网络环境下大规模图像与视频数据高效处理的方法
【专利摘要】一种网络环境下大规模图像与视频高效数据处理的方法，包括一下步骤分析采集的海量图像或视频序列的数据特征，提出有效的大规模数据约简方法；提出特征图像聚类方法、模糊分类方法，实施海量图像的分类；利用图像或数据特征对图像进行编码、表示、分类，对图像进行压缩处理，实施数据建模和传输；提取网络环境下目标的多维有效特征参数。本发明为提高信息处理实时性和准确性提供一种思路方法，对不确定条件下的信息处理提供有价值的参考，具有重要的理论借鉴和现实意义。本发明能节约资源、降低开支、减少不必要的损坏或损伤等，将对军事、民事、公安系统、道路交通等所有基于视频系统的目标识别与跟踪的发展起到重要的借鉴和参考作用。
【专利说明】网络环境下大规模图像与视频数据高效处理的方法
【技术领域】
[0001] 本发明属于图像信息处理【技术领域】，具体涉及一种网络环境下大规模图像与视频 数据高效处理的方法。
【背景技术】
[0002] 近年来，随着各种成像技术的完善，以及相应的数据收集能力的持续增加，获得 了越来越多的变化数据，当海量的模糊图像应用于军事目标的监测时，当收集的大规模的 图像数据应用于实际目标的监测时，应用传统的图像判读方式已经不能满足信息获取的实 际需求，迫切需要开展大规模图像特征自动提取的研究。
[0003] 在有些场合如红外制导中，需要能够尽快地截获并锁定跟踪目标。那么实施大规 模图像与视频数据的高效处理，对在军事、民事等各个领域的应用显得越来越重要，也越来 越急迫。
[0004] 目前对网络环境下大规模航空图像的快速、准确的筛选、有效数据的存储、传输和 提取等问题的处理缺乏解决方法，这些问题已成为图像处理领域的一个热点问题，这也是 现在许多部门棘手且亟待解决的问题。
[0005] 但目前对大规模图像特征的多维参数提取问题的处理缺乏解决方法，这也是现在 许多部门棘手且亟待解决的问题。由此，多维参数提取工作已变得越来越重要也越来越困 难。
【发明内容】
[0006] 本发明要解决的技术问题是提供一种网络环境下大规模图像与视频数据高效处 理的方法，为提高信息处理实时性和准确性提供一种思路，对不确定条件下的信息处理具 有重要的理论借鉴和现实意义，有助于目标识别与图像处理人员了解检测目标的运动规 律、活跃程度及其对其他目标的影响，从而给出相应的决策，寻求抑制或消除不良因素对其 或其他重要目标的影响都是非常必要的；对军事、民事、公安系统、道路交通等所有基于视 频系统的目标识别与跟踪的发展起到重要的借鉴和参考作用。
[0007] 为了达到上述目的，本发明的技术方案是：一种网络环境下大规模图像与视频数 据高效处理方法，其步骤包括：
[0008] 步骤一，分析采集的海量图像或视频序列的数据特征，提出有效的大规模数据约 简方法；
[0009] 步骤二，提出特征图像聚类方法、模糊分类方法，对约简后提取的有效数据实施海 量图像的分类；
[0010] 步骤三，利用图像或数据特征对聚类或分类后后的图像进行编码、表示、分类，对 图像进行压缩处理，实施数据建模和传输；
[0011] 步骤四，提取网络环境下目标的多维有效特征参数。
[0012] 所述大规模数据约简方法包括：
[0013] ①按照约简的定义实现对大规模数据的约简算法
[0014] 即条件属性C相对于决策属性De的约简问题，从条件属性集合C中发现部分必要 的条件属性，使得根据这部分条件属性形成的相对于决策属性的分类和所有条件属性所形 成的相对于决策属性的分类一致，即和所有条件属性相对于决策属性De有相同的分类能 力，具体算法如下：
[0015] 输入：条件属性集合C = {a。a2，…，aj，决策属性集合De = {de};
[0016] 输出：一个属性约简集合RED (A)，这里A是属性全集；
[0017] 步骤1 :计算决策属性集合De的条件属性集合C正域POS。(De);
[0018] 步骤2 :对属性a,_ e C，去除它所得到的条件属性子集(：\匕}，计算决策属性集合 De的C\ {aj正域
【权利要求】
1. 一种网络环境下大规模图像与视频高效数据处理的方法，其特征在于： 步骤一，分析采集的海量图像或视频序列的数据特征，提出有效的大规模数据约简方 法； 步骤二，提出特征图像聚类方法、模糊分类方法，对约简后提取的有效数据实施海量图 像的分类； 步骤三，利用图像或数据特征对聚类或分类后后的图像进行编码、表示、分类，对图像 进行压缩处理，实施数据建模和传输； 步骤四，提取网络环境下目标的多维有效特征参数。
2. 根据权利要求1所述的网络环境下大规模图像与视频高效数据处理的方法，其特征 在于，所述大规模数据约简方法包括： ① 按照约简的定义实现对大规模数据的约简 即条件属性C相对于决策属性De的约简问题，从条件属性集合C中发现部分必要的条 件属性，使得根据这部分条件属性形成的相对于决策属性的分类和所有条件属性所形成的 相对于决策属性的分类一致，即和所有条件属性相对于决策属性De有相同的分类能力，具 体算法如下： 输入：条件属性集合C=Ia1,a2,…，an},决策属性集合De= {de}; 输出：一个属性约简集合RED(A)，这里A是属性全集； 步骤1 :计算决策属性集合De的条件属性集合C正域POSe(De); 步骤2:对属性aieC，去除它所得到的条件属性子集C\{aj，计算决策属性集合De的 c\{ai}正域凡乃, 步骤3 :如果则说明属性％对于决策属性De是不必要的， 即0 = (：\{&1}，转步骤2;否则，输出属性约简集合1^^)=(：; ② 区分矩阵约简算法 首先构造区分矩阵，在区分矩阵的基础上得到区分函数，然后应用吸收律对区分函数 进行化简，使之成为析取范式，则每个主蕴涵式均为约简的；具体算法为： 对信息系统S= (U，A=CUDe)，其中U为待研究的对象集合，C为条件属性集合，De为决策属性集合，假设决策属性中决策类的个数为k个，该信息系统的区分矩阵是一个对 称|U|X|U|矩阵，矩阵的每一项Cij定义为
其中，XiGu，XjGU是研究的对象，a是属性，a(Xi)表示对象Xi的属性，De(Xi)表示Xi的决策属性；如果De(Xi)关De(Xj)，Cij代表了可以将Xi和Xj区分开的属性集合； 区分函数可以从区分矩阵中构造，方法是把(^_的每个属性"或"起来，然后再"与"所 有的Cij,其中i，j= 1，…，|U|，则区分函数f(S)为
因为代表了区分两个对象的属性集合，所以区分函数就代表了可以区分开所有对 象的属性集合，再使用吸收律化简区分函数成标准式，即 f (S)=V(八am) (3) 则所有的质蕴涵式A am包含的属性就确定了信息系统的所有约简集合； ③基于属性重要性的启发式约简算法 使用核作为计算约简的出发点，计算一个最好的或者用户指定的最小约简，将属性的 重要性作为启发规则，首先按照属性的重要程度从大到小逐个加入属性，直至待处理的数 据集合是一个约简为止，然后检查数据集合中的每个属性，即移走的属性是否会改变数据 集合对决策属性的依赖度，如果不影响，则将其删除，具体实施为： 初始化候选集Red为核属性：Red = Core ; 计算整个条件属性集C的依赖程度fmax，即计算决策属性集De对去除属性aieC所 得到的条件属性子集C\ {aj的正域; IT13-X- 0 ; 当max〈fmax时，循环过程：在候选集Red中加入新属性，计算使Red集依赖系数最大的 属性i，Red = Red U {i}，max = Red的依赖程度，对于Red的每个非核属性，去掉是否影响 依赖系数，若否，则可删除； 返回Red，结束。
3.根据权利要求1所述的网络环境下大规模图像与视频高效数据处理的方法，其特征 在于所述特征图像聚类方法和模糊分类方法的具体实现方法为：按图像或视频中的目标关 联性、特征属性对约简后提取的有效数据进行分类，把N个样本共分成n个类别（l〈n〈N)， 这n个类别分别为WpW2, --?，￥"的样本集合，每类有标明类别的样本Ni个，i= 1，2, --?，]!， 设样本的属性有q个，则样本点的指标将可以构成一个q维特征空间，所有的样本点在这 个q维特征空间里都有惟一的点相对应；则对任何一个待分类的样本1 =〈31(1)，32(1)，一 ，aq(X) >，其中as (X)表示样本X的第s个属性；对一待分类的实例z，在训练样本数据集中 按照定义距离选出最接近z的k个实例，用Z1,Z2,…，zk表示，设Ic1,k2,…，kn分别是k个近 邻中属于类W1,W2,…，Wn的样本数，若Ici最大，实例z就属于Wi类，其中定义距离为：设样本 X=〈a: (X)，a2 (X)，…，aq (X) > 和样本y=〈a: (y)，a2 (y)，…，aq (y) >，距离定义为：
待识别目标具体的分类实施方法为：首先对待分类的样本进行分类，分类准则要求属 于某一个类别的实例到类内中心的距离越小越好，到类间中心距离越大越好；根据每类别 的属性，求出平均值作为类别中心〇i，i= 1，2,…，n;设Iik是第k个样本对第i类的隶属 度函数，〇彡€ik彡1且0<乞4 <#，W=Uik};设dik =IIxk-OiII是样本Xk和第i 类中心Oi的距离，m>l是模糊加权指数；通过定义类内距离和类间距离，使其满足类内距离 越小越好，类间距离越大越好；定义类内距离为
定义类间距离
综合式（5)和（6)，定义目标函数Jm(W，n)为
在式（5)-(7)中，Wi =U』是对固定的i的集合，W=U』是对所有的i的集 合； 由于一个目标最终需要按隶属度的原则归属为一类问题，则目标函数满足一定的约束 为：
由式⑵知，要求1)定义的Iij应与Clij为反比关系，艮PIij关于Clij是单调减函数； 2) ^ij关于模糊加权指数m是单调增函数；3)隶属度^ij :0彡^ij彡1，且又要求各类别中 N. 必须至少包含一个样本，但样本不可能同属于一个类别，则成立；4)同时^ij 满足式（8);根据1) 一 4)，可定义€u为：
可证明式（9)满足条件1)-4); 在约束式（8)下通过反复迭代求目标函数式（7)的极小值，确定最终由求 各类别的中心Oi如下：
4.根据权利要求1所述的网络环境下大规模图像与视频高效数据处理的方法，其特 征在于，所述图像压缩、编码和解码处理方法包括加密编码算法和解密译码算法，所述加密 编码算法如下：设当前输入的图像或视频中目标特征为u(1)，并设此前输入的m个特征为 u(1-1)，…，u(1-m)，经过加密算法，得出当前输出信息为V(1)，那么有 V(I)=f(u(l)，U(l-l)，…，U(l-m)),1 = 0, 1，2,…（11) 其中，f为二元线性卷积码运算，即v(l) =f(u(l)，G(l-h)) =u(l-h) .G1^GhSkXn的二兀矩阵，h= 0, 1，2,…，m;若记u的长度恒为k比特，v的长度恒为n比特，均称为一 段； 因此，对于消息段序列u= (u(0),u(l),…，u(m)，u(m+l),…），相应的输出段序列为V =(V(0)，V(1)，…，V(m)，V(m+1)，…），并且满足
式（12)是卷积编码模型； 所述解密译码算法如下：设对应于发送码字或路径的接收段序列为r=(r(O)，r(1)，…，r(1)，…），且各个码字为等概率发送，则卷积的最大概率译码是寻找一条 路径P = (p (0)，P (1)，…，P (1)，…），使概率P(I r I / I p I)或对数概率IogP(I r I / I p I)最大， 其中，I?I表示路径的信息量大小； 对于无记忆信道和有限L段接收序列，在I=L时刻，收到1 = 0, 1，2,…，L-I共L段 接收序列后，最大概率译码是寻求一条路径^，使得
其中，P(0,L-1)表示一条段记号从0到L-I的共L段长路径； 卷积码在I=L时刻的最大概率译码是在I=L时刻求解一条最优路径，而求解1时 刻的最优路径等价于求解当前时刻的最优分支和1-1时刻的另一条最优路径，从而卷积码 的最大概率译码过程是一个不断求取最优路径的过程，即：
其中，〇 (1)表示第1时刻的连接路径状态，Y(1)表示第1时刻连接至状态〇 (1) 的分支P(I-I)的分支度量值是该分支的概率，即Y(I) =l〇gP(|r(l-l) |/|p(l-l)|)， P' (1-1)表示连接至〇(1)的可能连入分支，〇 ' (1-1)表示与〇(1)存在连接关系的状 态，Fj(I-I)是对应〇 ' (1-1)的最优路径值，r(〇 (1))或r(1)是连接至〇 (1)的路 径的分支度量值之和的最大值。
5.根据权利要求1所述的网络环境下大规模图像与视频高效数据处理的方法，其特征 在于，所述提取网络环境下目标的多维有效特征参数的提取方法包括构建特征树和剪枝， 实现方法为： ①构建特征树 定义由属性进行划分的度量，计算出当前数据子集最佳的划分属性；当选定了计算结 点代价的模糊度函数，特征树的生长过程中，每次试图找一个最优分叉值，来划分结点中的 样本，使得代价减小最大；模糊度函数小（De)是用来表示特征树结点t的模糊度或误差分 害Ij指标的，即为： I对
l-i 这里，De=We1,de2,…，de。}是一个决策集合，c是该决策集中决策类的个数,(Iei彡O是第i个决策类在决策属性集合De中的比例，且=1;E(t)是结点t的模糊度； i二1 在构造的特征树中，由于分叉而导致模糊度的改变量定义为： AE(t) =E(t)-(Ie1EU1) _derE(tr) (16) 这里，t是正在分叉的结点；EU1)和E(tj分别是结点t左右分支结点的模糊度；Cle1 和分别是结点t中左右分叉样本的百分比；对于每个内结点t的分叉，取结点t所有分 叉可能方式中模糊度改变量最大的一个，对于其他结点重复同样的搜索过程； ②剪枝 基于最小代价复杂性原理修剪特征树，修剪如下： 特征树T的剪枝指标E(t)定义为：
其中，T表示一棵特征树，t为根节点，f表示特征树T中的终结点集； 由可剪枝的指标，给出剪枝代价复杂性测度Ea (T):
其中，a是一个由于特征树的复杂性带来的代价的复杂度参数，|f|为特征树T的终结 点个数； 求特征树T的下一棵最小树：对于特征树T的每个内结点t，求出下一棵特征树T-Tt误 分的惩罚因子的值，即复杂度参数a的值，记为at，at为当前特征树剪枝前后误差指标的 变化量与终结点数目改变的比率：
其中，Tt表示根节点为t的子特征树，T-Tt表示剪枝后的特征树，并有r-rfcr为T的 子集；E(Tt)表示子特征树Tt的复杂性测度； 选择有最小at的内结点，因此，整个特征树的剪枝过程就是计算at，然后，求最小at，进而选择T-Tt为下次剪枝对象； 对每一个给定的a值，根据对应的其代价复杂性测度，总可以找到一个最小子特征树T(a)：
当a值增大时，T(ci) 一直保持最小，直到到达一个跳跃点a'，此时树T(a')成 为新的最小特征树； 确定好最小特征树TU)后，可求得其高度为hzna^-na^+l，这里，n(tf)是最终 叶结点的层数，naj是根结点的层数，那么，可获得网络环境下目标的多维有效特征为此 最小特征树T(a)的各叶结点。
【文档编号】G06K9/00GK104268532SQ201410519331
【公开日】2015年1月7日 申请日期:2014年9月30日 优先权日:2014年9月30日
【发明者】吴青娥, 方洁, 陈志武, 王宏, 丁莉芬, 何燕, 郑安平, 齐汝宾, 郑晓婉, 陈青华 申请人:郑州轻工业学院