CN117812275B - 用于排球辅助训练的图像优化通信方法 - Google Patents
用于排球辅助训练的图像优化通信方法 Download PDFInfo
- Publication number
- CN117812275B CN117812275B CN202410218163.0A CN202410218163A CN117812275B CN 117812275 B CN117812275 B CN 117812275B CN 202410218163 A CN202410218163 A CN 202410218163A CN 117812275 B CN117812275 B CN 117812275B
- Authority
- CN
- China
- Prior art keywords
- edge
- frame image
- blurred
- image
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 title claims abstract description 34
- 238000004891 communication Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 238000013144 data compression Methods 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000002311 subsequent effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及视频帧数据压缩技术领域,具体涉及一种用于排球辅助训练的图像优化通信方法,包括:在固定视角采集排球训练场的预设数量张视频帧灰度图像;对视频帧灰度图像进行分类获得模糊帧图像和清晰帧图像;对模糊帧图像的闭合边缘进行筛选获得模糊帧图像中的模糊边缘;根据模糊边缘上像素点的位置信息以及区域大小分布,对模糊帧图像进行聚类获得第一聚类结果;根据清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和位置分布,对每张清晰帧图像进行聚类获得第二聚类结果;根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,对压缩后的图像进行传输。本发明提高了对图像进行通信传输效率。
Description
技术领域
本发明涉及视频帧数据压缩技术领域,具体涉及一种用于排球辅助训练的图像优化通信方法。
背景技术
排球辅助训练是指通过辅助手段来提高排球运动员技能水平和竞技表现的训练过程,利用图像处理和通信技术,对排球训练中产生的图像数据进行处理和传输,可以将训练过程中获取的图像数据,比如运动员的动作、队伍协作等通过通信技术传输给教练或其他关键人员,以进行监测、分析与指导,对图像进行优化通信使得远程指导变得可能,即使教练不在现场,也能通过图像传输技术对运动员进行指导,促进远程培训和合作,排球训练中产生的图像数据可能很庞大,通过优化通信,可以提高传输效率,确保快速而稳定的数据传输。
对排球辅助训练进行图像优化通信的手段包括对视频画面进行压缩传输,视频压缩是一种通过减少视频数据的冗余性来减小视频文件大小的技术。现有常采用预测编码压缩的方法对视频数据进行压缩处理。但是该方法仅考虑了连续帧视频画面,忽略了不同视频画面上的模糊程度之间的关联性,降低了对视频画面的压缩效率,从而降低了对图像进行通信传输效率。
发明内容
为了解决现有的方法对对视频画面的压缩效率较低,进而使得对图像进行通信传输效率较低的技术问题,本发明的目的在于提供一种用于排球辅助训练的图像优化通信方法,所采用的技术方案具体如下:
在固定视角采集排球训练场的预设数量张视频帧灰度图像;
根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像;
根据每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,获得每张模糊帧图像中的模糊边缘;根据所述模糊边缘上像素点的位置信息以及模糊边缘构成的区域大小分布,对模糊帧图像进行聚类获得第一聚类结果;
根据每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布,对每张清晰帧图像进行聚类获得第二聚类结果;
根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,对压缩后的图像进行传输。
优选地,所述根据每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,获得每张模糊帧图像中的模糊边缘,具体包括:
对于任意一张模糊帧图像,对模糊帧图像进行边缘检测获取模糊帧图像中的闭合边缘记为待分析边缘;对于任意一个待分析边缘,利用过待分析边缘所在区域的中心点在预设方向上的直线将待分析边缘划分为两条边缘,分别记为第一特征边缘和第二特征边缘;
根据待分析边缘的第一特征边缘上每相邻两个像素点之间的灰度值差异、以及第二特征边缘上每相邻两个像素点之间的灰度值差异,得到待分析边缘的模糊边缘置信度;
将模糊边缘置信度的归一化值小于预设的模糊阈值对应的待分析边缘记为模糊帧图像中的模糊边缘。
优选地,所述待分析边缘的模糊边缘置信度的获取方法具体为:
其中,表示模糊帧图像中第r个待分析边缘的模糊边缘置信度,/>表示第r个待分析边缘的第一特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第一特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+2个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第二特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+2个像素点的灰度值。
优选地,所述根据所述模糊边缘上像素点的位置信息以及模糊边缘构成的区域大小分布,对模糊帧图像进行聚类获得第一聚类结果,具体包括:
对于任意一张模糊帧图像,根据模糊帧图像中每个模糊边缘上像素点的像素坐标之间的差异分布得到模糊帧图像的位置参数;
获取模糊帧图像中每个模糊边缘所在区域的最小外接圆的面积的累加和,记为模糊帧图像的大小参数;
将所述位置参数和所述大小参数构成模糊帧图像的二元组,利用二元组对所有模糊帧图像进行聚类获得第一聚类结果。
优选地,所述模糊帧图像的位置参数的获取方法具体为:
其中,表示第t张模糊帧图像的位置参数,/>表示第t张模糊帧图像中包含的模糊边缘的数量,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最小值,表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最小值。
优选地,所述根据每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布,对每张清晰帧图像进行聚类获得第二聚类结果,具体包括:
对于任意一张清晰帧图像,根据清晰帧图像中所有像素点的信息熵、清晰帧图像中闭合边缘上每个像素点的邻域灰度分布以及像素点的像素坐标,得到清晰帧图像的轮廓特征值;
基于清晰帧图像的轮廓特征值之间的差异距离,对所有清晰帧图像进行聚类获得第二聚类结果。
优选地,所述清晰帧图像的轮廓特征值的获取方法具体为:
其中,表示第u张清晰帧图像的轮廓特征值,/>表示第u张清晰帧图像的信息熵,表示第u张清晰帧图像中包含的闭合边缘的数量,/>表示第u张清晰帧图像中第m个闭合边缘上包含的像素点的数量,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的横坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的纵坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的邻域内的信息熵。
优选地,所述根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像,具体包括:
将第一张视频帧灰度图像作为目标帧图像,将除第一张视频帧灰度图像外其他视频帧图像作为参照帧图像;根据每张参照帧图像的信息熵和所有像素点的灰度值波动、以及目标帧图像的信息熵和所有像素点的灰度值波动,得到每张参照帧图像的模糊程度;
将模糊程度大于预设的程度阈值对应的参照帧图像作为模糊帧图像,否则为清晰帧图像。
优选地,所述参照帧图像的模糊程度的获取方法具体为:
其中,表示第n张参照帧图像的模糊程度,/>表示第n张参照帧图像的条件系数,表示第n张参照帧图像的信息熵,/>表示第n张参照帧图像中所有像素点的灰度值的标准差,/>表示目标帧图像的信息熵,/>表示目标帧图像中所有像素点的灰度值的标准差,/>表示艾佛森括号,exp( )表示以自然常数e为底的指数函数。
优选地,所述根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,具体包括:
对于第一聚类结果和第二聚类结果中任意一个聚类簇,将聚类簇中最小的视频帧灰度图像的信息熵对应的视频帧灰度图像作为参考帧,对该聚类簇利用预测编码压缩算法进行压缩处理。
本发明实施例至少具有如下有益效果:
本发明首先采集排球辅助训练时的视频帧数据,为后续视频压缩处理提供数据基础,并通过分析每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行初步的分类,通过灰度分布和波动反映出图像中的模糊情况,以区分较为模糊的图像和较为清晰的图像。然后,通过分析每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,考虑了模糊的边缘特有的灰度边缘分布,挑选出更加具体的具有模糊特征的边缘,以便通过模糊边缘的位置信息以及大小分布情况,实现对较为模糊的图像进行二次分类的目的,获得的第一聚类结果中位于同一聚类簇内的模糊帧图像中物体的模糊程度较为接近或者趋于一致。进一步的,通过对每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布进行分析,也充分考虑了清晰帧图像上闭合边缘的灰度分布和位置分析两个方面的特征,实现对较为清晰的图像进行二次分类,获得的第二聚类结果中位于同一聚类簇内的清晰帧图像中物体的轮廓特征较为相似或者趋于一致。最后,通过第一聚类结果和第二聚类结果这两个方面的分类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,使得能够对具有相似或者相同特征分布的视频帧灰度图像进行同时聚类,使得视频数据的压缩效果更好,提高了视频画面的压缩效率,进而提高了对图像进行通信传输效率。
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是本发明实施例提供的一种用于排球辅助训练的图像优化通信方法的步骤流程图;
图2是本发明实施例提供的摄像机架设位置的示意图;
图3是本发明实施例提供的第n张视频帧灰度图像的模糊区域示意图;
图4是本发明实施例提供的第n-1张视频帧灰度图像的模糊区域示意图;
图5是本发明实施例提供的第n+100张视频帧灰度图像的模糊区域示意图。
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一种用于排球辅助训练的图像优化通信方法,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一种用于排球辅助训练的图像优化通信方法的具体方案。
本发明的主要目的是:针对传统的预测编码算法只是基于连续帧图像进行视频数据压缩处理,每次都需要重新确定参考帧进行预测编码压缩过程,结合排球辅助训练场景下的视频帧画面,将视频中具有明显运动模糊的帧画面和较为清晰的帧画面进行区分,分别再进行二次分类,使得尽管时间连续性上存在间隔,但是在进行预测编码处理时,视频画面中的相关性更强,减少了预测编码的误差,进一步的提高了视频数据的压缩效率和传输效率。
请参阅图1,其示出了本发明一个实施例提供的一种用于排球辅助训练的图像优化通信方法的步骤流程图,该方法包括以下步骤:
步骤一,在固定视角采集排球训练场的预设数量张视频帧灰度图像。
如图2为本实施例架设摄像机位置的俯视图,即将摄像机架设于球场一侧进行视频拍摄,图2中最下方的矩形为相机所在位置。进一步的,将采集到的排球训练场上进行排球训练的视频进行逐帧分解,在本实施例中,将排球训练的视频的帧数设置为30帧,也即是一秒钟可以获得30张帧画面,并将每张帧画面进行灰度化处理,获得预设数量张视频帧灰度图像。其中,预设数量的取值也即是30。同时记录下每张视频帧灰度图像的图像序号以及对应的时间戳。
步骤二,根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像。
在当前场景下,视频数据中的背景部分为排球场场馆,前景部分为运动部分包括运动的排球和运动的人,在运动竞技领域,排球运动属于高强度的对抗运动,特别是在一些扣球、拦网等进攻性动作时,运动员的肢体摆动幅度较大且快速变换,并且球体的运动速度也较快,在视频中发生的快速运动,在连续帧画面之间的位移可能较大,这就会导致某些视频帧画面中出现残影或者模糊的部分。基于此特征,首先对所有视频帧灰度图像进行特征分析,将视频帧灰度图像划分为图像表现较为模糊的部分和图像表现较为清晰的部分。也即是根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像。
首先,通过对每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况进行分析,获取每张视频帧灰度图像的模糊程度,即将第一张视频帧灰度图像作为目标帧图像,将除第一张视频帧灰度图像外其他视频帧图像作为参照帧图像;根据每张参照帧图像的信息熵和所有像素点的灰度值波动、以及目标帧图像的信息熵和所有像素点的灰度值波动,得到每张参照帧图像的模糊程度。
考虑到第一张视频帧灰度图像为拍摄的视频第一帧,该视频帧图像的画面是相对较为清晰的。将第一张视频帧灰度图像作为参考进行图像模糊特征和图像清晰特征的分析,通过比较其他视频帧灰度图像与目标帧图像之间的差异情况,可以获取与目标帧图像中特征差异较大的部分视频帧图像的模糊表征情况。
在本实施例中,以第n张参照帧图像为例进行说明,则第n张参照帧图像的模糊程度的计算公式可以表示为:
其中,表示第n张参照帧图像的模糊程度,/>表示第n张参照帧图像的条件系数,表示第n张参照帧图像的信息熵,/>表示第n张参照帧图像中所有像素点的灰度值的标准差,/>表示目标帧图像的信息熵,/>表示目标帧图像中所有像素点的灰度值的标准差,/>表示艾佛森括号,exp( )表示以自然常数e为底的指数函数。
在目标帧图像中,图像画面是较为清晰的,图像中不同物体之间的灰度值分布不同,故目标帧图像中的灰度分布较为复杂,进而目标帧图像的信息熵取值较小,也即是的取值较大。
若当参照帧图像较为模糊时,图像中不同物体之间存在动态模糊,图像的模糊程度越高,对应的参照帧图像的画面中灰度分布变化越小,图像的信息熵和所有像素点的灰度值的标准差取值较小,也即是的取值较大。
艾佛森括号是一种用方括号记号,如果方括号内的条件满足则为1,不满足则为0。具体地,当时,说明第n张参照帧图像与目标帧图像相比更加模糊,对应的条件系数/>的取值为1,进一步的基于存在模糊情况的参照帧图像的信息熵和灰度值的标准差获取模糊程度,图像的信息熵和灰度值的标准差取值越小,对应的 灰度变化越小,说明图像中的模糊情况越严重,对应的模糊程度取值越大。
当时,说明第n张参照帧图像与目标帧图像相比更加清晰,对应的条件系数的取值为0,进而第n张参照帧的模糊程度的取值也为0,说明此时参照帧图像的模糊情况较小,或者并不存在模糊情况。
进一步的,可以通过每张参照帧图像的模糊程度对图像进行分类,获得模糊帧图像和清晰帧图像。具体地,将模糊程度大于预设的程度阈值对应的参照帧图像作为模糊帧图像,否则为清晰帧图像。在本实施例中,将程度阈值的取值设置为所有参照帧图像的模糊程度的中位数,即当模糊程度大于程度阈值时,说明参照帧图像中画面的模糊情况较为严重,当模糊程度小于或等于程度阈值时,说明参照帧图像中画面的模糊情况较轻,或者并不存在模糊情况。
步骤三,根据每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,获得每张模糊帧图像中的模糊边缘;根据所述模糊边缘上像素点的位置信息以及模糊边缘构成的区域大小分布,对模糊帧图像进行聚类获得第一聚类结果。
每张视频帧灰度图像的模糊程度是基于图像画面整体进行定义的,并未考虑实际发生模糊的更加详细的特征信息,即具***置以及形状大小。如图3为第n张视频帧灰度图像的模糊区域示意图,图4为第n-1张视频帧灰度图像的模糊区域示意图,图5为第n+100张视频帧灰度图像的模糊区域示意图,图中的圆形虚线所在区域均为模糊区域,图3与图4为相邻两张视频帧画面,可以看出模糊区域的位置和大小是明显不同的,而图3与图5不是相邻的两张视频帧画面,但是模糊区域的位置和大小是较为接近的,此时可能是运动员在同一个位置处重复了之前的拦网动作或者扣球动作所产生的运动模糊,进而进行预测编码压缩时,将图3与图5放在一起进行压缩的效果更好。
基于此特征,对存在模糊的图像进行更加详细的特征分析,对模糊帧图像进行二次分类,首先,分析每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况。具体地,对于任意一张模糊帧图像,对模糊帧图像进行边缘检测获取模糊帧图像中的闭合边缘记为待分析边缘;对于任意一个待分析边缘,利用过待分析边缘所在区域的中心点在预设方向上的直线将待分析边缘划分为两条边缘,分别记为第一特征边缘和第二特征边缘。其中,中心点可以是待分析边缘所在区域的质心。
在本实施例中,预设方向为水平方向,排球训练过程中更容易出现模糊的物体大概率是处于高速运动的排球,或者是由于运动员在进行不同的技术动作和快速移动而出现的运动模糊,因此这种模糊的产生具有较为明显的方向性,可以理解的是,模糊的方向性是运动员击球拦网等技术动作或者快速移动每次都是进行定点训练,即每次朝着一个方向进行快速移动从而产生了运动模糊,运动员和排球大多数是基于水平方向的运动,进而在水平方向的模糊性较强,利用过每个闭合边缘内中心点的水平方向的直线将闭合边缘划分为两个部分,每个边缘部分的灰度变化会出现朝着一个方向变化的趋势。
同时,需要说明的是,利用Canny算法对每张模糊帧图像进行边缘检测,并提取闭合边缘记为待分析边缘,该方法为公知技术,在此不再过多介绍。
根据待分析边缘的第一特征边缘上每相邻两个像素点之间的灰度值差异、以及第二特征边缘上每相邻两个像素点之间的灰度值差异,得到待分析边缘的模糊边缘置信度。
在本实施例中,以任意一张模糊帧图像中第r个待分析边缘为例进行说明,则模糊帧图像中第r个待分析边缘的模糊边缘置信度的计算公式可以表示为:
其中,表示模糊帧图像中第r个待分析边缘的模糊边缘置信度,/>表示第r个待分析边缘的第一特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第一特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+2个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第二特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+2个像素点的灰度值。
和/>反映了第一特征边缘上每两个相邻的像素点之间的灰度值差异情况,第一特征边缘上每两个相邻的像素点之间的灰度值变化较为接近时,的取值越小。由于是存在较大模糊的图像画面,待分析边缘上的像素点灰度值变化程度是较为接近的,进而/>的取值越小,而若模糊程度较小时,待分析边缘上的像素点灰度值变化程度的差异较大,进而/>的取值越大。
同理,和/>反映了第二特征边缘上每两个相邻的像素点之间的灰度值差异情况,第二特征边缘上每两个相邻的像素点之间的灰度值变化较为接近时,/>的取值越小。
待分析边缘的模糊边缘置信度表征了待分析边缘存在模糊情况的程度,模糊边缘置信度的取值越小,说明待分析边缘的模糊程度越大。基于此,将模糊边缘置信度的归一化值小于预设的模糊阈值对应的待分析边缘记为模糊帧图像中的模糊边缘。在本实施例中,模糊阈值的取值为0.3,由于模糊程度置信度进行归一化处理,则模糊阈值的取值范围为(0,1),当模糊阈值的取值越接近于0时,说明对模糊边缘的判断标准越严格,当模糊阈值的取值越接近于1时,说明对模糊边缘的判断标准越宽松。
当待分析边缘的模糊边缘置信度的归一化值小于模糊阈值时,说明待分析边缘的模糊程度较大,进而记为模糊边缘。可以进一步对模糊边缘的位置分布情况以及形状大小分布情况进行分析,实现对模糊帧图像的二次分类过程。
具体地,首先对模糊帧图像中模糊边缘的位置信息进行分析,即对于任意一张模糊帧图像,根据模糊帧图像中每个模糊边缘上像素点的像素坐标之间的差异分布得到模糊帧图像的位置参数。
在本实施例中,以第t张模糊帧图像为例进行说明,则第t张模糊帧图像的位置参数的计算公式可以表示为:
其中,表示第t张模糊帧图像的位置参数,/>表示第t张模糊帧图像中包含的模糊边缘的数量,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最小值,表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最小值。
反映了模糊边缘上近似中心点的横坐标,/>反映了模糊边缘上近似中心点的纵坐标,进而/>反映了模糊边缘所在区域与图像中像素坐标原点之间的距离远近分布,利用模糊帧图像中所有模糊边缘对应的距离远近分布数据的累加和表征每张模糊帧图像中模糊部分的位置信息。
需要说明的是,每张图像中的像素坐标的获取方式相同的,即图像的坐标系的构建方式是相同的,在此给出一个示例,即以图像左上角为原点建立以像素为单位的直角坐标系。像素的横坐标与纵坐标分别是像素点在图像中所在的列数与所在行数。
然后,对模糊帧图像中模糊边缘的形状大小信息进行分析,即获取模糊帧图像中每个模糊边缘所在区域的最小外接圆的面积的累加和,记为模糊帧图像的大小参数。即利用模糊边缘所在区域面积相对大小分布情况表征模糊帧图像中的模糊情况的大小参数。
进一步的,将所述位置参数和所述大小参数构成模糊帧图像的二元组,基于此,每张模糊帧图像均对应一个二元组,例如第t张模糊帧图像的二元组可以表示为,/>表示第t张模糊帧图像的位置参数,/>表示第t张模糊帧图像的大小参数。
最后,利用二元组对所有模糊帧图像进行聚类获得第一聚类结果,在本实施例中,采用K-means聚类算法对模糊帧图像进行聚类,聚类簇的数量K的取值采用手肘法进行获取,模糊帧图像之间的聚类差异距离可以通过两张模糊帧图像对应的二元组之间的欧氏距离进行计算。在第一聚类结果中,位于同一聚类簇内的模糊帧图像中物体的模糊程度较为接近或者趋于一致,进而使得后续对属于同一聚类簇内的图像进行压缩的效果更好。
步骤四,根据每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布,对每张清晰帧图像进行聚类获得第二聚类结果。
由于较为清晰的视频帧画面中并没有出现较为明显的运动模糊,所以清晰帧图像中各个物体在视频帧画面中的表现相较于模糊帧图像是更加清晰的,因此也可以通过分析清晰帧图像中闭合边缘轮廓的灰度分布情况,对清晰帧图像中各个物体的轮廓特征信息进行量化。
基于此,首先对每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布进行分析,具体地,对于任意一张清晰帧图像,根据清晰帧图像中所有像素点的信息熵、清晰帧图像中闭合边缘上每个像素点的邻域灰度分布以及像素点的像素坐标,得到清晰帧图像的轮廓特征值。
在本实施例中,以第u张清晰帧图像为例进行说明,则第u张清晰帧图像的轮廓特征值的计算公式可以表示为:
其中,表示第u张清晰帧图像的轮廓特征值,/>表示第u张清晰帧图像的信息熵,表示第u张清晰帧图像中包含的闭合边缘的数量,/>表示第u张清晰帧图像中第m个闭合边缘上包含的像素点的数量,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的横坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的纵坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的邻域内的信息熵。
表示清晰帧图像中闭合边缘上所有像素点的横坐标的均值,也就可以表示闭合边缘所在区域内重心的横坐标,/>表示清晰帧图像中闭合边缘上所有像素点的纵坐标的均值,也就可以表示闭合边缘所在区域内重心的纵坐标。
进而表征了清晰帧图像中闭合边缘相对于坐标原点的距离远近,反映了闭合边缘在图像画面中的大致位置信息。
表示基于闭合边缘上第z个像素点的8邻域范围内所有像素点的灰度值计算的信息熵,反映了闭合边缘上第z个像素点的邻域内灰度分布的复杂情况,闭合边缘上所有像素点的邻域内的信息熵的均值/>反映了闭合边缘的轮廓灰度复杂性。
清晰帧图像的轮廓特征值从闭合边缘轮廓的位置信息以及灰度信息方面反映了物体的边缘轮廓特征情况,进而当两张清晰帧图像中的物体边缘轮廓位置信息和灰度分布均较为相似的情况下,对应的两张清晰帧图像的轮廓特征值的取值较为接近。
基于此特征,可以基于清晰帧图像的轮廓特征值之间的差异距离,对所有清晰帧图像进行聚类获得第二聚类结果。即在本实施例中,采用K-means聚类算法对清晰帧图像进行聚类,聚类簇的数量K的取值采用手肘法确定,同时通过计算每两张清晰帧图像之间的欧氏距离作为聚类过程中不同样本之间的差异距离。在第二聚类结果中,位于同一聚类簇内的清晰帧图像中物体的轮廓特征较为相似或者趋于一致,进而使得后续对属于同一聚类簇内的清晰帧图像进行压缩的效果更好。
步骤五,根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,对压缩后的图像进行传输。
第一聚类结果表示了对所有模糊帧图像进行二次分类的结果,第二聚类结果表示了对所有清晰帧图像进行二次分类的结果,进而在第一聚类结果和第二聚类结果中,位于同一个聚类簇中的视频帧灰度图像之间的画面分布特征较为相似,进而对同一个聚类簇中的视频帧灰度图像采用预测编码压缩算法进行压缩处理的效果更好。
其中,进行压缩处理的过程需要确定参考帧,即对于第一聚类结果和第二聚类结果中任意一个聚类簇,将聚类簇中最小的视频帧灰度图像的信息熵对应的视频帧灰度图像作为参考帧,对该聚类簇利用预测编码压缩算法进行压缩处理。
视频帧画面整体的信息熵最小,说明在对应的视频帧灰度图像中画面的复杂度是较低的,因此视频帧画面的兼容性是较高的,画面兼容性越高,包含的信息越少,画面的复杂性就越低,使用兼容性高的视频帧灰度图像作为参考帧进行预测编码时也会更加倾向于产生更少的残差,使得视频数据压缩效果更好。
最后,选择适当的传输协议和确保稳定的网络连接,在本实施例中,通过专业的视频流传输协议(如RTMP),将压缩后的视频文件传输至目标服务器,同时,为了保护敏感信息,在其他实施例中,也可以考虑使用加密传输技术。
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 (7)
1.一种用于排球辅助训练的图像优化通信方法,其特征在于,该方法包括以下步骤:
在固定视角采集排球训练场的预设数量张视频帧灰度图像;
根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像;
根据每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,获得每张模糊帧图像中的模糊边缘;根据所述模糊边缘上像素点的位置信息以及模糊边缘构成的区域大小分布,对模糊帧图像进行聚类获得第一聚类结果;
根据每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布,对每张清晰帧图像进行聚类获得第二聚类结果;在第一聚类结果中,位于同一聚类簇内的模糊帧图像中物体的模糊程度趋于一致;在第二聚类结果中,位于同一聚类簇内的清晰帧图像中物体的轮廓特征趋于一致;
根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,对压缩后的图像进行传输;
所述根据每张模糊帧图像中闭合边缘上像素点的灰度值分布以及相邻两个像素点灰度值之间的差异情况,对每张模糊帧图像的闭合边缘进行筛选,获得每张模糊帧图像中的模糊边缘,具体包括:
对于任意一张模糊帧图像,对模糊帧图像进行边缘检测获取模糊帧图像中的闭合边缘记为待分析边缘;对于任意一个待分析边缘,利用过待分析边缘所在区域的中心点在预设方向上的直线将待分析边缘划分为两条边缘,分别记为第一特征边缘和第二特征边缘;
根据待分析边缘的第一特征边缘上每相邻两个像素点之间的灰度值差异、以及第二特征边缘上每相邻两个像素点之间的灰度值差异,得到待分析边缘的模糊边缘置信度;
将模糊边缘置信度的归一化值小于预设的模糊阈值对应的待分析边缘记为模糊帧图像中的模糊边缘;
所述根据所述模糊边缘上像素点的位置信息以及模糊边缘构成的区域大小分布,对模糊帧图像进行聚类获得第一聚类结果,具体包括:
对于任意一张模糊帧图像,根据模糊帧图像中每个模糊边缘上像素点的像素坐标之间的差异分布得到模糊帧图像的位置参数;
获取模糊帧图像中每个模糊边缘所在区域的最小外接圆的面积的累加和,记为模糊帧图像的大小参数;
将所述位置参数和所述大小参数构成模糊帧图像的二元组,利用二元组对所有模糊帧图像进行聚类获得第一聚类结果;
所述根据每张清晰帧图像中闭合边缘上像素点的邻域内灰度值分布情况和闭合边缘上像素点的位置分布,对每张清晰帧图像进行聚类获得第二聚类结果,具体包括:
对于任意一张清晰帧图像,根据清晰帧图像中所有像素点的信息熵、清晰帧图像中闭合边缘上每个像素点的邻域灰度分布以及像素点的像素坐标,得到清晰帧图像的轮廓特征值;
基于清晰帧图像的轮廓特征值之间的差异距离,对所有清晰帧图像进行聚类获得第二聚类结果。
2.根据权利要求1所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述待分析边缘的模糊边缘置信度的获取方法具体为:
其中,表示模糊帧图像中第r个待分析边缘的模糊边缘置信度,/>表示第r个待分析边缘的第一特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第一特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第一特征边缘上第i+2个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上包含的像素点的总数量,/>表示第r个待分析边缘的第二特征边缘上第i个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+1个像素点的灰度值,/>表示第r个待分析边缘的第二特征边缘上第i+2个像素点的灰度值。
3.根据权利要求1所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述模糊帧图像的位置参数的获取方法具体为:
其中,表示第t张模糊帧图像的位置参数,/>表示第t张模糊帧图像中包含的模糊边缘的数量,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中横坐标的最小值,表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最大值,/>表示第t张模糊帧图像中第s个模糊边缘上像素点的像素坐标中纵坐标的最小值。
4.根据权利要求1所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述清晰帧图像的轮廓特征值的获取方法具体为:
其中,表示第u张清晰帧图像的轮廓特征值,/>表示第u张清晰帧图像的信息熵,/>表示第u张清晰帧图像中包含的闭合边缘的数量,/>表示第u张清晰帧图像中第m个闭合边缘上包含的像素点的数量,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的横坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的纵坐标,/>表示第u张清晰帧图像中第m个闭合边缘上第z个像素点的邻域内的信息熵。
5.根据权利要求1所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述根据每张视频帧灰度图像中像素点的灰度值分布信息以及灰度值波动情况,对视频帧灰度图像进行分类,获得模糊帧图像和清晰帧图像,具体包括:
将第一张视频帧灰度图像作为目标帧图像,将除第一张视频帧灰度图像外其他视频帧图像作为参照帧图像;根据每张参照帧图像的信息熵和所有像素点的灰度值波动、以及目标帧图像的信息熵和所有像素点的灰度值波动,得到每张参照帧图像的模糊程度;
将模糊程度大于预设的程度阈值对应的参照帧图像作为模糊帧图像,否则为清晰帧图像。
6.根据权利要求5所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述参照帧图像的模糊程度的获取方法具体为:
其中,表示第n张参照帧图像的模糊程度,/>表示第n张参照帧图像的条件系数,/>表示第n张参照帧图像的信息熵,/>表示第n张参照帧图像中所有像素点的灰度值的标准差,/>表示目标帧图像的信息熵,/>表示目标帧图像中所有像素点的灰度值的标准差,/>表示艾佛森括号,exp( )表示以自然常数e为底的指数函数。
7.根据权利要求1所述一种用于排球辅助训练的图像优化通信方法,其特征在于,所述根据所述第一聚类结果和第二聚类结果,分别对每个聚类簇下的视频帧灰度图像进行压缩处理,具体包括:
对于第一聚类结果和第二聚类结果中任意一个聚类簇,将聚类簇中最小的视频帧灰度图像的信息熵对应的视频帧灰度图像作为参考帧,对该聚类簇利用预测编码压缩算法进行压缩处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218163.0A CN117812275B (zh) | 2024-02-28 | 2024-02-28 | 用于排球辅助训练的图像优化通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218163.0A CN117812275B (zh) | 2024-02-28 | 2024-02-28 | 用于排球辅助训练的图像优化通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117812275A CN117812275A (zh) | 2024-04-02 |
CN117812275B true CN117812275B (zh) | 2024-05-28 |
Family
ID=90425862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410218163.0A Active CN117812275B (zh) | 2024-02-28 | 2024-02-28 | 用于排球辅助训练的图像优化通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117812275B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011248702A (ja) * | 2010-05-28 | 2011-12-08 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体 |
CN108921178A (zh) * | 2018-06-22 | 2018-11-30 | 北京小米移动软件有限公司 | 获取图像模糊程度分类的方法、装置、电子设备 |
CN110418134A (zh) * | 2019-08-01 | 2019-11-05 | 字节跳动(香港)有限公司 | 基于视频质量的视频编码方法、装置及电子设备 |
CN110866903A (zh) * | 2019-11-08 | 2020-03-06 | 北京工业大学 | 基于霍夫圆变换技术的乒乓球识别方法 |
CN113709464A (zh) * | 2021-09-01 | 2021-11-26 | 展讯通信(天津)有限公司 | 视频编码方法及相关设备 |
WO2022246294A1 (en) * | 2021-05-21 | 2022-11-24 | Ventana Medical Systems, Inc. | Automated segmentation of artifacts in histopathology images |
CN115994865A (zh) * | 2022-10-26 | 2023-04-21 | 科实(大连)嵌入式技术开发有限公司 | 一种颤振模糊图像的复原方法、采集复原装置及监控*** |
CN117115014A (zh) * | 2023-07-31 | 2023-11-24 | 海信集团控股股份有限公司 | 一种模糊图像恢复方法、装置及电子设备 |
CN117474817A (zh) * | 2023-12-26 | 2024-01-30 | 江苏奥斯汀光电科技股份有限公司 | 对合成连续图像进行内容一致化的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140098899A1 (en) * | 2012-10-05 | 2014-04-10 | Cheetah Technologies, L.P. | Systems and processes for estimating and determining causes of video artifacts and video source delivery issues in a packet-based video broadcast system |
-
2024
- 2024-02-28 CN CN202410218163.0A patent/CN117812275B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011248702A (ja) * | 2010-05-28 | 2011-12-08 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体 |
CN108921178A (zh) * | 2018-06-22 | 2018-11-30 | 北京小米移动软件有限公司 | 获取图像模糊程度分类的方法、装置、电子设备 |
CN110418134A (zh) * | 2019-08-01 | 2019-11-05 | 字节跳动(香港)有限公司 | 基于视频质量的视频编码方法、装置及电子设备 |
CN110866903A (zh) * | 2019-11-08 | 2020-03-06 | 北京工业大学 | 基于霍夫圆变换技术的乒乓球识别方法 |
WO2022246294A1 (en) * | 2021-05-21 | 2022-11-24 | Ventana Medical Systems, Inc. | Automated segmentation of artifacts in histopathology images |
CN113709464A (zh) * | 2021-09-01 | 2021-11-26 | 展讯通信(天津)有限公司 | 视频编码方法及相关设备 |
CN115994865A (zh) * | 2022-10-26 | 2023-04-21 | 科实(大连)嵌入式技术开发有限公司 | 一种颤振模糊图像的复原方法、采集复原装置及监控*** |
CN117115014A (zh) * | 2023-07-31 | 2023-11-24 | 海信集团控股股份有限公司 | 一种模糊图像恢复方法、装置及电子设备 |
CN117474817A (zh) * | 2023-12-26 | 2024-01-30 | 江苏奥斯汀光电科技股份有限公司 | 对合成连续图像进行内容一致化的方法 |
Non-Patent Citations (2)
Title |
---|
Efficient Color Artifact Removal Algorithm Based on High-Efficiency Video Coding (HEVC) for High-Dynamic Range Video Sequences;J. -H. Lee, Y. -W. Lee, D. Jun and B. -G. Kim;IEEE Access;20200330;全文 * |
基于模糊分类的快速分形图像编码方法;韩金姝;;计算机辅助工程;20060930(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117812275A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264493B (zh) | 一种针对运动状态下的多目标对象追踪方法和装置 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN108022258B (zh) | 基于单次多框检测器与卡尔曼滤波的实时多目标跟踪方法 | |
CN111401311A (zh) | 一种基于图像检测的高空抛物识别方法 | |
CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
CN107958441B (zh) | 图像拼接方法、装置、计算机设备和存储介质 | |
CN107358141B (zh) | 数据识别的方法及装置 | |
KR20120042849A (ko) | 스포츠 비디오에서의 파 뷰 장면들에 대한 비디오 프로세싱을 검출하고 적응시키기 위한 방법 | |
CN109684919B (zh) | 一种基于机器视觉的羽毛球发球违例判别方法 | |
CN110555866A (zh) | 一种改进kcf特征描述符的红外目标跟踪方法 | |
Van Zandycke et al. | 3D ball localization from a single calibrated image | |
CN112104869A (zh) | 一种视频大数据存储及转码优化*** | |
US8311269B2 (en) | Blocker image identification apparatus and method | |
JP7096175B2 (ja) | オブジェクト抽出方法および装置 | |
CN117812275B (zh) | 用于排球辅助训练的图像优化通信方法 | |
CN116797961A (zh) | 运动球体的画面采集方法、装置、计算机设备和存储介质 | |
CN110910489A (zh) | 一种基于单目视觉的智能球场运动信息采集***与方法 | |
TW201742006A (zh) | 場線之擷取重建方法 | |
CN113362390B (zh) | 一种基于椭圆检测的快速圆形目标定位视频处理方法 | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
CN114782860A (zh) | 一种监控视频中暴力行为检测***及方法 | |
CN110969133B (zh) | 一种乒乓球比赛视频的智能数据采集方法 | |
CN113066077A (zh) | 火焰检测方法及装置 | |
US9959632B2 (en) | Object extraction from video images system and method | |
CN110830734A (zh) | 一种突变和渐变镜头切换识别方法 |
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 |