计算机可读介质"包括计算机存储介质，但是不包括通信介质。 计算机存储介质包括W用于存储信息（例如计算机可读指令、数据结构、程序模块或者其 它数据）的任何方法或者技术来实现的易失性和非易失性、可移动的和不可移动的介质。 计算机存储介质包括但不限于随机存取存储器（RAM)、只读存储器（ROM)、电可擦写可编程 ROM巧EPROM)、闪速存储器或者其它存储器技术、压缩光盘ROM(CD-ROM)、数字多功能光盘 值VD)或者其它光存储器、磁带盒、磁带、磁盘存储器或者其它磁存储设备、或者可W被用于 存储用于由计算设备存取的信息的任何其它非传输介质。
[0091] 相反，通信介质可W实现计算机可读指令、数据结构、程序模块、或者经调制的数 据信号（例如载波）中的其它数据。如本文所定义的，计算机存储介质不包括通信介质。
[0092] 此外，本公开内容提供了各种示例实现方式，如所描述的W及如附图中示出的。然 而，如同对于本领域技术人员来说将会是已知的或者将会变得已知的那样，本公开内容不 限于本文所描述和示出的实现方式，而是可W扩展到其它实现方式。说明书中对"一种实 现方式"、"该实现方式"、"运些实现方式"或者"一些实现方式"的引用表示所描述的特定特 征、结构或者特性被包括在至少一种实现方式中，并且运些用语出现在说明书中的各种地 方并非必然都指代相同的实现方式。
[0093] 尽管W针对结构特征和/或方法动作的语言描述了主题，但是在所附的权利要求 书中限定的主题不限于上文所描述的具体特征或者动作。相反，上文所描述的具体特征和 动作是作为实现权利要求书的示例形式而被公开的。本公开内容旨在覆盖所公开的实现方 式的任何和所有适配或者变化，并且下面的权利要求书不应当被解释为限于说明书中公开 的具体实现方式。
【主权项】
1. 一种计算设备，包括： 一个或多个处理器； 一个或多个计算机可读存储介质，其存储可由所述一个或多个处理器执行的、用以执 行包括以下操作的动作的指令： 接收包括多个图像的图像采集； 基于图像特征来将所述多个图像聚集为一个或多个图像集合； 针对所述一个或多个图像集合中的每个特定的图像集合进行以下操作： 从所述特定的图像集合创建图像的基于特征的最小生成树；以及 执行对所述基于特征的最小生成树的根图像的基于特征的预测；以及 生成经编码的比特流，所述经编码的比特流包括对应于所述一个或多个图像集合的一 个或多个压缩图像集合。2. 根据权利要求1所述的计算设备，其中，在生成包括所述一个或多个压缩图像集合 的所述经编码的比特流之前，所述动作还包括： 使用率失真优化编码来将残差信号编码。3. 根据权利要求1所述的计算设备，其中，基于所述图像特征来将所述多个图像聚集 为所述一个或多个图像集合包括： 使用经匹配的128维梯度向量的平均绝对距离来确定两个要素之间的距离；以及 从所述图像采集中的图像选择质心，所述质心具有到相同群集中的其它图像的最小平 均距离。4. 根据权利要求1所述的计算设备，其中，从所述特定的图像集合创建所述图像的基 于特征的最小生成树包括： 基于所述图像中的每个图像离其它图像的基于特征的距离来创建所述图像的有向图； 以及 基于所述图像的所述有向图来生成所述图像的基于特征的最小生成树。5. 根据权利要求4所述的计算设备，其中： 尺度不变特征变换距离被用作所述有向图中的所述图像中的每个图像的边成本。6. 根据权利要求1所述的计算设备，其中，执行对所述基于特征的最小生成树的所述 根图像的所述基于特征的预测包括： 将所述根图像编码为不具有预测的图像内帧； 重建所述根图像；以及 执行图像间预测以生成用于将其它图像编码的预测图像。7. -种计算机可读存储设备，其存储可由一个或多个处理器执行的、用以执行包括以 下操作的动作的指令： 基于每个图像中的一个或多个特征将来自图像采集的图像聚集为一个或多个图像集 合； 基于每个图像中的所述一个或多个特征来从所述一个或多个图像集合中的每个集合 创建图像的最小生成树； 针对所述一个或多个图像集合中的每个图像集合，使用所述图像的最小生成树来执行 基于特征的预测；以及 生成对应于所述一个或多个图像集合的一个或多个压缩图像集合。8. 根据权利要求7所述的计算机可读存储器设备，其中，使用所述图像的最小生成树 来执行所述基于特征的预测包括： 针对所述一个或多个图像集合中的每个图像，执行基于尺度不变特征变换的变形以减 小由一个或多个地点以及一个或多个视角引起的几何失真。9. 根据权利要求7所述的计算机可读存储器设备，其中，使用所述图像的最小生成树 来执行所述基于特征的预测包括： 执行测光转换以减小所述一个或多个图像集合中的每个图像集合中的图像中的亮度 的变化。10. 根据权利要求7所述的计算机可读存储器设备，其中，使用所述图像的最小生成树 来执行所述基于特征的预测包括： 执行基于块的运动估计和补偿。11. 根据权利要求7所述的计算机可读存储器设备，所述动作还包括： 针对所述一个或多个图像集合中的每个集合中的每个图像确定尺度不变特征变换描 述符的集合；以及 基于针对至少两个图像中的每个图像的所述尺度不变特征变换描述符的集合来确定 所述一个或多个图像集合中的每个集合中的所述至少两个图像之间的相似性。12. 根据权利要求7所述的计算机可读存储器设备，其中，使用所述图像的最小生成树 来执行所述基于特征的预测还包括： 执行对所述一个或多个图像集合中的每个集合中的图像的全局水平对齐，以减小所述 图像之间的尺度失真和旋转失真差别。13. -种方法，其在一个或多个处理器的控制下执行，所述处理器被配置具有指令，所 述方法包括： 将多个图像聚集为一个或多个图像集合； 针对所述一个或多个图像集合中的特定的图像集合生成最小生成树； 基于所述最小生成树来执行基于特征的预测；以及 生成对应于所述特定的图像集合的压缩图像集合。14. 根据权利要求13所述的方法，其中，将所述多个图像聚集为所述一个或多个图像 集合包括： 针对所述多个图像中的每个图像创建尺度不变特征变换描述符的集合；以及 基于与至少两个图像中的每个图像相关联的所述尺度不变特征变换描述符的集合之 间的距离来确定所述至少两个图像之间的差别。15. 根据权利要求14所述的方法，其中，针对所述一个或多个图像集合中的所述特定 的图像集合创建所述最小生成树包括： 基于图像之间的基于特征的距离来生成有向图；以及 基于所述有向图的结构来生成所述最小生成树。16. 根据权利要求15所述的方法，其中： 所述有向图的节点之间的边成本是基于所述特定的图像集合中的每个图像的所述尺 度不变特征变换描述符的集合的。17. 根据权利要求13所述的方法，其中，基于所述最小生成树来执行所述基于特征的 预测包括： 执行针对所述特定的图像集合中的每个图像的全局水平对齐；以及 执行针对所述特定的图像集合中的每个图像的块水平运动估计。18. 根据权利要求17所述的方法，其中，执行针对所述特定的图像集合中的每个图像 的所述全局水平对齐包括： 执行基于尺度不变特征变换的变形以减小所述特定的图像集合中的至少一个图像的 几何失真。19. 根据权利要求17所述的方法，其中，执行针对所述特定的图像集合中的每个图像 的所述全局水平对齐包括： 执行测光转换以减小所述特定的图像集合中的图像之间的亮度的变化。20. 根据权利要求17所述的方法，其中，执行针对所述特定的图像集合中的每个图像 的所述块水平运动估计包括： 执行基于块的运动估计和补偿以减小局部偏移。
【专利摘要】一些示例可以从图像采集生成一个或多个压缩图像集合。可以基于每个图像中的一个或多个特征来将来自图像采集的图像聚集为一个或多个图像集合。可以基于每个图像中的一个或多个特征来从一个或多个图像集合中的每个图像集合创建相关结构，例如图像的最小生成树。可以使用基于特征的最小生成树来执行基于特征的预测。可以生成对应于一个或多个图像集合的一个或多个压缩图像集合。
【IPC分类】H04N5/917
【公开号】CN105409207
【申请号】CN201380078260
【发明人】X·孙, F·吴, Z·石
【申请人】微软技术许可有限责任公司
【公开日】2016年3月16日
【申请日】2013年7月15日
【公告号】EP3022899A1, WO2015006894A1