(数字3表示为以第个像素点为中
心,进行邻域的计算),获取每个曲面的曲面方程,获取每个曲面中每个点与周围8邻
域的点在三维坐标空间面的投影区域,取为3时,则每个点与该点的8邻域对应的
曲面区域的平均平整度的具体表达式为:
式中:表示第个点与该点的邻域对应的曲面区域的平均平整度,表
示以第个点与该点的邻域对应的曲面区域在平面的投影区域,为曲
面方程关于偏导数的平方,为曲面方程关于偏导数的平方,表示微元,表
示不同尺寸邻域。
其中,首先利用曲面积分对该曲面进行面积计算,取为3,若以第个像素点为中
心的周围8邻域内的像素点的灰度值越接近,则该的面积越接近在平面的投
影区域,则说明该第个点作为中心与周围8邻域点在对应的强联系性区域中对应的像
素点的灰度值联系性越强,进而存在一定的联系性,所以对的面积与在平面
的投影区域做差并求取平均值来对曲面的平整度进行量化,越接近于0,则曲面越平整,即该第个点作为中心与周围8邻域点在对应的强联系性区域中对应得像素点
的灰度值联系性越强。
2、根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率。
其中,首先获取第个像素点周围8邻域的像素点在其8邻域内沿着第个像素点方
向的梯度,再对其求取平均值,计算每个方向的梯度与平均梯度的差异值并进行放大(缩
小),(由于在后续进行预测矩阵自适应时,可能会因为每个方向的梯度与平均梯度的差异
值过大或过小,导致预测矩阵的大小自适应时不能达到最小,矩阵采样的像素点过多,使得
计算量较大,浪费计算资源,因此对每个方向上的梯度值进行差异性的放大(缩小)的作用
为使得原本多个方向的梯度变化并不明显),对所有的梯度放大值进行求取平均值来作为
平均方向变化率的计算,每个方向上的差异值越大,说明该方向上的像素点与第个像素点
的联系性性越不强,利用取反函数后,则每个方向上的差异值越大,其平均方向变化率越
大,反之则相反。
3、根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性。
根据第个点在第个点8邻域方向的平均方向变化率和第个点与该点的8邻域的
平均平整度对第个点8邻域内的所有点的联系性进行量化,将第个点在第个点8邻域
方向的平均方向变化率和第个点与该点的8邻域的平均平整度相乘得到第个点8
邻域内的所有点的联系性,将第个点与该点的8邻域对应到强联系性区域中,则越
大,则说明该强联系性区域中以第个像素点为中心的区域的像素点对应的曲面越平
整,越大,说明第个像素点为中心的区域的像素点对应的曲面中沿着第个像素
点方向的空间梯度越小,因为上述中所有的参数和都是以像素点的位置信息和灰
度值等特征进行的联系性计算,所以越大,说明第个像素点与周围邻域内像素点在空间
位置上或者灰度值变化上的联系性越强,且连续性越强,建立二维预测模型时计算量越少,
预测模型建立更简单。据此,可得到每个邻域尺寸下强联系性区域中每个像素点与该像素
点邻域内所有像素点的联系性。
4、获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性,获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵。
本发明所述的最小二维预测矩阵是指在利用二维预测矩阵进行像素点的预测编
码时,利用最少的样本像素点对需要预测的像素点进行预测(样本像素点选择越少,预测模
型的建立越简单,进行预测计算时计算量越少),样本像素点越少,其预测矩阵就越小。而所
有的预测编码都是基于所有待预测物体的联系性进行预测的,故需要获得最小的二维预测
矩阵,则其联系性必须最大,以第个标准化的区域中的强联系区域为例,其最小二维预测
矩阵的自适应的具体步骤为:首先获取每个强联系性区域中每个像素点与其邻域内所有像
素点的联系性中的最大联系性,而后对第个强联系区域中最大联系性所对应的邻域尺寸
进行统计,将最大联系性对应的最多的邻域尺寸作为第个强联系性区域的最小二维预测
矩阵的尺寸,据此,可得到所有强联系性区域的最小二维预测矩阵。
五、编码模块。
建立每个强联系性区域的预测模型,利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据,将编码后的数据进行存储。
首先建立每个区域的图像的预测模型(通过像素点关联性,可利用现有技术进行线性和非线性预测模型的建立),利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历,其中,利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值;将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值,同理,利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值,并得到每个弱联系性区域对应的差值,将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据,将编码后的数据进行存储。
本发明的有益效果是:本发明首先获取了超像素分割后的目标区域中的强联系性区域和弱联系性区域,计算了强联系性区域中每个邻域尺寸下每个点与其邻域对应的曲面区域的平均平整度和每个邻域尺寸下每个点在其邻域方向上的平均方向变化率,由于最终根据最大联系性自适应二维预测矩阵,因此,此处强联系性区域,在保证预测准确性的同时,提高了压缩效率;
其次,根据平均平整度和平均方向变化率得到强联系性区域中每个像素点与其邻域的联系性,并根据每个像素点与其邻域的联系性确定出了每个强联系性区域的最小二维预测矩阵,实现了每个强联系性区域的自适应二维预测矩阵,二维预测矩阵更符合图像的特征,所以预测的精准性更高,使得后续利用二维预测矩阵进行编码压缩时其预测误差更小,故而压缩的效率更高;由于其中的二维预测矩阵为自适应最小二维预测矩阵,所以在进行预测时,因为预测的原始数据的变少,其计算量更小,提高了压缩效率。
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,凡在本发明的精神和原则之内,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 (7)
1.一种用于力量器械安全管理的数据存储***,其特征在于,包括采集模块、分割模块、预处理模块、计算模块、编码模块:
采集模块:用于相机采集使用后的力量器械的RGB图像;
分割模块:用于对RGB图像进行通道分离,分割出RGB图像的每个单通道图像;
预处理模块:用于对每个单通道图像进行分割得到多个目标区域;
获取每个目标区域的最小外接矩形,将最小外接矩形中的目标区域作为强联系性区域,将最小外接矩形中的除目标区域外的其他区域作为弱联系性区域;
计算模块:用于利用每个强联系性区域中像素点的坐标和灰度值建立每个强联系性区域对应的三维坐标空间,获取每个三维坐标空间中曲面上每个点与该点的不同尺寸邻域在三维坐标空间中的多个投影区域,根据每个投影区域得到曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度;
根据每个曲面中的每个点与该点的不同尺寸邻域内所有点的梯度得到每个点在该点不同尺寸邻域方向上的平均方向变化率;
根据曲面上每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度和每个点在该点不同尺寸邻域方向上的平均方向变化率得到该点所对应的强联系性区域中对应像素点与该像素点不同尺寸邻域内所有像素点的联系性;
获取每个强联系性区域中每个像素点与该像素点的不同尺寸邻域内所有像素点的联系性中的最大联系性,获取最大联系性对应最多的尺寸邻域作为对应强联系性区域的最小二维预测矩阵;
编码模块:用于建立每个强联系性区域的预测模型,利用每个强联系性区域的最小二维预测矩阵和对应强联系性区域的预测模型对每个强联系性区域和对应的弱联系区域进行预测编码得到编码后的数据,将编码后的数据进行存储。
2.根据权利要求1所述的一种用于力量器械安全管理的数据存储***,其特征在于,所述得到多个目标区域的方法是:
利用超像素分割对每个单通道图像进行分割得到多个目标图像;
根据每个目标图像中相邻超像素块内所有像素点的灰度均值和灰度方差得到相邻超像素块的差异值;
设置差异值阈值,当相邻超像素块的差异值大于差异值阈值时,将该相邻超像素块合并,得到目标区域,其中,每个超像素块只合并一次。
3.根据权利要求1所述的一种用于力量器械安全管理的数据存储***,其特征在于,所述每个强联系性区域对应的三维坐标空间是按如下方法确定的:
以每个强联系性区域中像素点的横坐标、纵坐标和像素值为三维坐标空间中的坐标分量建立每个强联系性区域对应的三维坐标空间。
6.根据权利要求1所述的一种用于力量器械安全管理的数据存储***,其特征在于,所述像素点与其不同尺寸邻域内所有像素点的联系性是按如下方法确定的:
将每个点与该点的不同尺寸邻域对应的曲面区域的平均平整度与每个点在该点不同尺寸邻域方向上的平均方向变化率相乘得到每个点所对应的强联系性区域中对应像素点与其不同尺寸邻域内所有像素点的联系性。
7.根据权利要求1所述的一种用于力量器械安全管理的数据存储***,其特征在于,所述得到编码后的数据的方法是:
利用每个强联系性区域的最小二维预测矩阵对该强联系性区域进行遍历,其中,利用每个强联系性区域中最小二维预测矩阵中的所有的非中心像素点对该强联系性区域中的最小二维预测矩阵所在的位置进行中心像素点的灰度值的预测得到预测灰度值;将同一位置的预测灰度值和预测模型中的灰度值作差得到每个强联系性区域对应的差值;
同理,利用强联系区域的最小二维预测矩阵和预测模型对同一标准化区域中的弱联系区域进行预测灰度值,并得到每个弱联系性区域对应的差值;
将每个强联系性区域对应的差值和每个弱联系性区域对应的差值作为编码后的数据,将编码后的数据进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161336.7A CN115278255B (zh) | 2022-09-23 | 2022-09-23 | 一种用于力量器械安全管理的数据存储*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161336.7A CN115278255B (zh) | 2022-09-23 | 2022-09-23 | 一种用于力量器械安全管理的数据存储*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115278255A true CN115278255A (zh) | 2022-11-01 |
CN115278255B CN115278255B (zh) | 2022-12-20 |
Family
ID=83757732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161336.7A Active CN115278255B (zh) | 2022-09-23 | 2022-09-23 | 一种用于力量器械安全管理的数据存储*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115278255B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013314A1 (en) * | 2004-06-07 | 2006-01-19 | Stmicroelectronics S.R.L. | Method and architecture for compressing image data acquired from a bayer color filter array |
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
US20220038745A1 (en) * | 2019-02-01 | 2022-02-03 | Peking University Shenzhen Graduate School | Methods, Systems, Devices and Computer-readable Mediums for Encoding and Decoding Transform |
WO2022022278A1 (zh) * | 2020-07-29 | 2022-02-03 | Oppo广东移动通信有限公司 | 帧间预测方法、编码器、解码器以及计算机存储介质 |
CN114693816A (zh) * | 2022-04-02 | 2022-07-01 | 河南睿焓电子科技有限公司 | 一种智能化图像大数据存储方法 |
CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及*** |
-
2022
- 2022-09-23 CN CN202211161336.7A patent/CN115278255B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013314A1 (en) * | 2004-06-07 | 2006-01-19 | Stmicroelectronics S.R.L. | Method and architecture for compressing image data acquired from a bayer color filter array |
US20220038745A1 (en) * | 2019-02-01 | 2022-02-03 | Peking University Shenzhen Graduate School | Methods, Systems, Devices and Computer-readable Mediums for Encoding and Decoding Transform |
WO2022022278A1 (zh) * | 2020-07-29 | 2022-02-03 | Oppo广东移动通信有限公司 | 帧间预测方法、编码器、解码器以及计算机存储介质 |
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
CN114693816A (zh) * | 2022-04-02 | 2022-07-01 | 河南睿焓电子科技有限公司 | 一种智能化图像大数据存储方法 |
CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及*** |
Non-Patent Citations (2)
Title |
---|
JORDAN HIATT等: "Improving Visual Neuroscience Cell Type Classification with Supervised Machine Learning", 《 2022 SYSTEMS AND INFORMATION ENGINEERING DESIGN SYMPOSIUM (SIEDS)》 * |
吴一全等: "基于变邻域变步长LMS背景预测检测红外小目标", 《宇航学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115278255B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023134791A2 (zh) | 一种环境安防工程监测数据管理方法及*** | |
CN113516135B (zh) | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 | |
CN117615088B (zh) | 一种安全监控的视频数据高效存储方法 | |
CN112990077B (zh) | 基于联合学习与光流估计的面部动作单元识别方法及装置 | |
WO2022083335A1 (zh) | 一种基于自我注意力机制的行为识别方法 | |
CN102663375B (zh) | H.264中基于数字水印技术的主动目标识别方法 | |
CN114120361B (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN102291581B (zh) | 支持帧场自适应运动估计的实现方法 | |
CN108347612A (zh) | 一种基于视觉注意机制的监控视频压缩与重构方法 | |
CN116156196B (zh) | 一种用于视频数据的高效传输方法 | |
CN116205962B (zh) | 基于完整上下文信息的单目深度估计方法及*** | |
CN117274820B (zh) | 一种测绘地理信息地图数据采集方法及*** | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
CN112468808B (zh) | 一种基于强化学习的i帧目标带宽分配方法及装置 | |
CN115278255B (zh) | 一种用于力量器械安全管理的数据存储*** | |
CN113240585A (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN116233479B (zh) | 基于数据处理的直播信息内容审核***及方法 | |
CN117560511A (zh) | 基于图分割技术电力巡检的间隔棒图像压缩方法及*** | |
CN117011280A (zh) | 基于点云分割的3d打印混凝土墙质量监测方法及*** | |
CN113610746A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN112399177A (zh) | 一种视频编码方法、装置、计算机设备及存储介质 | |
CN113810654A (zh) | 图像视频的上传方法、装置、存储介质以及电子设备 | |
CN116912645A (zh) | 融合纹理和几何特征的三维目标检测方法及装置 | |
CN113901868B (zh) | 一种变电现场安全监控方法及*** | |
CN114758387B (zh) | 基于单帧rgb图像的轻量级人脸反欺诈方法及装置 |
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 |