CN115311375A - 用于格纹织物数据的压缩存储、传输方法及*** - Google Patents

用于格纹织物数据的压缩存储、传输方法及*** Download PDF

Info

Publication number
CN115311375A
CN115311375A CN202211235883.5A CN202211235883A CN115311375A CN 115311375 A CN115311375 A CN 115311375A CN 202211235883 A CN202211235883 A CN 202211235883A CN 115311375 A CN115311375 A CN 115311375A
Authority
CN
China
Prior art keywords
image
images
degree
category
value
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
Application number
CN202211235883.5A
Other languages
English (en)
Other versions
CN115311375B (zh
Inventor
黄顺德
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.)
Nantong Ansheng Textile Co ltd
Original Assignee
Nantong Ansheng Textile 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 Nantong Ansheng Textile Co ltd filed Critical Nantong Ansheng Textile Co ltd
Priority to CN202211235883.5A priority Critical patent/CN115311375B/zh
Publication of CN115311375A publication Critical patent/CN115311375A/zh
Application granted granted Critical
Publication of CN115311375B publication Critical patent/CN115311375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于格纹织物数据的压缩存储、传输方法及***，该方法包括：获取格纹织物灰度图像，根据图像的灰度直方图中极大值极小值的数量确定簇类个数的取值范围，根据不同的簇类个数获得对应的聚类分割图像；对不同簇类个数对应的聚类分割图像进行预处理获得各类别对应的类别图像，根据类别图像上行像素点的灰度值曲线拟合得到行和曲线；根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度；根据聚类分割图像对应的所有类别图像的周期程度得到该图像对应的簇类个数的优选程度；获取优选程度最大值对应的聚类分割图像，对该聚类分割图像进行压缩存储并传输。本发明实现了自适应簇类个数的选取。

Description

用于格纹织物数据的压缩存储、传输方法及***
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于格纹织物数据的压缩存储、传输方法及***。
背景技术
图像进行传输时为了减少内存空间、提高传输效率通常会采用压缩的方式，压缩通过提高空间冗余来减少数据大小以节省保存空间及传输时间。当前压缩方式多是基于空间冗余的，即重复数据。而格纹织物图像中有些区域本该像素一致，但由于现实光照、成像等原因，会导致像素不一致，给数据压缩带来噪声，降低了压缩的程度，增加了不必要的存储空间。
现有技术多是通过改变分辨率的方式来增加空间冗余程度，但这样会减少图像的清晰程度，或者使用滤波去噪的方式处理图像，但滤波选择性较多，不同滤波会有不同效果，难以自适应选择，进而影响压缩的效果。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于格纹织物数据的压缩存储、传输方法，所采用的技术方案具体如下：
获取格纹织物灰度图像，统计该图像对应的灰度直方图，根据灰度直方图中极大值极小值的数量确定簇类个数的取值范围，根据不同的簇类个数获得对应的聚类分割图像；
对不同簇类个数对应的聚类分割图像进行预处理获得各类别对应的类别图像，根据类别图像上行像素点的灰度值累加的数值进行曲线拟合得到行和曲线；根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度；
将聚类分割图像对应的所有类别图像的周期程度进行累加得到该图像对应的簇类个数的优选程度；获取优选程度最大值对应的聚类分割图像，对该聚类分割图像进行压缩存储并传输。
优选地，所述根据灰度直方图中极大值极小值的数量确定簇类个数的取值范围具体为：
将极大值的数量记为a，将极小值的数量记为b，计算极大值和极小值的数量之和，记为c=a+b，则簇类个数的取值范围为[a,c]。
优选地，所述各类别对应的类别图像的获取方法具体为：
每一个簇类个数K的取值均对应一个K个类别的集合，将所有属于第1类别集合中的像素点标记为1，将其他像素点标记为0，得到二值遮罩图像，将此二值遮罩图像与原始的聚类分割图像相乘，得到第1类别集合像素点对应的类别图像，进而获得所有类别图像。
优选地，所述根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度之前还包括：
计算行和曲线上各点的导数值，去除不存在导数值的点，将去除点后的行和曲线进行区间划分，得到各间断区间。
优选地，所述根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度具体为：
将行和曲线上每个间断区间内各点的倒数方向的角度构成导数方向的角度序列，计算该序列中相邻两个元素的差值得到差值序列，计算差值序列中所有元素的方差得到间断区间的异常程度；将类别图像对应的所有间断区间的异常程度进行归一化操作后再累加，得到类别图像的周期程度。
本发明还提供了一种用于格纹织物数据的压缩存储、传输***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种用于格纹织物数据的压缩存储、传输方法的步骤。
本发明实施例至少具有如下有益效果：
本发明通过结合格纹织物图像的颜色特征得到了簇类个数范围，进而通过格纹织物的周期性特征得到最优K值，弥补了聚类算法需要人工预先设定K值的缺陷，使得利用K-means聚类算法对图像进行分割时对于人工设定的依赖性降低，实现了自适应K值的选取。通过对格纹织物图像根据自适应得到的K值进行聚类分割后的图像进行压缩，去除了由于传输及采集过程中产生的不必要的噪声点，图像空间冗余度提升，提高了图像的压缩程度，节省了存储空间或传输空间。
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是本发明的一种用于格纹织物数据的压缩存储、传输方法的方法流程图。
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一种用于格纹织物数据的压缩存储、传输方法及***，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一种用于格纹织物数据的压缩存储、传输方法及***的具体方案。
本发明的主要目的是：对于进行压缩的图像，本发明结合格纹织物的周期性特征得到最优的簇类个数，根据簇类个数对图像进行分割处理，进而进行压缩。
本发明所针对的场景为：传送图像需要对图像进行压缩操作，格纹织物图像由于其本身的特性，色彩分布规律，图像的冗余程度较低，直接进行压缩时所耗费空间较大，利用聚类分割方法先对图像进行处理，进而压缩，可减少储存空间。
实施例1：
请参阅图1，其示出了本发明一个实施例提供的一种用于格纹织物数据的压缩存储、传输方法的方法流程图，该方法包括以下步骤：
步骤一，获取格纹织物灰度图像，统计该图像对应的灰度直方图，根据灰度直方图中极大值极小值的数量确定簇类个数的取值范围，根据不同的簇类个数获得对应的聚类分割图像。
具体地，在生产线上方放置采集装置，在合适的光照条件下采集生产完毕的格纹织物图像。首先将采集得到的格纹织物图像进行灰度化处理得到对应的灰度图像，即通过大津阈值法将图像转化为二值图，设定此时背景区域像素点值为0，将得到的二值图与原图像相乘，去除生产线背景区域，得到格纹织物区域图像，对格纹织物区域图像进行加权平均灰度化处理，得到格纹织物灰度图像。
需要说明的是，在对图像进行聚类时，当设定的簇类个数的取值过大时，会得到一些不必要分割出来的类别，当设定的簇类个数的取值过小时，会损失图像质量，丢失图像大量的信息。故为了分析不同簇类个数对应的聚类效果，需要先获取簇类个数的取值。
同时，由于灰度直方图可以体现图像像素点的概率密度信息，先根据图像对应的灰度直方图可以大致获取簇类个数的取值范围。为了判断在哪种情况下图像分割达到最优，需对得到的簇类个数范围进行遍历。
统计格纹织物灰度图像对应的灰度直方图，由于灰度直方图可体现图像的概率密度信息，若图像中该灰度值像素点个数较多，体现在灰度直方图中该灰度值对应的纵坐标值越大。对于格纹织物图像而言，其呈现周期性排列，可通过灰度直方图中极值点的数目得到该图像的大致颜色个数范围。
在统计图像的灰度直方图之前，需对图像进行平滑处理，去除极大值和极小值的影响，进而获取极大值的数量与极小值的数量。将极大值的数量记为a，将极小值的数量记为b，计算极大值和极小值的数量之和，记为c=a+b，则簇类个数的取值范围为[a,c]，且簇类的取值为整数。遍历该取值范围内的每一个数值，分别对图像进行聚类分割处理，得到对应的聚类分割图像。
步骤二，对不同簇类个数对应的聚类分割图像进行预处理获得各类别对应的类别图像，根据类别图像上行像素点的灰度值累加的数值进行曲线拟合得到行和曲线；根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度。
首先，需要说明的是，由于上述已经得到不同簇类个数下的聚类分割图像，对于不同格纹织物而言，所对应的最优分割簇类个数不同。需对得到的每一聚类分割图像进行分析，根据格纹织物图像的周期性得到每一聚类分割图像的优选程度，进而根据优选程度得到最优分割对应的簇类个数。
对于分割得到的图像，理想的分割效果是保留图像多数信息的同时去除由于成像、传输带来的噪声。对于格纹织物而言，若簇类个数较少，会丢失图像大多信息，若簇类个数较多，则会增加噪声点，影响图像质量。因此需要对每一聚类结果进行分析，根据格纹织物的周期性特征进而得到K值的合理程度，进而得到最优簇类个数。
由于格纹织物具有周期性，可先根据每一类别图像中像素点的位置信息得到该类别像素点的周期性。故先需要对不同簇类个数对应的聚类分割图像进行预处理获取对应的类别图像。每一个簇类个数K的取值均对应一个K个类别的集合，将所有属于第1类别集合中的像素点标记为1，将其他像素点标记为0，得到二值遮罩图像，将此二值遮罩图像与原始的聚类分割图像相乘，得到第1类别集合像素点对应的类别图像，对所有类别的像素点均按照上述方法进行遍历，得到所有类别图像。
然后，由于每一类别图像分割得到的效果不一，需对每一类别图像中的所有像素点进行分析其周期性。具体地，对于任意一个类别图像，将该类别图像中每一行的像素点的灰度值分别进行累加，根据累加得到的数值与类别图像中的行数进行曲线拟合，获得类别图像的行和曲线。
由于行和曲线可以体现图像的像素点的位置区间，可通过分析行和曲线得到图像的周期性。由于当该类别图像达到一个较为合理的分割时，得到的行和曲线呈现一种周期性排列，此时曲线较为平滑。当该图像分割不完全或过度分割时，每一类别图像会存在较多噪声点，体现在行和曲线上，行和曲线会存在突变情况。
由于当该类别图像中分割较完全时，行和曲线上每点的导数方向呈现较平稳变化，当该类别图像中分割出现噪声点或分割不完全时，行和曲线上每点的导数方向会出现突变。将得到的类别图像的行和曲线记为
Figure 80563DEST_PATH_IMAGE001
，求取该曲线上每点对应的导数值，记其中导数不存在点的数量为N，首先去这些点的影响，将去除这些点的行和曲线记为
Figure 935386DEST_PATH_IMAGE002
，由于导数不为0的点多集中分布在格纹织物区域的边缘部分，则得到的曲线
Figure 652807DEST_PATH_IMAGE002
为一些间断区间，进而获取该行和曲线上的间断区域。
获取行和曲线上每个间断区间内各点的倒数方向，第一个点的导数方向为
Figure 720120DEST_PATH_IMAGE003
，获取导数方向与横坐标轴的夹角为
Figure 737754DEST_PATH_IMAGE004
，进而获取曲线上每点的导数方向对应的角度
Figure 497900DEST_PATH_IMAGE004
值，将得到的所有
Figure 699687DEST_PATH_IMAGE004
值计入导数方向的角度序列
Figure 836270DEST_PATH_IMAGE005
中。对于每一间断区间而言，当得到的导数方向的角度序列
Figure 177252DEST_PATH_IMAGE005
中两点之间的导数方向的角度差异较小，说明该区间中分割程度较好，当得到的导数方向的角度序列
Figure 108299DEST_PATH_IMAGE005
中两点之间的导数方向的角度差异较大时，说明该区间存在噪声点影响判断。
记导数方向的角度序列
Figure 659366DEST_PATH_IMAGE005
的差值序列为
Figure 334061DEST_PATH_IMAGE006
，所述差值序列中的元素为导数方向的角度序列中相邻两个元素的差值，进而计算间断区间的异常程度，用公式表示为：
Figure DEST_PATH_IMAGE007
其中，
Figure 732813DEST_PATH_IMAGE008
表示对序列
Figure 100340DEST_PATH_IMAGE006
中的数据求方差，体现序列
Figure 276719DEST_PATH_IMAGE006
中元素取值的波动程度，能够反映当前间断区间的异常程度，若分割效果较优，差值序列中数据差异较小，序列中数据的波动程度较小，
Figure 489526DEST_PATH_IMAGE008
的取值较小，若分割较差，间断区间存在噪声，差值序列中数据差异较大，序列中数据的波动程度较大，
Figure 70680DEST_PATH_IMAGE008
的取值较大。
按照上述方法进而获得每一个间断区域的异常程度，对各间断区间对应的异常程度进行归一化操作，获得每一间断区间的周期程度，用公式表示为：
Figure 77950DEST_PATH_IMAGE009
其中，
Figure 744555DEST_PATH_IMAGE010
表示第m个间断区间的周期程度，
Figure 761052DEST_PATH_IMAGE011
表示对第m个间断区间对应的异常程度P，
Figure 196713DEST_PATH_IMAGE012
表示所有区间中异常程度最大值，
Figure 906043DEST_PATH_IMAGE013
表示所有区间中异常程度最小值。当该间断区间异常程度越大时，
Figure 791435DEST_PATH_IMAGE011
值越大，
Figure 346044DEST_PATH_IMAGE010
值越小，该间断区间的周期程度越差，分割程度越差，当该间断区间的异常程度越小时，
Figure 636211DEST_PATH_IMAGE011
值越小，
Figure 516442DEST_PATH_IMAGE010
越大，该区间的周期程度越好，分割程度越好。将类别图像对应的所有间断区域的周期程度进行累加得到该类别图像的周期程度。
步骤三，将聚类分割图像对应的所有类别图像的周期程度进行累加得到该图像对应的簇类个数的优选程度；获取优选程度最大值对应的聚类分割图像，对该聚类分割图像进行压缩存储并传输。
具体地，在每一类别图像中，求取所有类别图像的行和曲线并计算该类别图像对应的周期程度，当类别图像的周期程度小于阈值时，标记该类别图像为周期图像，当类别图像的周期程度大于阈值时，标记此周期图像为异常图像，得到每一类别图像的处理结果。其中，阈值的取值需实施者根据实际情况进行设置。
对于每一个簇类个数的取值，均对应一个聚类分割图像，将聚类分割图像对应的所有类别图像的周期程度进行累加得到该图像对应的簇类个数的优选程度，用公式表示为：
Figure 626481DEST_PATH_IMAGE014
其中，A表示簇类个数K的取值对应的优选程度，
Figure 984781DEST_PATH_IMAGE015
表示第n张类别图像的周期程度，N表示簇类个数对应的聚类分割图像的类别图像的数量。
Figure 395034DEST_PATH_IMAGE016
为该K值对应的所有类别图像周期程度的求和，表示此K值所对应的合理程度。当该K值对应的分割程度较优时，该K值下的每一类别图像其优选程度越大，
Figure 242904DEST_PATH_IMAGE016
值越大。反之，当图中分割程度较差时该K值下的每一类别图像其优选程度越大，
Figure 243834DEST_PATH_IMAGE016
值越小。
进一步的，获取优选程度的最大值对应的聚类分割图像，该图像的分割程度最优，将该聚类分割图像对应的簇类个数K的取值记为最优分割簇类个数，则利用该最优分割簇类个数获得的分割图像记为最优分割结果。
对最优分割结果的聚类分割图像采用行程编码方式进行压缩，当图中每行存在颜色相同的像素点时，仅需要存储一个像素点的像素值及具有此像素值的像素点个数即可，例如，该行像素值为120，120，120，120，130，130，130，则可将其压缩为（120，4）（130，3）。遍历图像中所有像素点，对图像进行压缩，得到压缩后的格纹织物图像，将该图像进行存储及传输。
实施例2：
本实施例提供了一种用于格纹织物数据的压缩存储、传输***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种用于格纹织物数据的压缩存储、传输方法的步骤。由于实施例1已经对一种用于格纹织物数据的压缩存储、传输方法进行了详细的阐述，此处不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种用于格纹织物数据的压缩存储、传输方法，其特征在于，该方法包括以下步骤：
获取格纹织物灰度图像，统计该图像对应的灰度直方图，根据灰度直方图中极大值极小值的数量确定簇类个数的取值范围，根据不同的簇类个数获得对应的聚类分割图像；
对不同簇类个数对应的聚类分割图像进行预处理获得各类别对应的类别图像，根据类别图像上行像素点的灰度值累加的数值进行曲线拟合得到行和曲线；根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度；
将聚类分割图像对应的所有类别图像的周期程度进行累加得到该图像对应的簇类个数的优选程度；获取优选程度最大值对应的聚类分割图像，对该聚类分割图像进行压缩存储并传输。
2.根据权利要求1所述的一种用于格纹织物数据的压缩存储、传输方法，其特征在于，所述根据灰度直方图中极大值极小值的数量确定簇类个数的取值范围具体为：
将极大值的数量记为a，将极小值的数量记为b，计算极大值和极小值的数量之和，记为c=a+b，则簇类个数的取值范围为[a,c]。
3.根据权利要求1所述的一种用于格纹织物数据的压缩存储、传输方法，其特征在于，所述各类别对应的类别图像的获取方法具体为：
每一个簇类个数K的取值均对应一个K个类别的集合，将所有属于第1类别集合中的像素点标记为1，将其他像素点标记为0，得到二值遮罩图像，将此二值遮罩图像与原始的聚类分割图像相乘，得到第1类别集合像素点对应的类别图像，进而获得所有类别图像。
4.根据权利要求1所述的一种用于格纹织物数据的压缩存储、传输方法，其特征在于，所述根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度之前还包括：
计算行和曲线上各点的导数值，去除不存在导数值的点，将去除点后的行和曲线进行区间划分，得到各间断区间。
5.根据权利要求1所述的一种用于格纹织物数据的压缩存储、传输方法，其特征在于，所述根据行和曲线上相邻点的导数方向的差异计算类别图像的周期程度具体为：
将行和曲线上每个间断区间内各点的倒数方向的角度构成导数方向的角度序列，计算该序列中相邻两个元素的差值得到差值序列，计算差值序列中所有元素的方差得到间断区间的异常程度；将类别图像对应的所有间断区间的异常程度进行归一化操作后再累加，得到类别图像的周期程度。
6.一种用于格纹织物数据的压缩存储、传输***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的一种用于格纹织物数据的压缩存储、传输方法的步骤。
CN202211235883.5A 2022-10-10 2022-10-10 用于格纹织物数据的压缩存储、传输方法及*** Active CN115311375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211235883.5A CN115311375B (zh) 2022-10-10 2022-10-10 用于格纹织物数据的压缩存储、传输方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211235883.5A CN115311375B (zh) 2022-10-10 2022-10-10 用于格纹织物数据的压缩存储、传输方法及***

Publications (2)

Publication Number Publication Date
CN115311375A true CN115311375A (zh) 2022-11-08
CN115311375B CN115311375B (zh) 2023-04-07

Family

ID=83868118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211235883.5A Active CN115311375B (zh) 2022-10-10 2022-10-10 用于格纹织物数据的压缩存储、传输方法及***

Country Status (1)

Country Link
CN (1) CN115311375B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802056A (zh) * 2023-01-31 2023-03-14 南通凯沃智能装备有限公司 用于移动终端的用户数据压缩存储方法
CN115834895A (zh) * 2023-02-22 2023-03-21 创银科技(南通)有限公司 用于无人机的数据高效压缩存储方法
CN116503633A (zh) * 2023-07-03 2023-07-28 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060171589A1 (en) * 2005-01-11 2006-08-03 Fujitsu Limited Grayscale character dictionary generation apparatus
CN105354814A (zh) * 2015-08-17 2016-02-24 电子科技大学 一种分割红外图像的方法
CN114758185A (zh) * 2022-06-16 2022-07-15 南通倍佳机械科技有限公司 一种基于灰度色差的注塑参数控制方法与***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060171589A1 (en) * 2005-01-11 2006-08-03 Fujitsu Limited Grayscale character dictionary generation apparatus
CN105354814A (zh) * 2015-08-17 2016-02-24 电子科技大学 一种分割红外图像的方法
CN114758185A (zh) * 2022-06-16 2022-07-15 南通倍佳机械科技有限公司 一种基于灰度色差的注塑参数控制方法与***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802056A (zh) * 2023-01-31 2023-03-14 南通凯沃智能装备有限公司 用于移动终端的用户数据压缩存储方法
CN115834895A (zh) * 2023-02-22 2023-03-21 创银科技(南通)有限公司 用于无人机的数据高效压缩存储方法
CN115834895B (zh) * 2023-02-22 2023-12-15 上海每时每刻文化传播有限公司 用于无人机的数据高效压缩存储方法
CN116503633A (zh) * 2023-07-03 2023-07-28 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法
CN116503633B (zh) * 2023-07-03 2023-09-05 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法

Also Published As

Publication number Publication date
CN115311375B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115311375B (zh) 用于格纹织物数据的压缩存储、传输方法及***
CN116310360A (zh) 一种电抗器表面缺陷检测方法
US20060245499A1 (en) Detection of artifacts resulting from image signal decompression
CN114926436A (zh) 一种用于周期性花纹织物的缺陷检测方法
CN113808138A (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN115661669B (zh) 一种基于视频监控的耕地违法占用监测方法及***
CN117496359B (zh) 基于三维点云的植物种植布局监测方法及***
CN110324617B (zh) 图像处理方法及装置
CN112232356A (zh) 一种基于合群度和边界特征的事件相机去噪方法
US20080205786A1 (en) Method and system for filtering images in video coding
CN117291843B (zh) 一种图像数据库高效管理方法
CN111709964B (zh) 一种pcba目标边缘检测方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和***
CN115439804A (zh) 一种用于高铁检修的监测方法以及装置
CN117809379B (zh) 一种基于监控摄像机的智能人形识别报警***及方法
CN117541582B (zh) 一种高频变频器igbt绝缘质量检测方法
CN116563168A (zh) 一种地质测绘数据实时采集存储方法及***
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN111242051A (zh) 一种车辆识别优化方法、装置及存储介质
CN112560740A (zh) 一种基于PCA-Kmeans的可见光遥感影像变化检测方法
CN117423113B (zh) 一种档案ocr图像自适应去噪方法
CN112614069B (zh) 人脸图片降维模糊预处理方法
CN118037735B (zh) 一种电缆绝缘表皮破损识别方法
CN117314728B (zh) 一种gpu运行调控方法及***
CN117475157B (zh) 基于无人机遥感的农业种植增强监测方法

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