CN115563331B - 适用于影像优化的数据处理方法 - Google Patents
适用于影像优化的数据处理方法 Download PDFInfo
- Publication number
- CN115563331B CN115563331B CN202211409634.3A CN202211409634A CN115563331B CN 115563331 B CN115563331 B CN 115563331B CN 202211409634 A CN202211409634 A CN 202211409634A CN 115563331 B CN115563331 B CN 115563331B
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- optimization
- subset
- frame
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 210
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000004806 packaging method and process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 140
- 238000000034 method Methods 0.000 claims description 28
- 238000012986 modification Methods 0.000 claims description 26
- 230000004048 modification Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 238000012856 packing Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 10
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种适用于影像优化的数据处理方法,包括:基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧;提取第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合;根据差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签;计算第一影像数据、第二影像数据之间的影像区别系数,根据影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包;存储单元根据每个影像优化数据包所对应的影像区别系数对所有的影像优化数据包进行排序。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种适用于影像优化的数据处理方法。
背景技术
随着多媒体技术和网络技术的飞速发展和广泛应用,人们在日常生活和生产活动中会大量使用影像信息;为了提高影像质量,需要进行影像优化,影像优化是用于优化影像数据中的相关参数,例如优化分辨率参数和灰度参数等,以改善影像数据的视觉效果。
现有技术中,无法结合影像数据的参数,协助工作人员对优化前后的影像数据差异进行自动、有效的分析。
发明内容
本发明实施例提供一种适用于影像优化的数据处理方法,可以结合影像数据的参数,协助工作人员对优化前后的影像数据差异进行自动、有效的分析并展示。
本发明实施例的第一方面,提供一种适用于影像优化的数据处理方法,包括:
获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧;
若第一影像帧和第二影像帧相对应,则提取所述第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合;
将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签;
根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包;
存储单元根据每个影像优化数据包所对应的影像区别系数对所有的影像优化数据包进行排序。
可选地,在第一方面的一种可能实现方式中,所述获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧,包括:
预设提取模型获取第一影像数据的第一影像时长、第二影像数据的第二影像时长,若所述第一影像时长与第二影像时长相对应,则根据第一影像数据的第一影像数据值、第二影像数据的第二影像数据值进行计算得到影像数据差值;
预设提取模型根据影像数据差值、第一影像时长、第二影像时长的长度进行计算得到单位时间段内所采集影像帧的数量;
预设提取模型根据单位时间段内所采集影像帧的数量、第一影像时长、第二影像时长的长度进行计算,得到完整第一影像时长、第二影像时长所分别对应的第一影像帧、第二影像帧的时刻点,得到相对应的时刻点集合;
预设提取模型按照所述时刻点集合采集第一影像数据和第二影像数据内相应时刻点的图像帧得到相对应的第一影像帧、第二影像帧;
通过以下公式计算单位时间段内所采集影像帧的数量,
可选地,在第一方面的一种可能实现方式中,还包括:
将单位时间段内所采集影像帧的数量发送至训练端处进行显示,若训练端处的训练人员输入确认信息,则不对预设提取模型的训练梯度参数进行调整;
若训练端处的训练人员输入影像帧修改信息,则将影像帧修改信息所对应的数量作为单位时间段内所采集影像帧的数量;
根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对预设提取模型的训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数。
可选地,在第一方面的一种可能实现方式中,所述根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数,包括:
若影像帧修改信息的数量大于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行正向训练的训练因子;
若影像帧修改信息的数量小于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行负向训练的训练因子;
根据正向训练的训练因子、负向训练的训练因子对训练梯度参数进行计算得到训练后的训练梯度参数,通过以下公式计算得到训练后的训练梯度参数,
可选地,在第一方面的一种可能实现方式中,所述若第一影像帧和第二影像帧相对应,则提取所述第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合,包括:
提取每一个第一影像帧和第二影像帧分别对应的时刻点,若判断第一影像帧和第二影像帧的时刻点相对应,则判断第一影像帧和第二影像帧相对应;
提取每个第一影像帧和第二影像帧的第一属性维度和第二属性维度,所述第一属性维度和第二属性维度分别包括分辨率维度和灰度维度,根据每个第一属性维度和第二属性维度得到相对应的第一子集和第二子集;
根据所有时刻点分别对应的第一子集和第二子集,得到的第一影像帧和第二影像帧分别对应的第一属性集合和第二属性集合。
可选地,在第一方面的一种可能实现方式中,所述将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签,包括:
将相同时刻点的第一子集和第二子集进行比对,若第一子集和第二子集的分辨率不同,则对第一子集和第二子集添加分辨率优化标签;
若第一子集和第二子集的灰度不同,则对第一子集和第二子集添加灰度优化标签;
统计具有分辨率优化标签和/或灰度优化标签的第一子集和第二子集,生成差异属性集合,统计添加分辨率优化标签和/或灰度优化标签的所有时刻点生成影像优化序列表,所述分辨率优化标签和灰度优化标签属于影像优化标签。
可选地,在第一方面的一种可能实现方式中,所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包,包括:
根据影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,将具有分辨率优化标签的第一子集和第二子集之间的分辨率进行比对得到分辨率区别系数;
将具有灰度优化标签的第一子集和第二子集之间的灰度进行比对得到灰度区别系数;
根据所述分辨率区别系数、灰度区别系数进行综合计算,得到第一影像数据、第二影像数据之间的影像区别系数,通过以下公式计算影像区别系数,
其中,为第一影像数据、第二影像数据之间的影像区别系数,为第个时
刻点的第一子集和第二子集之间所对应的分辨率区别系数,为具有分辨率区别系数的
时刻点的上限值,为具有分辨率区别系数的时刻点的数量值,为分辨率归一化值,为分辨率权重值,为具有灰度区别系数的第个时刻点的第一子集所对应的灰度
值,为具有灰度区别系数的时刻点的第一子集的上限值,为具有灰度区别系数的时刻
点的第一子集的数量值,为具有灰度区别系数的第个时刻点的第二子集所对应的灰度
值,为具有灰度区别系数的时刻点的第二子集的上限值,为具有灰度区别系数的时
刻点的第二子集的数量值,为灰度归一化值,为灰度权重值,为第个时刻点
的第一子集和第二子集之间所对应的分辨率区别系数,为第个时刻点的第一子集所对
应的横向的像素点数量,为第个时刻点的第二子集所对应的横向的像素点数量,
为第个时刻点的第一子集所对应的纵向的像素点数量,为第个时刻点的第二子集
所对应的纵向的像素点数量,为第个时刻点的第一子集所对应的灰度值,为第一子
集所对应第一影像帧中第个像素点的值,为第一子集所对应第一影像帧中第个
像素点的值,为第一子集所对应第一影像帧中第个像素点的值,为第一子集所
对应第一影像帧的上限值,为第一影像帧中像素点的总数量值,为第个时刻点的
第二子集所对应的灰度值,为第二子集所对应第二影像帧中第个像素点的值,
为第二子集所对应第二影像帧中第个像素点的值,为第二子集所对应第二影像帧
中第个像素点的值,为第二子集所对应第二影像帧的上限值,为第二影像帧中
像素点的总数量值。
可选地,在第一方面的一种可能实现方式中,所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包,包括:
生成与第二影像数据所对应的时间轴,根据所述分辨率优化标签和/或灰度优化标签的时刻点确定与所述时间轴对应的时间点;
确定所述时间轴中相邻、且分辨率优化标签和/或灰度优化标签相同的时间点作为第一时间点,将两个相邻的第一时间点之间的时间段作为第一时间段,为第一时间段添加相对应的分辨率优化标签和/或灰度优化标签;
若判断时间轴中的任意一个时间点与相邻的其他时间点的分辨率优化标签和/或灰度优化标签不完全相同,则将相应的时间点作为第二时间点;
统计第二时间点至下一个相邻时间点之间的时间段作为第二时间段,为第二时间段添加相对应的分辨率优化标签和/或灰度优化标签;
将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包。
可选地,在第一方面的一种可能实现方式中,所述将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包,包括:
初始化显示调取插件,所述显示调取插件内包括第一存储空间、第二存储空间以及时间存储空间,所述第一存储空间、第二存储空间与所述第一影像数据、第二影像数据的数据量相对应;
将所述第一影像数据存储至第一存储空间,将所述第二影像数据存储至第二存储空间,将所述时间轴存储至时间存储空间;
为第一存储空间配置第一调取策略,所述第一调取策略为在判断第一影像数据被播放时,生成第一展示框,将所述第一影像数据在第一展示框进行显示;
为第二存储空间配置第二调取策略,所述第二调取策略为在判断第二影像数据被播放时,生成第二展示框,将所述第二影像数据在第二展示框进行显示;
显示调取插件在判断第二展示框对第二影像数据进行播放时,同时生成时间展示框,根据第二影像数据的播放时间点确定时间轴所对应的第一时间段或第二时间段,播放所述第一时间段或第二时间段对应的分辨率优化标签和/或灰度优化标签。
可选地,在第一方面的一种可能实现方式中,还包括:
若判断在时间轴的播放过程中用户选定任意一个第一时间段或第二时间段,则确定第一时间段或第二时间段所对应的起始时间点;
在第一展示框内加载第一影像数据,在第二展示框内加载第二影像数据,分别确定与起始时间点所对应第一影像数据的第一起始帧、第二影像数据的第二起始帧;
在判断第一展示框内具有第一起始帧、第二展示框内具有第二起始帧后,控制第一影像数据和第二影像数据由所述第一起始帧、第二起始帧开始进行同步播放。
有益效果:
1、本方案会结合影像数据的时长、优化前后的影像数据差值来确定相对应的第一影像帧、第二影像帧的数量以及时间点,从而结合影像数据的参数提取到较为合适的第一影像帧、第二影像帧进行差异度的分析,同时计算出影响区别系数,来展示差异度大小,本方案可以结合影像数据的参数协助工作人员对优化前后的影像数据差异进行自动、有效的分析并展示。
2、本方案在确定第一影像帧、第二影像帧时,会结合影像时长、影像数据差值两个维度来综合计算出影像帧数量,然后结合影像时长得到第一影像帧、第二影像帧对应的时间点,实现对第一影像帧、第二影像帧的采集;同时,本方案会结合训练人员的调整信息,自动对计算模型中的训练梯度参数进行调整,使得下次所计算出的数据更为准备并贴合用户的需求。
3、本方案在进行影像数据比对时,会为相应的时间点添加相应的标签,并将相应标签之间的影像帧进行对比并将对比结果综合得到影像区别系数。过程中,会结合分辨率维度计算得到分辨率区别系数,结合灰度维度计算灰度区别系数,然后利用相应的权重来对分辨率区别系数和灰度区别系数进行综合,得到较为准确的影像区别系数,从而更加客观的评比优化前后的影像数据,为工作人员审核优化影响数据提供参考。
4、本方案设置有显示调取插件,用于依据工作人员的需求来调取相应的数据展示给工作人员,其中,展示的数据包括优化前数据、优化后数据以及时间轴数据,可以使工作人员在分析过程中清晰的观察到所有的数据,从而协助工作人员对影响数据更加准确的审核。
附图说明
图1是本发明实施例提供的一种适用于影像优化的数据处理方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
参见图1,是本发明实施例提供的一种适用于影像优化的数据处理方法的流程示意图,该适用于影像优化的数据处理方法包括S1-S5:
S1,获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧。
需要说明的是,本方案的场景是对影像数据进行优化处理,例如对影像数据进行分辨率优化和灰度优化,其中,灰度优化可以是对影像数据的亮度进行调整。可以理解的是,第一影像数据为优化处理前的影像数据,第二影像数据为优化处理后的影像数据。
本方案会得到第一影像数据、第二影像数据的影像时长,然后利用预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧。
在一些实施例中,S1(所述获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧),包括S11-S14:
S11,预设提取模型获取第一影像数据的第一影像时长、第二影像数据的第二影像时长,若所述第一影像时长与第二影像时长相对应,则根据第一影像数据的第一影像数据值、第二影像数据的第二影像数据值进行计算得到影像数据差值。
本方案的预设提取模型会提取第一影像数据的第一影像时长,以及第二影像数据的第二影像时长,如果第一影像时长与第二影像时长相对应,则本方案会对第一影像数据的第一影像数据值、第二影像数据的第二影像数据值进行计算得到影像数据差值。
可以理解的是,如果第一影像时长与第二影像时长相对应,例如都是10分钟,说明2个影像数据是一致的,此时本方案会计算两个影像数据之间的影像数据差值,例如,第一影像数据为100M,第二影像数据为110M,那么影像数据差值为10M。
S12,预设提取模型根据影像数据差值、第一影像时长、第二影像时长的长度进行计算得到单位时间段内所采集影像帧的数量。
可以理解的是,第一影像时长、第二影像时长的长度越长,说明影像数据越长,影像数据越长时,为了避免所采集的影像帧的数量过多,本方案会使得单位时间段内所采集影像帧的数量变少;影像数据差值越大,说明影像数据被优化的越多,此时,本方案会得到较多数量的影像帧,来用于后续较为准确的比对。
S13,预设提取模型根据单位时间段内所采集影像帧的数量、第一影像时长、第二影像时长的长度进行计算,得到完整第一影像时长、第二影像时长所分别对应的第一影像帧、第二影像帧的时刻点,得到相对应的时刻点集合。
本方案在确定了单位时间段内所采集影像帧的数量之后,会利用单位时间段内所采集影像帧的数量、第一影像时长、第二影像时长的长度进行计算,得到完整第一影像时长、第二影像时长所分别对应的第一影像帧、第二影像帧的时刻点,得到相对应的时刻点集合。
示例性的,单位时间段内所采集影像帧的数量为1min采集1个影像帧,第一影像时长、第二影像时长的时长为10min,那么可以每间隔1min采集1个影像帧,共计10个对应第一影像时长的时刻点,以及10个对应第二影像时长的时刻点,形成上述的时刻点集合。
S14,预设提取模型按照所述时刻点集合采集第一影像数据和第二影像数据内相应时刻点的图像帧得到相对应的第一影像帧、第二影像帧。
可以理解的是,在确定了时刻点集合之后,本方案的预设提取模型会按照时刻点集合采集第一影像数据和第二影像数据内相应时刻点的图像帧得到相对应的第一影像帧、第二影像帧。例如,第一影像帧有10个,第二影像帧也有10个。
通过以下公式计算单位时间段内所采集影像帧的数量,
上述公式中,代表影像数据差值,影像数据差值越大,单位时间段内
所采集影像帧的数量也就需要越多;代表时长维度的系数,第一影像时长、第二影像时
长的长度越长,对应的单位时间段内所采集影像帧的数量也就需要越少;其中,数据归一化
值和时间权重值可以是工作人员预先设置的。
在上述实施例的基础上,还包括S15-S17:
S15,将单位时间段内所采集影像帧的数量发送至训练端处进行显示,若训练端处的训练人员输入确认信息,则不对预设提取模型的训练梯度参数进行调整。
本方案在计算得到单位时间段内所采集影像帧的数量之后,会将单位时间段内所采集影像帧的数量发送至训练端处进行显示,训练人员可以看到被显示的单位时间段内所采集影像帧的数量。如果训练端处的训练人员输入确认信息,说明训练人员认为所计算的单位时间段内所采集影像帧的数量符合需求,较为合适,此时,本方案不对预设提取模型的训练梯度参数进行调整。
S16,若训练端处的训练人员输入影像帧修改信息,则将影像帧修改信息所对应的数量作为单位时间段内所采集影像帧的数量。
可以理解的是,如果训练端处的训练人员输入影像帧修改信息,说明训练人员认为当前所计算的单位时间段内所采集影像帧的数量不准确,此时,本方案会将影像帧修改信息所对应的数量作为单位时间段内所采集影像帧的数量。
S17,根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对预设提取模型的训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数。
本方案会依据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对预设提取模型的训练梯度参数进行训练的训练因子,然后利用训练因子、训练梯度参数进行计算得到训练后的训练梯度参数。
其中,S17(所述根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数)包括S171-S173:
S171,若影像帧修改信息的数量大于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行正向训练的训练因子。
可以理解的是,如果影像帧修改信息的数量大于所计算的单位时间段内所采集影像帧的数量,说明训练人员认为所计算出来的单位时间段内所采集影像帧的数量偏小,对其进行了调大处理,此时,本方案会计算得到对训练梯度参数进行正向训练的训练因子,使得训练后的训练梯度参数调大,从而使得下次所计算的单位时间段内所采集影像帧的数量调大,以满足用户需求。
S172,若影像帧修改信息的数量小于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行负向训练的训练因子。
可以理解的是,如果影像帧修改信息的数量小于所计算的单位时间段内所采集影像帧的数量,说明训练人员认为所计算出来的单位时间段内所采集影像帧的数量偏大,对其进行了调小处理,此时,本方案会计算得到对训练梯度参数进行负向训练的训练因子,使得训练后的训练梯度参数调小,从而使得下次所计算的单位时间段内所采集影像帧的数量调小,以满足用户需求。
S173,根据正向训练的训练因子、负向训练的训练因子对训练梯度参数进行计算得到训练后的训练梯度参数,通过以下公式计算得到训练后的训练梯度参数,
上述公式中,,说明影像帧修改信息的数量大于所计算的单位时间段
内所采集影像帧的数量,此时,本方案会计算出训练因子,来对训练梯度参数进行正向训练,对其进行调大处理。,说明影像帧修改信息的数量小于所计
算的单位时间段内所采集影像帧的数量,此时,本方案会计算出训练因子,来
对训练梯度参数进行负向训练,对其进行调小处理。
S2,若第一影像帧和第二影像帧相对应,则提取所述第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合。
如果第一影像帧和第二影像帧相对应,本方案会提取第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合。
其中,第一属性维度是优化前的,第二属性维度是优化后的,针对分辨率而言,第一属性维度例如是优化前的分辨率为80*80,第二属性维度例如是优化后的分辨率为100*100。
S3,将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签。
本方案在得到第一属性集合和第二属性集合之后,会将第一属性集合和第二属性集合进行比对得到差异属性集合,然后利用差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签。
在一些实施例中,S3(所述将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签)包括S31-S33:
S31,将相同时刻点的第一子集和第二子集进行比对,若第一子集和第二子集的分辨率不同,则对第一子集和第二子集添加分辨率优化标签。
本步骤是对分辨率维度进行比对的,在进行比对时,本方案会将相同时刻点的第一子集和第二子集进行比对,如果第一子集和第二子集的分辨率不同,说明第二影像数据在相应的时间点进行了分辨率的调整,则本方案会对第一子集和第二子集添加分辨率优化标签。
S32,若第一子集和第二子集的灰度不同,则对第一子集和第二子集添加灰度优化标签。
本步骤是对灰度维度进行比对的,对相同时刻点的第一子集和第二子集进行比对,如果第一子集和第二子集的灰度不同,说明第二影像数据在相应的时间点进行了分辨率的调整,则对第一子集和第二子集添加灰度优化标签。
S33,统计具有分辨率优化标签和/或灰度优化标签的第一子集和第二子集,生成差异属性集合,统计添加分辨率优化标签和/或灰度优化标签的所有时刻点生成影像优化序列表,所述分辨率优化标签和灰度优化标签属于影像优化标签。
在所有的第一子集和第二子集比对完毕后,本方案会统计具有分辨率优化标签和/或灰度优化标签的第一子集和第二子集,生成差异属性集合。
在得到差异属性集合之后,本方案会统计添加分辨率优化标签和/或灰度优化标签的所有时刻点生成影像优化序列表,可以理解的是,影像优化序列表是按照时刻点对影像优化标签进行排序后的列表,其中,分辨率优化标签和灰度优化标签属于影像优化标签。
S4,根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包。
需要说明的是,本方案设置有与第一影像数据、第二影像数据分别对应的存储单元,用于存储影像数据。
本方案在确定了影像优化标签后,会利用影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,然后计算第一影像数据、第二影像数据之间的影像区别系数,在计算得到影像区别系数之后,本方案会根据影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包。
其中,影像区别系数可以体现出第一影像数据和第二影像数据之间的区别程度,可以理解的是,优化的数据越多,对应的影像区别系数也就会越大,在后续进行影像数据核验步骤时,需要花费的时间也就更多,因此,本方案会计算出影像区别系数并与对应的影像数据打包绑定,供后续工作人员参考。
在一些实施例中,S4(所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包)包括S41-S43:
S41,根据影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,将具有分辨率优化标签的第一子集和第二子集之间的分辨率进行比对得到分辨率区别系数。
首先,本方案会影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,提取到相应的第一影像数据、第二影像数据的存储位置。
然后会对分辨率维度的区别进行计算,在计算过程中,本方案会将具有分辨率优化标签的第一子集和第二子集之间的分辨率进行比对得到分辨率区别系数,具体的计算方式参照下文的公式。
S42,将具有灰度优化标签的第一子集和第二子集之间的灰度进行比对得到灰度区别系数。
本方案还会对灰度维度的区别进行计算,在计算过程中,本方案会将具有灰度优化标签的第一子集和第二子集之间的灰度进行比对得到灰度区别系数。
S43,根据所述分辨率区别系数、灰度区别系数进行综合计算,得到第一影像数据、第二影像数据之间的影像区别系数,通过以下公式计算影像区别系数,
其中,为第一影像数据、第二影像数据之间的影像区别系数,为第个时
刻点的第一子集和第二子集之间所对应的分辨率区别系数,为具有分辨率区别系数的
时刻点的上限值,为具有分辨率区别系数的时刻点的数量值,为分辨率归一化值,为分辨率权重值,为具有灰度区别系数的第个时刻点的第一子集所对应的灰度
值,为具有灰度区别系数的时刻点的第一子集的上限值,为具有灰度区别系数的时刻
点的第一子集的数量值,为具有灰度区别系数的第个时刻点的第二子集所对应的灰度
值,为具有灰度区别系数的时刻点的第二子集的上限值,为具有灰度区别系数的时
刻点的第二子集的数量值,为灰度归一化值,为灰度权重值,为第个时刻点
的第一子集和第二子集之间所对应的分辨率区别系数,为第个时刻点的第一子集所对
应的横向的像素点数量,为第个时刻点的第二子集所对应的横向的像素点数量,
为第个时刻点的第一子集所对应的纵向的像素点数量,为第个时刻点的第二子集
所对应的纵向的像素点数量,为第个时刻点的第一子集所对应的灰度值,为第一子
集所对应第一影像帧中第个像素点的值,为第一子集所对应第一影像帧中第个
像素点的值,为第一子集所对应第一影像帧中第个像素点的值,为第一子集所
对应第一影像帧的上限值,为第一影像帧中像素点的总数量值,为第个时刻点的
第二子集所对应的灰度值,为第二子集所对应第二影像帧中第个像素点的值,
为第二子集所对应第二影像帧中第个像素点的值,为第二子集所对应第二影像帧
中第个像素点的值,为第二子集所对应第二影像帧的上限值,为第二影像帧中
像素点的总数量值。
上述公式中,针对分辨率维度进行计算的过程中,本方案会先计算出第个时刻
点的第一子集和第二子集之间所对应的分辨率区别系数,然后将多个具有分辨率区别
系数的时刻点的第一子集和第二子集之间所对应的分辨率区别系数求和并平均,计算出平
均分辨率区别系数,再结合分辨率归一化值得到分辨率维度的分辨率区别系
数。其中,在计算第个时刻点的第一子集和第二子集之间所对应的分辨率区别系数时,
会利用第一子集和第二子集之间的横向的像素点数量以及纵向的像素点数量来进行计算,
即上述公式中的,可以计算出第一子集和第二子集之间所对
应的分辨率区别系数。
针对灰度维度进行计算的过程中,本方案会先计算出第个时刻点的第一子集所
对应的所有像素点的灰度值之和,然后结合第一影像帧中像素点的总数量
值计算出第个时刻点的第一子集所对应的一个像素点的平均灰度值,同理,也
采用同样的方式计算出第个时刻点的第二子集所对应的一个像素点的灰度值;在计
算出和之后,本方案会对多个时刻点第一子集所对应的一个像素点的平均灰度值
求和平均,同时对多个时刻点第二子集所对应的一个像素点的平均灰度值求和平均,得到
平均的和,最后求差即可得到灰度维度的差值,再结合灰度归一化值可以算出灰度区别系数。
在计算得到分辨率区别系数和灰度区别系数之后,本方案会结合分辨率权重值以及灰度权重值,计算得到第一影像数据、第二影像数据之间的影像区别系数,其中,分辨率权重值以及灰度权重值可以是工作人员预先设置的,且
分辨率权重值以及灰度权重值的相对大小可以依据工作人员的需求进行相应
的调整。
本发明提供的技术方案,在一个可能的实施方式中,将所述影像区别系数与预设区别系数进行比对,若影像区别系数大于预设区别系数,则计算影像区别系数和预设区别系数之间的差值,得到区别系数之差,根据区别系数之差进行计算,得到影像帧增加数量,通过以下公式计算影像帧增加数量,
其中,为影像帧增加数量,为预设区别系数,为影像帧常数值,
为单位时间段内所采集影像帧的数量,为自动调整权重值。通过以上的技术方案,使得
本发明能够根据第一影像数据和第二影像数据的区别度的大小对单位时间段内所采集影
像帧的数量进行调整,确定相适宜的影像帧增加数量,在单位时间段内新增一个或以上的
影像帧。
本发明在得到影像帧增加数量后,会将先前的单位时间段内所采集影像帧的数量作为第一数量,将影像帧增加数量作为第二数量,并将第一数量和第二数量相加得到第三数量。第三数量即为本发明根据区别系数之差所更新后的当为时间段内的影像帧数量。
本发明会对每个单位时间段内按照第三数量对相应的第一影像数据、第二影像数据进行第三影像帧、第四影像帧的确定,确定方式可以是在单位时间段内间隔等时长,得到相对应的第三影像帧、第四影像帧。本发明会结合第三影像帧、第四影像帧,按照先前第一影像帧、第二影像帧的处理方式再次进行处理,并且计算得到新的影像区别系数。在得到新的影像区别系数后,本发明不会再将基于第三影像帧、第四影像帧所计算的影像区别系数与预设区别系数进行比对。
通过以上的技术方案,可以使得本发明会根据第一影像数据和第二影像数据之间的区别度,主动的对影像帧进行调整,得到调整时的影像帧增加数量,使得两个影像数据之间区别度越大时,本发明能够提取越多的影像帧,使得后续生成的第一时间段、第二时间段的颗粒度更细,易于工作人员后续的视频比对、校验、调整。
在一些实施例中,S4(所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包)包括S44-S48:
S44,生成与第二影像数据所对应的时间轴,根据所述分辨率优化标签和/或灰度优化标签的时刻点确定与所述时间轴对应的时间点。
本方案会生成与第二影像数据所对应的时间轴,然后将分辨率优化标签和/或灰度优化标签,按照对应的时刻点,确定时间轴上对应的时间点。
例如,分辨率优化标签为5min30S所对应的时刻点,此时,本方案会确定时间轴上5min30S为分辨率优化标签所对应的时间点。
S45,确定所述时间轴中相邻、且分辨率优化标签和/或灰度优化标签相同的时间点作为第一时间点,将两个相邻的第一时间点之间的时间段作为第一时间段,为第一时间段添加相对应的分辨率优化标签和/或灰度优化标签。
本方案会确定时间轴中相邻、且分辨率优化标签和/或灰度优化标签相同的时间点作为第一时间点,将两个相邻的第一时间点之间的时间段作为第一时间段,为第一时间段添加相对应的分辨率优化标签和/或灰度优化标签。
示例性的,5min30S对应分辨率优化标签,6min30S对应分辨率优化标签,那么此时5min30S和6min30S为第一时间点,然后将5min30S至6min30S之间的时间段作为第一时间段,为第一时间段添加相对应的分辨率优化标签。可以理解的是,在添加相对应的分辨率优化标签和/或灰度优化标签之后,后续工作人员在审核影像数据时,可以清晰得知对应时间段优化了什么数据,从而可以对应性审核。
S46,若判断时间轴中的任意一个时间点与相邻的其他时间点的分辨率优化标签和/或灰度优化标签不完全相同,则将相应的时间点作为第二时间点。
示例性的,5min30S对应分辨率优化标签,6min30S对应灰度优化标签,那么此时5min30S为第二时间点。可以理解的是,上述场景下,在5min30S至6min30S之间可能进行了分辨率优化标签和/或灰度优化标签。
S47,统计第二时间点至下一个相邻时间点之间的时间段作为第二时间段,为第二时间段添加相对应的分辨率优化标签和/或灰度优化标签。
示例性的,5min30S为第二时间点,6min30S为下一个相邻时间点,则5min30S至6min30S之间的时间段为第二时间段,此时本方案会为第二时间段添加相对应的分辨率优化标签和/或灰度优化标签。
S48,将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包。
在时间轴上的信息添加完毕后,本方案会将时间轴与第二影像数据对应存储,然后利用影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包。
在一些实施例中,S48(所述将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包)包括S481-S485:
S481,初始化显示调取插件,所述显示调取插件内包括第一存储空间、第二存储空间以及时间存储空间,所述第一存储空间、第二存储空间与所述第一影像数据、第二影像数据的数据量相对应。
本方案会预先设置有显示调取插件,显示调取插件用于调取第一存储空间、第二存储空间以及时间存储空间内的数据并显示。
S482,将所述第一影像数据存储至第一存储空间,将所述第二影像数据存储至第二存储空间,将所述时间轴存储至时间存储空间。
需要说明的是,本方案会预先将第一影像数据存储至第一存储空间,将第二影像数据存储至第二存储空间,将时间轴存储至时间存储空间,后续显示调取插件可以从第一存储空间、第二存储空间和时间存储空间内调取相应的数据进行显示。
S483,为第一存储空间配置第一调取策略,所述第一调取策略为在判断第一影像数据被播放时,生成第一展示框,将所述第一影像数据在第一展示框进行显示。
本方案会按照第一调取策略调取第一存储空间内的数据,第一调取策略为在判断第一影像数据被播放时,生成第一展示框,将第一影像数据在第一展示框进行显示。
S484,为第二存储空间配置第二调取策略,所述第二调取策略为在判断第二影像数据被播放时,生成第二展示框,将所述第二影像数据在第二展示框进行显示。
本方案会按照第二调取策略调取第二存储空间内的数据,第二调取策略为在判断第二影像数据被播放时,生成第二展示框,将第二影像数据在第二展示框进行显示。
S485,显示调取插件在判断第二展示框对第二影像数据进行播放时,同时生成时间展示框,根据第二影像数据的播放时间点确定时间轴所对应的第一时间段或第二时间段,播放所述第一时间段或第二时间段对应的分辨率优化标签和/或灰度优化标签。
本方案的显示调取插件会在判断第二展示框对第二影像数据进行播放时,同时生成时间展示框,然后基于第二影像数据的播放时间点确定时间轴所对应的第一时间段或第二时间段,同时播放第一时间段或第二时间段对应的分辨率优化标签和/或灰度优化标签,将其展示给工作人员,工作人员可以较为清晰的得知在每个时间段影像数据相应的优化状况。
在上述实施例的基础上,还包括:
若判断在时间轴的播放过程中用户选定任意一个第一时间段或第二时间段,则确定第一时间段或第二时间段所对应的起始时间点。可以理解的是,如果判断在时间轴的播放过程中用户选定任意一个第一时间段或第二时间段,说明用户需要查看下对应时间段的影像数据,此时,本方案会确定第一时间段或第二时间段所对应的起始时间点。
在第一展示框内加载第一影像数据,在第二展示框内加载第二影像数据,分别确定与起始时间点所对应第一影像数据的第一起始帧、第二影像数据的第二起始帧。可以理解的是,本方案会利用第一展示框和第二展示框同时对第一影像数据和第二影像数据进行展示,并分别确定与起始时间点所对应第一影像数据的第一起始帧、第二影像数据的第二起始帧。
在判断第一展示框内具有第一起始帧、第二展示框内具有第二起始帧后,控制第一影像数据和第二影像数据由所述第一起始帧、第二起始帧开始进行同步播放。可以理解的是,通过上述方式,可以使用户对优化前后的数据进行同步比对播放,以实现对影像数据的审核。
S5,存储单元根据每个影像优化数据包所对应的影像区别系数对所有的影像优化数据包进行排序。
在上述方案中,计算出每个影像优化数据包所对应的影像区别系数之后,本方案的存储单元会根据每个影像优化数据包所对应的影像区别系数对所有的影像优化数据包进行排序,例如可以使得影像区别系数较大的影像优化数据包排序靠前,为工作人员提供优化程度的参考,为工作人员进行审核提供参考。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在存储介质中。设备的至少一个处理器可以从存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.一种适用于影像优化的数据处理方法,其特征在于,包括:
获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧;
若第一影像帧和第二影像帧相对应,则提取所述第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合;
将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签;
根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包;
存储单元根据每个影像优化数据包所对应的影像区别系数对所有的影像优化数据包进行排序。
2.根据权利要求1所述的适用于影像优化的数据处理方法,其特征在于,
所述获取优化前的第一影像数据、优化后的第二影像数据,基于第一影像数据、第二影像数据的影像时长,根据预设提取模型在第一影像数据、第二影像数据中确定相对应的第一影像帧、第二影像帧,包括:
预设提取模型获取第一影像数据的第一影像时长、第二影像数据的第二影像时长,若所述第一影像时长与第二影像时长相对应,则根据第一影像数据的第一影像数据值、第二影像数据的第二影像数据值进行计算得到影像数据差值;
预设提取模型根据影像数据差值、第一影像时长、第二影像时长的长度进行计算得到单位时间段内所采集影像帧的数量;
预设提取模型根据单位时间段内所采集影像帧的数量、第一影像时长、第二影像时长的长度进行计算,得到完整第一影像时长、第二影像时长所分别对应的第一影像帧、第二影像帧的时刻点,得到相对应的时刻点集合;
预设提取模型按照所述时刻点集合采集第一影像数据和第二影像数据内相应时刻点的图像帧得到相对应的第一影像帧、第二影像帧;
通过以下公式计算单位时间段内所采集影像帧的数量,
3.根据权利要求2所述的适用于影像优化的数据处理方法,其特征在于,还包括:
将单位时间段内所采集影像帧的数量发送至训练端处进行显示,若训练端处的训练人员输入确认信息,则不对预设提取模型的训练梯度参数进行调整;
若训练端处的训练人员输入影像帧修改信息,则将影像帧修改信息所对应的数量作为单位时间段内所采集影像帧的数量;
根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对预设提取模型的训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数。
4.根据权利要求3所述的适用于影像优化的数据处理方法,其特征在于,
所述根据影像帧修改信息的数量、所计算的单位时间段内所采集影像帧的数量之间的差值进行计算,得到对训练梯度参数进行训练的训练因子,根据所述训练因子、训练梯度参数进行计算得到训练后的训练梯度参数,包括:
若影像帧修改信息的数量大于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行正向训练的训练因子;
若影像帧修改信息的数量小于所计算的单位时间段内所采集影像帧的数量,则进行计算得到对训练梯度参数进行负向训练的训练因子;
根据正向训练的训练因子、负向训练的训练因子对训练梯度参数进行计算得到训练后的训练梯度参数,通过以下公式计算得到训练后的训练梯度参数,
5.根据权利要求4所述的适用于影像优化的数据处理方法,其特征在于,
所述若第一影像帧和第二影像帧相对应,则提取所述第一影像帧和第二影像帧的第一属性维度和第二属性维度,得到第一属性集合和第二属性集合,包括:
提取每一个第一影像帧和第二影像帧分别对应的时刻点,若判断第一影像帧和第二影像帧的时刻点相对应,则判断第一影像帧和第二影像帧相对应;
提取每个第一影像帧和第二影像帧的第一属性维度和第二属性维度,所述第一属性维度和第二属性维度分别包括分辨率维度和灰度维度,根据每个第一属性维度和第二属性维度得到相对应的第一子集和第二子集;
根据所有时刻点分别对应的第一子集和第二子集,得到的第一影像帧和第二影像帧分别对应的第一属性集合和第二属性集合。
6.根据权利要求5所述的适用于影像优化的数据处理方法,其特征在于,
所述将所述第一属性集合和第二属性集合进行比对得到差异属性集合,根据所述差异属性集合生成与第一影像数据、第二影像数据所对应的影像优化标签,包括:
将相同时刻点的第一子集和第二子集进行比对,若第一子集和第二子集的分辨率不同,则对第一子集和第二子集添加分辨率优化标签;
若第一子集和第二子集的灰度不同,则对第一子集和第二子集添加灰度优化标签;
统计具有分辨率优化标签和/或灰度优化标签的第一子集和第二子集,生成差异属性集合,统计添加分辨率优化标签和/或灰度优化标签的所有时刻点生成影像优化序列表,所述分辨率优化标签和灰度优化标签属于影像优化标签。
7.根据权利要求6所述的适用于影像优化的数据处理方法,其特征在于,
所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包,包括:
根据影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,将具有分辨率优化标签的第一子集和第二子集之间的分辨率进行比对得到分辨率区别系数;
将具有灰度优化标签的第一子集和第二子集之间的灰度进行比对得到灰度区别系数;
根据所述分辨率区别系数、灰度区别系数进行综合计算,得到第一影像数据、第二影像数据之间的影像区别系数,通过以下公式计算影像区别系数,
其中,为第一影像数据、第二影像数据之间的影像区别系数,为第个时刻点
的第一子集和第二子集之间所对应的分辨率区别系数,为具有分辨率区别系数的时刻
点的上限值,为具有分辨率区别系数的时刻点的数量值,为分辨率归一化值,
为分辨率权重值,为具有灰度区别系数的第个时刻点的第一子集所对应的灰度值,
为具有灰度区别系数的时刻点的第一子集的上限值,为具有灰度区别系数的时刻点的第
一子集的数量值,为具有灰度区别系数的第个时刻点的第二子集所对应的灰度值,
为具有灰度区别系数的时刻点的第二子集的上限值,为具有灰度区别系数的时刻点的
第二子集的数量值,为灰度归一化值,为灰度权重值,为第个时刻点的第一
子集和第二子集之间所对应的分辨率区别系数,为第个时刻点的第一子集所对应的横
向的像素点数量,为第个时刻点的第二子集所对应的横向的像素点数量,为第
个时刻点的第一子集所对应的纵向的像素点数量,为第个时刻点的第二子集所对应
的纵向的像素点数量,为第个时刻点的第一子集所对应的灰度值,为第一子集所对
应第一影像帧中第个像素点的值,为第一子集所对应第一影像帧中第个像素点
的值,为第一子集所对应第一影像帧中第个像素点的值,为第一子集所对应第
一影像帧的上限值,为第一影像帧中像素点的总数量值,为第个时刻点的第二子
集所对应的灰度值,为第二子集所对应第二影像帧中第个像素点的值,为第二
子集所对应第二影像帧中第个像素点的值,为第二子集所对应第二影像帧中第
个像素点的值,为第二子集所对应第二影像帧的上限值,为第二影像帧中像素点的
总数量值。
8.根据权利要求7所述的适用于影像优化的数据处理方法,其特征在于,
所述根据所述影像优化标签选取与第一影像数据、第二影像数据分别对应的存储单元,计算第一影像数据、第二影像数据之间的影像区别系数,根据所述影像区别系数对存储单元内的第一影像数据、第二影像数据进行打包得到影像优化数据包,包括:
生成与第二影像数据所对应的时间轴,根据所述分辨率优化标签和/或灰度优化标签的时刻点确定与所述时间轴对应的时间点;
确定所述时间轴中相邻、且分辨率优化标签和/或灰度优化标签相同的时间点作为第一时间点,将两个相邻的第一时间点之间的时间段作为第一时间段,为第一时间段添加相对应的分辨率优化标签和/或灰度优化标签;
若判断时间轴中的任意一个时间点与相邻的其他时间点的分辨率优化标签和/或灰度优化标签不完全相同,则将相应的时间点作为第二时间点;
统计第二时间点至下一个相邻时间点之间的时间段作为第二时间段,为第二时间段添加相对应的分辨率优化标签和/或灰度优化标签;
将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包。
9.根据权利要求8所述的适用于影像优化的数据处理方法,其特征在于,
所述将所述时间轴与所述第二影像数据对应存储,根据影像区别系数对存储单元内的第一影像数据、第二影像数据、时间轴进行打包得到影像优化数据包,包括:
初始化显示调取插件,所述显示调取插件内包括第一存储空间、第二存储空间以及时间存储空间,所述第一存储空间、第二存储空间与所述第一影像数据、第二影像数据的数据量相对应;
将所述第一影像数据存储至第一存储空间,将所述第二影像数据存储至第二存储空间,将所述时间轴存储至时间存储空间;
为第一存储空间配置第一调取策略,所述第一调取策略为在判断第一影像数据被播放时,生成第一展示框,将所述第一影像数据在第一展示框进行显示;
为第二存储空间配置第二调取策略,所述第二调取策略为在判断第二影像数据被播放时,生成第二展示框,将所述第二影像数据在第二展示框进行显示;
显示调取插件在判断第二展示框对第二影像数据进行播放时,同时生成时间展示框,根据第二影像数据的播放时间点确定时间轴所对应的第一时间段或第二时间段,播放所述第一时间段或第二时间段对应的分辨率优化标签和/或灰度优化标签。
10.根据权利要求9所述的适用于影像优化的数据处理方法,其特征在于,还包括:
若判断在时间轴的播放过程中用户选定任意一个第一时间段或第二时间段,则确定第一时间段或第二时间段所对应的起始时间点;
在第一展示框内加载第一影像数据,在第二展示框内加载第二影像数据,分别确定与起始时间点所对应第一影像数据的第一起始帧、第二影像数据的第二起始帧;
在判断第一展示框内具有第一起始帧、第二展示框内具有第二起始帧后,控制第一影像数据和第二影像数据由所述第一起始帧、第二起始帧开始进行同步播放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409634.3A CN115563331B (zh) | 2022-11-11 | 2022-11-11 | 适用于影像优化的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409634.3A CN115563331B (zh) | 2022-11-11 | 2022-11-11 | 适用于影像优化的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563331A CN115563331A (zh) | 2023-01-03 |
CN115563331B true CN115563331B (zh) | 2023-03-10 |
Family
ID=84770631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211409634.3A Active CN115563331B (zh) | 2022-11-11 | 2022-11-11 | 适用于影像优化的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563331B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985094A (zh) * | 2014-05-16 | 2014-08-13 | 大庆市华拓数码科技有限公司 | 影像数据包处理方法及*** |
CN105427336A (zh) * | 2015-12-31 | 2016-03-23 | 青岛歌尔声学科技有限公司 | 一种基于双目视频的测距方法和装置 |
US9307148B1 (en) * | 2013-05-15 | 2016-04-05 | Amazon Technologies, Inc. | Video enhancement techniques |
CN109146780A (zh) * | 2018-07-19 | 2019-01-04 | 叶涵 | 一种影像质量优化方法、计算机装置及可读存储介质 |
CN113269682A (zh) * | 2021-04-21 | 2021-08-17 | 青岛海纳云科技控股有限公司 | 一种结合帧间信息的非均匀运动模糊视频复原方法 |
CN113706414A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 视频优化模型的训练方法和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9042680B2 (en) * | 2009-02-12 | 2015-05-26 | Zoran (France) S.A. | Temporal video interpolation method with 2-frame occlusion handling |
-
2022
- 2022-11-11 CN CN202211409634.3A patent/CN115563331B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9307148B1 (en) * | 2013-05-15 | 2016-04-05 | Amazon Technologies, Inc. | Video enhancement techniques |
CN103985094A (zh) * | 2014-05-16 | 2014-08-13 | 大庆市华拓数码科技有限公司 | 影像数据包处理方法及*** |
CN105427336A (zh) * | 2015-12-31 | 2016-03-23 | 青岛歌尔声学科技有限公司 | 一种基于双目视频的测距方法和装置 |
CN109146780A (zh) * | 2018-07-19 | 2019-01-04 | 叶涵 | 一种影像质量优化方法、计算机装置及可读存储介质 |
CN113269682A (zh) * | 2021-04-21 | 2021-08-17 | 青岛海纳云科技控股有限公司 | 一种结合帧间信息的非均匀运动模糊视频复原方法 |
CN113706414A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 视频优化模型的训练方法和电子设备 |
Non-Patent Citations (2)
Title |
---|
Key frame extraction of online video based on optimized frame difference;Huayong Liu 等;《2012 9th International Conference on Fuzzy Systems and Knowledge Discovery》;20120609;1238-1242 * |
基于无人机影像的运动恢复结构技术(SfM)研究;李永露;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315(第3期);I138-1320 * |
Also Published As
Publication number | Publication date |
---|---|
CN115563331A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2285097B1 (en) | Image processing apparatus, image processing method, and program | |
CN108805047B (zh) | 一种活体检测方法、装置、电子设备和计算机可读介质 | |
CN112818737B (zh) | 视频识别方法、装置、存储介质及终端 | |
CN111639702A (zh) | 一种多媒体数据分析方法、设备、服务器及可读存储介质 | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN106658119A (zh) | 视频应用测试方法及装置 | |
CN110706196A (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN116761037B (zh) | 视频植入多媒体信息的方法、装置、设备及介质 | |
CN115563331B (zh) | 适用于影像优化的数据处理方法 | |
CN113177397B (zh) | 表格的调整方法、装置、设备以及存储介质 | |
CN111277724B (zh) | 异常运行应用的检测方法、装置、电子设备及存储介质 | |
CN116682052B (zh) | 一种基于云服务的教学服务平台 | |
WO2023236757A1 (zh) | 视频图像噪声评估方法及装置 | |
CN113259727A (zh) | 视频推荐方法、视频推荐装置及计算机可读存储介质 | |
CN110782392B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113573044A (zh) | 视频数据处理方法、装置、计算机设备及可读存储介质 | |
CN113923516B (zh) | 基于深度学习模型的视频处理方法、装置、设备以及存储介质 | |
CN111209863A (zh) | 一种活体模型训练和人脸活体检测方法、装置和电子设备 | |
CN110647933B (zh) | 一种视频的分类方法及装置 | |
CN109214317B (zh) | 一种信息量确定方法及装置 | |
Simone et al. | On the use of gaze information and saliency maps for measuring perceptual contrast | |
CN117173062A (zh) | 一种图像增强方法、相关设备、存储介质及计算机产品 | |
CN113888502A (zh) | 一种无参考视频质量评估方法、装置、设备及存储介质 | |
CN118071652A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113920582A (zh) | 人体动作评分方法、装置、设备及存储介质 |
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 |