CN116781922A - 一种动态图像压缩方法、***、设备及存储介质 - Google Patents
一种动态图像压缩方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116781922A CN116781922A CN202310874320.9A CN202310874320A CN116781922A CN 116781922 A CN116781922 A CN 116781922A CN 202310874320 A CN202310874320 A CN 202310874320A CN 116781922 A CN116781922 A CN 116781922A
- Authority
- CN
- China
- Prior art keywords
- frame
- data
- new
- frames
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006835 compression Effects 0.000 title claims abstract description 34
- 238000007906 compression Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种动态图像压缩方法、***、设备及存储介质,属于动态图像压缩技术领域,解决现有动态图像压缩技术容易导致内容识别模型识别失败的技术问题,方法包括:读取数据,设定检测阈值和相似度阈值;将数据转换为RGB颜色空间的矩阵数据;记录每一帧的矩阵数据的帧数及其宽高像素数量;以第一帧为基准比较后续的帧,记录像素不一致的位置;以最小位置和最大位置为裁剪的坐标,对原始帧序列进行裁剪生成新的图像数据矩阵序列;计算目标相似度阈值,对新数据矩阵进行帧遍历,计算后续帧与第一帧的余弦相似度;等于或超过目标相似度阈值的帧丢弃,生成余帧序列;根据帧宽高数据生成新的画布,将基础帧和余帧序列拼合生成新的单幅图像。
Description
技术领域
本发明涉及动态图像压缩技术领域,更具体地说,它涉及一种动态图像压缩方法、***、设备及存储介质。
背景技术
GIF体积压缩技术,即压缩GIF占用的磁盘字节数,具体实现方式分为5种:
a.减色,通过合并相似颜色的方式将原有图片的色彩空间减少,增加压缩效率。
b.删除帧,通过随机/按序方式抽取其中的一些图片帧,或者抽取重复帧进行删除处理,以减少动图体积。
c.帧图片压缩,对每帧的图像进行像素压缩,减少每帧的占用字节数以缩小整体大小
d.透明度压缩,对每帧中重复的颜色进行删减,将原本RBG/RBGA的色彩空间重叠部分全部设置为透明度100%,形成透明图层,以增加压缩效率。
e.合并帧,将所有帧融合为单副图像。
GIF帧平铺,即将所有帧平铺在一个扩大画布上,以方便OCR识别其中内容。
对于GIF体积压缩,通过减色、删除帧、帧图片压缩和透明度压缩的方法无法改变图像格式,本身还是动态图片,对于针对静态图片训练的现有的内容识别模型/OCR模型适用性低,非常容易漏掉动图的内容,而且图片信息损失处于不可控状态,压缩后容易丢失重要信息;而合并帧的方式可能直接丢失单帧的内容,造成内容混淆或无法识别。
对于GIF帧平铺技术,虽然不丢失任何图片内容信息,但是如果在帧数较多的情况下,会导致平铺后的图片长/宽度比例非常大,导致内容识别模型/OCR模型识别失效或者识别时间过长的问题。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足,本发明的目的一是提供一种动态图像压缩方法。
本发明的目的二是提供一种动态图像压缩***。
本发明的目的三是提供一种计算机设备。
本发明的目的四是提供一种计算机存储介质。
为了实现上述目的一,本发明提供一种动态图像压缩方法,包括以下步骤:
步骤S1.读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出;否则,执行步骤S2;
步骤S2.将步骤S1中读取到的二进制数据转换为RGB颜色空间的矩阵数据;
步骤S3.依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量;
步骤S4.以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
步骤S5.根据设定的相似度阈值,结合图像的具体数据,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
步骤S6.根据步骤S3中记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
步骤S7.将新的单幅图像导出到后续的图像内容识别模型。
作为进一步地改进,在步骤S1中,若没有用户设定检测阈值和相似度阈值,则将检测阈值默认设定为10MB,将相似度阈值默认设定为90。
进一步地,在步骤S5中,计算目标相似度阈值的公式为:
Cr=C×(X×Y×A)/(S×An)
其中,Cr为目标相似度阈值,C为设定的相似度阈值,X、Y分别为单帧的像素宽高,A为平均像素平滑度,S为标准像素数,An为标准平滑度。
进一步地,在进行帧遍历的过程中,以帧中每个像素颜色值(R,B,G)作为三维向量,按位置计算两帧相同位置的余弦相似度,记录相似度超过目标相似度阈值Cr的像素的数量,最后计算相似像素数与总像素数的比值;
若等于或超过95%,则丢弃该帧;否则,将该帧记录入新的帧序列;
遍历完成,***第一帧,生成新的帧序列,称为余帧序列。
进一步地,在步骤S6中,若基础帧的底边像素数大于右边,则以底边为基线,计算余帧序列的横向并列帧数;
若基础帧的右边像素数大于或等于底边,则以右边为基线,计算余帧序列的纵向并列帧数;
然后按计算出的新画布的大小生成空像素矩阵,并将基础帧和余帧序列按序拼入空像素矩阵;
将此像素矩阵转换回二进制数据,并保存为JPG格式的单幅拼合图像。
进一步地,以底边为基线时,令基底帧的宽高分别为:Lk、Lg,余帧序列帧数为n,余帧序列的帧像素宽高为a、b;
余帧序列可横向并列帧数为int(Lk/a),int()表示对函数内部数据进行向下取整,纵向可并列帧数为int(n/int(Lk/a))+1;
新画布的宽度为Lk,高度为Lg+(int(n/int(Lk/a))+1)*b,根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置。
进一步地,以右边为基线时,令基底帧的宽高分别为:Lk、Lg,余帧序列帧数为n,余帧序列的帧像素宽高为a、b;
可纵向并列帧数为int(Lg/b),可横向并列帧数为int(n/int(Lg/b))+1;
新画布的宽度为Lk+(int(n/int(Lg/b))+1)*a,高度为Lg,根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置。
为了实现上述目的二,本发明提供一种动态图像压缩***,包括:
读取模块,用于读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出压缩;
转换模块,用于将读取到的二进制数据转换为RGB颜色空间的矩阵数据;
记录模块,用于依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量;
裁剪模块,用于以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
遍历模块,用于根据设定的相似度阈值,结合图像的具体数据,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
拼合模块,用于根据记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
导出模块,用于将新的单幅图像导出到后续的图像内容识别模型。
为了实现上述目的三,本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的一种动态图像压缩方法。
为了实现上述目的四,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种动态图像压缩方法。
有益效果
本发明与现有技术相比,具有的优点为:
本申请结合了GIF帧原始信息的保留与帧间重复内容的过滤,以及高相似度帧的剔除的逻辑,在较大的缩减了原始GIF冗余信息的同时也尽可能保留内容信息的完整性,为后续的图片内容识别或OCR文字识别的效率和准确性带来了质的提升。有计算过程简单,效率高,第三方依赖少,利于各种编程语言实现等优点,适合集成进入现有的OCR识别模型或者其他的图像内容识别的应用作为前置优化工具,也可以作为单独工具灵活部署。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1,一种动态图像压缩方法,包括以下步骤:
步骤S1.读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出;否则,执行步骤S2;
步骤S2.将步骤S1中读取到的二进制数据转换为RGB颜色空间的矩阵数据;
步骤S3.依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量,例如帧宽高X、Y,单帧像素数Pt=X*Y,帧数n;
步骤S4.以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列(即步骤S2中转换的帧)的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
步骤S5.根据设定的相似度阈值,结合图像的具体数据,具体数据包括单帧的像素宽高、平均像素平滑度、标准像素数、标准平滑度,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
步骤S6.根据步骤S3中记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
步骤S7.将新的单幅图像导出到后续的图像内容识别模型,如OCR模型。
在步骤S1中,若没有用户设定检测阈值和相似度阈值,则将检测阈值默认设定为10MB,将相似度阈值默认设定为90。一般认为超过10MB的GIF图像属于大型复杂动态图像,可能包含非常多的帧或者单帧像素极大,实际出现场景较少。当超过10MB不仅会极大加重计算资源的消耗,可能会造成***效率变低和不稳定,而且对后续的图像识别也不会带来太多效率上的提升。
相似度阈值为控制余弦相似度计算中是否判定为“近似”的阈值初始值。可以由用户根据应用场景自行设置。缺省值为90,为经验值。余弦相似度的原始意义为向量内积,是判断向量方向一致性的一种计算方式,在机器学***均平滑度(采用相邻像素的梯度计算)、单帧像素总数。
在步骤S5中,计算目标相似度阈值的公式为:
Cr=C×(X×Y×A)/(S×An)
其中,Cr为目标相似度阈值,C为设定的相似度阈值,X、Y分别为单帧的像素宽高,A为平均像素平滑度,S为标准像素数,An为标准平滑度。
例如:假设C=90,单帧的像素宽高为X=100、Y=100,平均像素平滑度A=75,标准像素数S=10000,标准平滑度An=80,则根据公式可得
Cr=(100x 100x 75)/(10000x 80)x 90=84.375
作为最终决定两帧之间“是否相似”的标准。
在进行帧遍历的过程中,以帧中每个像素颜色值(R,B,G)作为三维向量,按位置计算两帧相同位置的余弦相似度,记录相似度超过目标相似度阈值Cr的像素的数量,最后计算相似像素数与总像素数的比值;
若等于或超过95%,则丢弃该帧;否则,将该帧记录入新的帧序列;
遍历完成,***第一帧,生成新的帧序列,称为余帧序列。
在步骤S6中,拼接方法分为两种情况:若基础帧的底边像素数大于右边,则以底边为基线,计算余帧序列的横向并列帧数;
若基础帧的右边像素数大于或等于底边,则以右边为基线,计算余帧序列的纵向并列帧数;
然后按计算出的新画布的大小生成空像素矩阵,并将基础帧和余帧序列按序拼入空像素矩阵;
将此像素矩阵转换回二进制数据,并保存为JPG格式的单幅拼合图像。
例如:令基底帧的宽高分别为:Lk、Lg,余帧序列帧数为n,余帧序列的帧像素宽高为a、b。
若Lk>Lg,则以底边为基线;余帧序列可横向并列帧数为int(Lk/a),int()表示对函数内部数据进行向下取整,纵向可并列帧数为int(n/int(Lk/a))+1;新画布的宽度为Lk,高度为Lg+(int(n/int(Lk/a))+1)*b。根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置;
否则,以右边为基线;可纵向并列帧数为int(Lg/b),可横向并列帧数为int(n/int(Lg/b))+1;新画布的宽度为Lk+(int(n/int(Lg/b))+1)*a,高度为Lg;
根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置。
一种动态图像压缩***,包括:
读取模块,用于读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出压缩;
转换模块,用于将读取到的二进制数据转换为RGB颜色空间的矩阵数据;
记录模块,用于依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量;
裁剪模块,用于以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
遍历模块,用于根据设定的相似度阈值,结合图像的具体数据,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
拼合模块,用于根据记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
导出模块,用于将新的单幅图像导出到后续的图像内容识别模型。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的一种动态图像压缩方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的一种动态图像压缩方法。
以上仅是本发明的优选实施方式,应当指出对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种动态图像压缩方法,其特征在于,包括以下步骤:
步骤S1.读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出;否则,执行步骤S2;
步骤S2.将步骤S1中读取到的二进制数据转换为RGB颜色空间的矩阵数据;
步骤S3.依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量;
步骤S4.以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
步骤S5.根据设定的相似度阈值,结合图像的具体数据,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
步骤S6.根据步骤S3中记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
步骤S7.将新的单幅图像导出到后续的图像内容识别模型。
2.根据权利要求1所述的一种动态图像压缩方法,其特征在于,在步骤S1中,若没有用户设定检测阈值和相似度阈值,则将检测阈值默认设定为10MB,将相似度阈值默认设定为90。
3.根据权利要求1所述的一种动态图像压缩方法,其特征在于,在步骤S5中,计算目标相似度阈值的公式为:
Cr=C×(X×Y×A)/(S×An)
其中,Cr为目标相似度阈值,C为设定的相似度阈值,X、Y分别为单帧的像素宽高,A为平均像素平滑度,S为标准像素数,An为标准平滑度。
4.根据权利要求3所述的一种动态图像压缩方法,其特征在于,在进行帧遍历的过程中,以帧中每个像素颜色值(R,B,G)作为三维向量,按位置计算两帧相同位置的余弦相似度,记录相似度超过目标相似度阈值Cr的像素的数量,最后计算相似像素数与总像素数的比值;
若等于或超过95%,则丢弃该帧;否则,将该帧记录入新的帧序列;
遍历完成,***第一帧,生成新的帧序列,称为余帧序列。
5.根据权利要求1所述的一种动态图像压缩方法,其特征在于,在步骤S6中,若基础帧的底边像素数大于右边,则以底边为基线,计算余帧序列的横向并列帧数;
若基础帧的右边像素数大于或等于底边,则以右边为基线,计算余帧序列的纵向并列帧数;
然后按计算出的新画布的大小生成空像素矩阵,并将基础帧和余帧序列按序拼入空像素矩阵;
将此像素矩阵转换回二进制数据,并保存为JPG格式的单幅拼合图像。
6.根据权利要求5所述的一种动态图像压缩方法,其特征在于,以底边为基线时,令基底帧的宽高分别为:Lk、Lg,余帧序列帧数为n,余帧序列的帧像素宽高为a、b;
余帧序列可横向并列帧数为int(Lk/a),int()表示对函数内部数据进行向下取整,纵向可并列帧数为int(n/int(Lk/a))+1;
新画布的宽度为Lk,高度为Lg+(int(n/int(Lk/a))+1)*b,根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置。
7.根据权利要求5所述的一种动态图像压缩方法,其特征在于,以右边为基线时,令基底帧的宽高分别为:Lk、Lg,余帧序列帧数为n,余帧序列的帧像素宽高为a、b;
可纵向并列帧数为int(Lg/b),可横向并列帧数为int(n/int(Lg/b))+1;
新画布的宽度为Lk+(int(n/int(Lg/b))+1)*a,高度为Lg,根据新画布的宽度、高度确定新画布大小以及各帧具体拼合位置。
8.一种动态图像压缩***,其特征在于,包括:
读取模块,用于读取原始动态图像数据,设定检测阈值和相似度阈值;若原始动态图像数据大于或等于检测阈值,则退出压缩;
转换模块,用于将读取到的二进制数据转换为RGB颜色空间的矩阵数据;
记录模块,用于依次取出每一帧的矩阵数据,并记录帧数及其宽高像素数量;
裁剪模块,用于以第一帧为基准,依次比较后续的帧,记录像素不一致的位置;最终得到的位置集合称为不可去除位置集合;在这基础上,复制第一帧数据作为基础帧,并以集合中的最小位置和最大位置为裁剪的坐标,对不包含基础帧的原始帧序列的每帧图像像素矩阵进行裁剪,生成新的图像数据矩阵序列;
遍历模块,用于根据设定的相似度阈值,结合图像的具体数据,计算得到合适的目标相似度阈值;然后对裁剪后的新数据矩阵进行帧遍历,以第一帧为基准,计算后续帧与第一帧的余弦相似度;将余弦相似度值等于或超过目标相似度阈值的帧丢弃,保留余弦相似度值低于目标相似度阈值的帧,生成新的帧序列,称为余帧序列;
拼合模块,用于根据记录的帧宽高数据,生成新的画布,将基础帧和余帧序列按最长基线拼合法拼合到新画布,生成新的单幅图像;
导出模块,用于将新的单幅图像导出到后续的图像内容识别模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种动态图像压缩方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种动态图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874320.9A CN116781922A (zh) | 2023-07-14 | 2023-07-14 | 一种动态图像压缩方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874320.9A CN116781922A (zh) | 2023-07-14 | 2023-07-14 | 一种动态图像压缩方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116781922A true CN116781922A (zh) | 2023-09-19 |
Family
ID=88009970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310874320.9A Pending CN116781922A (zh) | 2023-07-14 | 2023-07-14 | 一种动态图像压缩方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116781922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150059A (zh) * | 2023-10-27 | 2023-12-01 | 湖南视觉伟业智能科技有限公司 | 一种基于nvr设备的碎片化图像数据存储方法 |
-
2023
- 2023-07-14 CN CN202310874320.9A patent/CN116781922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150059A (zh) * | 2023-10-27 | 2023-12-01 | 湖南视觉伟业智能科技有限公司 | 一种基于nvr设备的碎片化图像数据存储方法 |
CN117150059B (zh) * | 2023-10-27 | 2024-02-13 | 湖南视觉伟业智能科技有限公司 | 一种基于nvr设备的碎片化图像数据存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6441811B1 (en) | Display control device and reproduction display device for electronic books | |
CN110334585A (zh) | 表格识别方法、装置、计算机设备和存储介质 | |
CN116781922A (zh) | 一种动态图像压缩方法、***、设备及存储介质 | |
CN101183283A (zh) | 一种直接写入手写体信息的方法 | |
US20220327661A1 (en) | Image super-resolution processing method, system, and device | |
CN110414520A (zh) | 通用字符识别方法、装置、计算机设备和存储介质 | |
CN106327453A (zh) | 一种拼合图片资源的方法及图片资源拼合装置 | |
US7277584B2 (en) | Form recognition system, form recognition method, program and storage medium | |
CN113627402B (zh) | 一种图像识别方法及相关装置 | |
JP2000306103A (ja) | 情報処理装置及び方法 | |
CN114782355B (zh) | 基于改进vgg16网络的胃癌数字病理切片检测方法 | |
CN112184587A (zh) | 一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及*** | |
JP2017211936A (ja) | 文書保存処理システム | |
JP4441300B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラムおよびこのプログラムを記憶した記録媒体 | |
CN112071403A (zh) | 含有图标图像的dicomdir文件生成方法及*** | |
CN116485944A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN115660937A (zh) | 图像处理方法、图像处理装置、电子设备和存储介质 | |
CN115082345A (zh) | 图像阴影去除方法、装置、计算机设备和存储介质 | |
CN111178409A (zh) | 基于大数据矩阵稳定性分析的图像匹配与识别*** | |
WO2024130704A1 (zh) | 基于神经网络的文本抠图方法、装置、设备以及存储介质 | |
CN111160265A (zh) | 文件转换方法、装置、存储介质及电子设备 | |
CN116453131B (zh) | 文档图像矫正方法、电子设备及存储介质 | |
CN112966813B (zh) | 一种卷积神经网络输入层装置及其工作方法 | |
CN114942854A (zh) | 一种gif动图的截图方法和相关设备 | |
CN108665434A (zh) | 图像合成方法及装置 |
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 |