一种基于人眼视觉与自适应扫描的遥感图像压缩方法
阅读：910发布：2024-02-24
专利汇可以提供一种基于人眼视觉与自适应扫描的遥感图像压缩方法专利检索，专利查询，专利分析的服务。并且一种基于人眼视觉与自适应扫描的遥感图像压缩方法，属于遥感图像在线浏览技术领域。本 发明 在几乎不增加比特开销的 基础 上，能够提高重建遥感图像的视觉效果，解决了现有一般压缩方法虽然能够提供均方误差意义下 质量 较好的重建图像，但重建图像视觉效果并不理想的问题。本发明的技术方案为：先采用重要性加权掩膜对变换图像加权；然后计算加权后各子带 能量 ，并按照能量的降序排列确 定子 带间的扫描顺序；最后，对加权子带内部的扫描，根据子带的特性确定扫描方法。本发明有效提高重建遥感图像的视觉质量，满足了目前日益增长的遥感图像在线浏览的需求。本发明适用于遥感图像的在线浏览。，下面是一种基于人眼视觉与自适应扫描的遥感图像压缩方法专利的具体信息内容。
1.一种基于人眼视觉与自适应扫描的遥感图像压缩方法，其特征在于所述方法包括以下步骤：
步骤一、建立基于视网膜的小波域视觉敏感度模型；
步骤二、完成步骤一后，结合人眼与遥感图像观测距离的概率密度函数，生成重要性加权掩模，并对小波变换图像进行加权；
步骤三、计算加权后各小波子带能量，并按照能量的降序排列确定子带间的扫描顺序；
步骤四、根据子带的特性，确定子带内的扫描顺序；
步骤五、根据步骤三和步骤四确定的子带间扫描顺序和子带内扫描顺序，对加权后的变换图像Xw进行自适应扫描，生成一维系数序列；
步骤六、采用二叉树编码方法对步骤五生成的一维系数序列编码；
步骤一所述的建立基于视网膜的视觉敏感度模型的具体过程为：
步骤一一、建立基于空域的视觉敏感度模型；
步骤一二、建立小波域的视觉敏感度模型；
步骤一一所述的建立基于空域的视觉敏感度模型的具体过程为：
对于一幅遥感图像，空域的对比度阈值函数为
其中f表示空间频率，e表示视网膜偏心率，CT0表示最小对比度阈值，α表示空间频率衰减常数，e2表示半分辨率偏心率常数，CT(f,e)表示视觉对比度阈值，且为f和e的函数；
对给定的偏心率e，利用公式(1)得到对应的视觉截止频率fc，令CT(f,e)＝1，得到截止频率fc如下：
假设遥感图像的宽度是N个像素，黄斑中心凹对应的图像位置为 其中，
表示像素点pf对应的横坐标， 表示像素点pf对应的纵坐标，从人眼到图像的观测距离v是已知的，按像素计量，点p到点pf的距离为d(p)＝||p-pf||2，则按图像宽度计量，点p到点pf的距离u为u＝d(p)/N，则偏心率为
最大视觉感知分辨率受到显示分辨率r的限制，即
根据采样定理，显示器能表示的无混叠的最高频率，即奈奎斯特频率为
根据(2)和(5),对任意位置p，最终的视觉截止频率为
基于空域的视觉敏感度模型为
步骤一一所述的最小对比度阈值CT0为1/64，空间频率衰减常数α为0.106，半分辨率偏心率常数e2为2.3；
步骤一二所述的建立小波域的视觉敏感度模型的具体过程为：
小波系数的误差检测阈值为
其中a为常数、k为常数、f0为常数、gθ为常数，Aλ,θ是9/7小波变换基函数的幅值，λ是小波分解层，θ表示方向；
子带(λ,θ)的视觉失真敏感度Sw(λ,θ)为
基于(7)和(9)，对于小波域，相对于指定的一个黄斑中心凹点，小波系数的视觉敏感度模型为
p表示小波子带(λ,θ)中任意系数的位置，β1和β2分别表示用来控制Sw和Sf幅值的参数；
假设共有k个黄斑点 对于位置p处的小波系数，根据公式(10)计算其视觉敏
感度模型Si(v,p),i＝1,2,…,k，最后，对于指定的一个黄斑区域，小波系数的视觉敏感度模型为
步骤一二所述的控制Sw和Sf幅值的参数β1和β2分别为0.01，3；
步骤二所述的生成重要性加权掩模并对小波变换图像进行加权的具体过程为：
利用如下观测距离的概率密度函数：
其中，v表示人眼到图像的观测距离，μ为函数的均值，σ为函数的标准差；
位置p处小波系数的重要性加权掩膜为
假设黄斑中心凹点观测的是图像中心，根据公式(11)～(13)，生成重要性加权掩模，用生成的重要性加权掩模对小波变换图像进行加权，生成加权后的变换图像；
所述观测距离的概率密度函数中函数的标准差σ为0.4，函数的均值μ为1.2586；
步骤三所述的计算加权后各小波子带能量，并按照能量的降序排列确定子带间的扫描顺序的具体过程为：设变换图像为X，小波分解层数为J，
步骤三一、对变换图像X，采用公式(13)计算对应的重要性加权掩膜W；
步骤三二、用重要性加权掩膜对变换图像进行加权，将加权后的变换图像表示为Xw，即Xw＝X·W；
步骤三三、计算Xw中每个子带的能量，并将其表示为Eλ,θ，λ表示该子带对应的小波层数，λ＝1,2,…,J，θ表示该子带的方向，θ＝1,2,3,4，其中，“1”表示最低频子带，“2”表示水平方向子带，“3”表示对角方向子带，“4”表示垂直方向子带，对加权子带Xw(λ,θ)，对应子带能量为 R与C分别表示该子带的行数和列数，Xw(λ,θ)(i,j)表示在小波
层数为λ，方向为θ的加权子带中，位于点(i,j)处的系数值；
步骤三四、对所有子带，按能量Eλ,θ降序的顺序，确定子带间的扫描顺序。
2.根据权利要求1所述的一种基于人眼视觉与自适应扫描的遥感图像压缩方法，其特征在于步骤四所述的根据子带的特性，确定子带内的扫描顺序的具体过程为：
对每个加权子带Xw(λ,θ)：
(1)若该子带方向是“1”或“2”，则采用horizontal_z扫描方式；
(2)若该子带方向是“4”，则采用vertical_z扫描方式；
(3)若该子带方向是“3”，扫描方式由小波分解层方向为“2”和“4”的子带共同决定；
若Eλ,2≥Eλ,4，则该子带采用horizontal_z扫描方式；
若Eλ,2
一种基于人眼视觉与自适应扫描的遥感图像压缩方法
技术领域
[0001] 本发明涉及一种遥感图像压缩方法，特别涉及一种基于人眼视觉与自适应扫描的遥感图像压缩方法，属于遥感图像在线浏览技术领域。
背景技术
[0002] 随着传感器技术的发展，遥感图像的空间分辨率和光谱分辨率得到了极大的加强，这为遥感图像的应用带来了很大的便利。另一方面，丰富的数据是以巨大的数据量为代价的。最新的航天卫星每天都产生数以T计的高维遥感数据，这为数据的存储和传输带来了极大的挑战，这种情况可通过采用一些传统的压缩技术得到缓解，参见文献EZW[1]、SPIHT[2]、SPECK[3]、JPEG2000[4]，或对它们的一些改进，参见文献[30]～[36]。通常，这些压缩方法一般是在均方误差准则下衡量压缩效果的，也就是说，相同条件下，能够提供更小的均方误差的压缩方法，被认为是更好的压缩方法。然而，对于一幅重建图像，较小的均方误差并不意味着该图像适合所有的应用。事实上，对压缩方法的评价应取决于对应的应用。随着遥感图像的普及，大量的应用均与遥感图像的在线浏览有关。此外，当前的一个研究热点，数字地球，也需要一些视觉效果较好的遥感图像对其进行覆盖。在这种情况下，结合人眼视觉系统(HVS)进行设计的压缩方法更能满足应用需求。HVS是一个复杂的系统，其已被证明并不与均方误差准则相一致，参见文献[5]。因此，有必要从人眼的视觉机理出发，对遥感图像的压缩方法进行研究。
[0003] 人眼的视觉感知一直是某些研究的焦点，参见文献[5]。将视觉感知与编码方法融合有几种方法。一种是基于离散余弦变换(DCT)的方法，参见文献[6]-[8]；另一种是基于离散小波变换(DWT)的方法，参见文献[9]～[12]。一些编码方法是结合最小辨别误差(JND)模型进行设计的，该种方法是利用图像中一些微小变化并不能被人眼察觉这一特点，对压缩方法进行设计，参见文献[13][14]。此外，一些与视觉有关的压缩方法是基于JPEG2000进行设计的，参见文献[16][17]。近来，一些基于HVS的编码方法从信息论的角度进行设计，例如，文献[15]提出了一种基于视觉感知的编码方法,目的是保留自然图像中的二阶尺度不变特征，通过这种方法保证重建图像的视觉质量。文献18]建立了一些与HVS有关的新模型，并推导出了在特定场合下，能达到视觉无损的理论压缩极限。然而，所有这些方法都是针对自然图像进行设计的，并没有考虑到遥感图像的独特性质。
[0004] 对自然图像来说，小波变换以后，能够得到信号的紧凑表达，这有助于得到好的编码结果。然而，与自然图像相比，遥感图像有着独特的性质。遥感图像通常包含大量的地物信息，这使得遥感图像的细节极为丰富，如几何信息，边缘及纹理等，甚至是小目标的轮廓。因此，对遥感图像而言，好的压缩方法应能保留更多的细节信息。
[0005] 近年来，一些专门用于遥感图像的压缩方法被提出，参见文献[19]～[22]。这些压缩方法从几个方面对图像进行压缩，如方向小波变换(OWT)或稀疏表达。由于遥感图像通常是传感器以推扫的方式获得的且尺寸很大，因此，基于扫描的压缩方法受到了关注。文献[23]提出了一种基于扫描的方法，用JPEG2000以推扫的方式获取数据。然而，JPEG2000的高编码性能是以复杂的设计为代价的。空间数据系统咨询委员会(CCSDS)针对星上压缩，发布了一个标准，该CCSDS标准是一种基于扫描的方法，但不允许交互式解码，且小波分解层数固定为3。2009年，Vílchez等文献[24]对CCSDS标准进行了扩展，使其支持任意层数的小波分解，且允许几种形式的解码。然而，所有这些方法都是基于固定扫描，没有考虑到图像的内容。
[0006] 2012年，文献[25]提出了一种最新的基于扫描的方法，称作自适应二叉树编码(binary tree coding adaptively，BTCA)，该方法是针对遥感图像的压缩设计的。该方法能够明显提高编码性能。然而，尽管该方法在某种程度上与图像内容有关，但在建立二叉树之前，对变换图像的扫描依然采用固定的扫描方式。众所周知，不同的图像具有不同的内容。换句话说，对不同的遥感图像，重要系数的分布是不同的。因此，从扫描的角度，采用固定的扫描顺序并不能得到好的编码性能。
发明内容
[0007] 本发明的目的是提出一种基于人眼视觉与自适应扫描的遥感图像压缩方法，在几乎不增加比特开销的基础上，能够提高重建遥感图像的视觉效果，解决了现有一般压缩方法虽然能够提供均方误差意义下质量较好的重建图像，但重建图像视觉效果并不理想的问题。
[0008] 本发明为解决上述技术问题所采用的技术方案是：
[0009] 本发明所述的一种基于人眼视觉与自适应扫描的遥感图像压缩方法，是按照以下步骤实现的：步骤一、建立基于视网膜的小波域视觉敏感度模型；步骤二、完成步骤一后，结合人眼与遥感图像观测距离的概率密度函数，生成重要性加权掩模，并对小波变换图像进行加权；步骤三、计算加权后各小波子带能量，并按照能量的降序排列确定子带间的扫描顺序；步骤四、根据子带的特性，确定子带内的扫描顺序；步骤五、根据步骤三和步骤四确定的子带间扫描顺序和子带内扫描顺序，对加权后的变换图像Xw进行自适应扫描，生成一维系数序列；步骤六、采用二叉树编码方法对步骤五生成的一维系数序列编码。
[0010] 本发明的有益效果是：
[0011] 1、本发明在考虑了人眼视觉模型的基础上，按视觉重要性对遥感图像各位置进行加权，此外，根据不同子带的特性，对子带间扫描和子带内扫描设计了不同的扫描方法，实验证明，在给定比特率的情况下，本发明能提供更好的重建图像的视觉质量。附图说明
[0013] 图2为黄斑和观测距离的映射模型示意图，其中1为视网膜，2为视网膜中心凹，3为一幅遥感图像，4为视网膜中心凹投影，p′表示遥感图像上的点p在视网膜上的映射位置，pf表示视网膜中心凹在遥感图像上的投影，r表示视网膜半径，e表示视觉离心率，u为点p到pf的距离，v为人眼到图像的观测距离；
[0014] 图3为观测距离v的概率分布模型示意图；
[0015] 图4为重要性加权掩模示意图；图5为扫描方式示意图，其中(a)为“水平z扫描”，用于水平信息较多的子带，圆点表示扫描的开始，箭头表示扫描方向，(b)为“垂直z扫描”，用于垂直信息较多的子带，圆点表示扫描的开始，箭头表示扫描方向；
[0016] 图6为本发明验证中原始图像和对应的扫描过程示意图，其中(a)为Lunar(8位,大小是512×512)，(b)为对加权后的变换图像进行自适应扫描的过程，箭头表示扫描方向，(c)为morton扫描生成的一维系数序列，(d)为本发明方法生成的一维系数序列；
[0017] 图7为本发明验证中对测试图像“coastal-b1”，采用本发明方法以及其它扫描方法得到的重建图像比较示意图，其中(a)为原始图像，(b)为观测距离v＝5时，黄斑中心凹观察到的区域，(c)和(d)为采用SPIHT压缩方法，分别在码率为0.0313bpp和0.0625bpp时，得到的重建图像，(e)和(f)是采用JPEG2000压缩方法，分别在码率为0.0313bpp和0.0625bpp时，得到的重建图像，(g)和(h)是采用BTCA压缩方法，分别在码率为0.0313bpp和0.0625bpp时，得到的重建图像，(i)和(j)为采用本发明方法，分别在码率为0.0313bpp和0.0625bpp时，得到的重建图像，其中白色小方框内视觉提高效果更为明显；
[0018] 图8为本发明验证中对测试图像“coastal-b1”，在不同比特率下，几种质量评估指标的比较结果示意图，其中(a)为FWQI的结果，(b)为VSNR的结果，(c)MS-SSIM的结果；
[0019] 图9为本发明验证中采用的部分遥感图像示意图，其中(a)为ocean_2kb1，(b)为pavia1，(c)为pavia2，(d)为houston，(e)为pleiades_portdebouc_pan1，(f)为pleiades_portdebouc_pan2。
具体实施方式
[0020] 结合附图进一步详细说明本发明的具体实施方式。
[0021] 人眼通过视网膜来采集并处理视觉信息，参见文献[5]，在视网膜中，感光器的空间分布是不均匀的，在黄斑区域的分布密度最大。随着离黄斑的距离的增大，感光器分布密度急剧减小，因此，对应的空间视觉频带也急剧减小。对人眼来说，它不能感知到超过给定截止频率的空间频率，也就是说，从HVS的角度来说，没有必要保留空间频率特别高的图像信息。因此，在给定的比特率下，如果想要提高重建图像的视觉质量，就一定要考虑视网膜的特性。
[0022] 具体实施方式一：结合图1说明本实施方式，本实施方式所述的一种基于人眼视觉与自适应扫描的遥感图像压缩方法，包括以下步骤：步骤一、建立基于视网膜的小波域视觉敏感度模型；步骤二、完成步骤一后，结合人眼与遥感图像观测距离的概率密度函数，生成重要性加权掩模，并对小波变换图像进行加权；步骤三、计算加权后各小波子带能量，并按照能量的降序排列确定子带间的扫描顺序；步骤四、根据子带的特性，确定子带内的扫描顺序；步骤五、根据步骤三和步骤四确定的子带间扫描顺序和子带内扫描顺序，对加权后的变换图像Xw进行自适应扫描，生成一维系数序列；步骤六、采用二叉树编码方法对步骤五生成的一维系数序列编码。
[0023] 之后，解码端采用二叉树方法进行解码，得到重建后的加权变换图像，采用视觉加权掩膜进行反加权，经过逆小波变换即可得到重建图像。
[0024] 具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一所述的建立基于视网膜的视觉敏感度模型的具体过程为：步骤一一、建立基于空域的视觉敏感度模型；步骤一二、建立小波域的视觉敏感度模型。
[0025] 具体实施方式三：结合图2说明本实施方式，本实施方式与具体实施方式一或二不同的是：步骤一一所述的建立基于空域的视觉敏感度模型的具体过程为：对于视网膜来说，视觉在黄斑区域的敏感程度最高。在文献[26]中，其建立了黄斑和观测距离的映射模型，如图2所示。对于一幅遥感图像，空域的对比度阈值函数为
[0026]
[0027] 其中f表示空间频率，e表示视网膜偏心率(度)，CT0表示最小对比度阈值，α表示空间频率衰减常数，e2表示半分辨率偏心率常数，CT(f,e)表示视觉对比度阈值，且为f和e的函数；
[0028] 对给定的偏心率e，利用公式(1)得到对应的视觉截止频率fc，也就是说，任何高于fc的频率都是视觉不可见的。令CT(f,e)＝1，即可得到截止频率fc如下：
[0029]
[0030] 显然，截止频率fc仅取决于偏心率e。
[0031] 假设遥感图像的宽度是N个像素，黄斑中心凹对应的图像位置为 其中， 表示像素点pf对应的横坐标， 表示像素点pf对应的纵坐标，从人眼到图像的观测距离v(按图像宽度计量)是已知的，按像素计量，点p到点pf的距离为d(p)＝||p-pf||2，则按图像宽度计量，点p到点pf的距离u为u＝d(p)/N，则偏心率为
[0032]
[0033] 从公式(2)和(3)，可以看到，对于给定的观测距离，截止频率是像素位置的函数。另一方面，最大视觉感知分辨率受到显示分辨率r的限制，即
[0034]
[0036]
[0037] 根据(2)和(5),对任意位置p，最终的视觉截止频率为
[0038]
[0039] 基于空域的视觉敏感度模型为
[0040]
[0041] 具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤一一所述的最小对比度阈值CT0为1/64，空间频率衰减常数α为0.106，半分辨率偏心率常数e2为2.3。
[0042] 具体实施方式五：结合图2说明本实施方式，本实施方式与具体实施方式一至四之一不同的是：步骤一二所述的建立小波域的视觉敏感度模型的具体过程为：大多数的图像压缩方法都是在小波域进行的。对于9/7小波变换，误差检测阈值可以采用2AFC法计算，参见文献[27]。通过对实验结果的拟合，小波系数的误差检测阈值为
[0043]
[0044] 其中a为常数、k为常数、f0为常数、gθ为常数，Aλ,θ是9/7小波变换基函数的幅值，λ是小波分解层，θ表示方向，r是显示分辨率，a,k,f0,gθ和Aλ,θ的值见文献[27].子带(λ,θ)的视觉失真敏感度Sw(λ,θ)为
[0045]
[0047]
[0048] p表示小波子带(λ,θ)中任意系数的位置，β1和β2分别表示用来控制Sw和Sf幅值的参数；从图2中，我们可以看到，tan(e)＝u/v＝d/Nv,也就是说，d＝Nv tan(e)≈Nve。这里，e的单位是弧度。对于人眼视觉系统，最高的视觉精度是在黄斑区内且覆盖2°的视角(单位：弧度)。因此，d＝Nvπ/90。这说明黄斑区域是半径为d的圆形。
[0049] 对于黄斑区域，可以将其看作是多个黄斑中心点的集合。假设共有k个黄斑点对于位置p处的小波系数，根据公式(10)计算其视觉敏感度模型Si(v,p),i＝1,2,…,k，最后，对于指定的一个黄斑区域，小波系数的视觉敏感度模型为
[0050]
[0051] 具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤一二所述的控制Sw和Sf幅值的参数β1和β2分别为0.01，3。
[0052] 具体实施方式七：结合图3，图4说明本实施方式，本实施方式与具体实施方式一至六之一不同的是：步骤二所述的生成重要性加权掩模并对小波变换图像进行加权的具体过程为：重要性加权掩模的目的是保证对视觉质量贡献较大的比特先编码并传输。根据公式(10)，视觉敏感度与观测距离是紧密联系的。然而，在实际应用中，编码器事先并不知道解码端用户的观测距离v，文献[26]在计算系数加权时，将观测距离的概率分布考虑在内，通过这种方式确定加权距离。
[0053] 观测距离的概率密度函数为
[0054]
[0055] 其中，v表示人眼到图像的观测距离，μ为函数的均值，σ为函数的标准差；观测距离的概率密度曲线如图3所示。
[0056] 位置p处小波系数的重要性加权掩膜为
[0057]
[0058] 假设黄斑中心凹点观测的是图像中心，根据公式(11)～(13)，生成重要性加权掩模，如图4所示。
[0059] 具体实施方式八：结合图4说明本实施方式，本实施方式与具体实施方式一至七之一不同的是：观测距离的概率密度函数中函数的标准差σ为0.4，函数的均值μ为1.2586。
[0060] 基于HVS的自适应扫描(HAS)；根据重要性加权掩膜对每个小波系数进行加权；
[0061] 假设变换图像是X,其大小为M×N，对图像的扫描过程，定义为从一个闭区间[1,2,...,M×N]到扫描顺序{(i,j):1≤i≤M,1≤j≤N}的双射函数f，其扫描顺序中的坐标对表示图像中系数的位置，参见文献[28].扫描后，二维的变换图像被转化为一维的序列，可表示为[Xf(1),Xf(2),...,Xf(MN)]。不同的扫描方法，如morton扫描，zigzag扫描，raster扫描等，实际上就是具有不同定义的双射函数f。一旦确定了函数f的定义，对变换图像的编码过程，就变成了对一维序列 的压缩过程。
[0062] 对于一幅变换图像，先扫描的系数被先编码。通常，码流是按照扫描的顺序来组织的。这说明，对于先扫描到的系数，对应的码流一般在整个码流的前面。显然，这部分码流也会被先解码，必要的时候解码后直接显示。因此，在相同的比特率下，不同的扫描顺序会生成不同的重建图像的质量。如果那些对图像重建贡献更大的系数能先扫描，那么重建图像的质量一定会得到改善。
[0063] 一般地，二维图像是通过一些经典的扫描方法转化为一维序列，如光栅扫描，zigzag扫描，morton扫描和希尔伯特(Hilbert)扫描。不同的扫描方法适合于不同的应用。其中，为无损压缩设计的基于上下文的预测技术，一般采用光栅扫描。文献[28]指出，在采用基于预测的技术时，图像的空间相关性使光栅扫描在本质上要优于其它的扫描方式。对于基于DCT变换的编码方法，zigzag扫描方法可以有效的组织变换系数。然而，zigzag扫描本质上是一种“线”扫描，也就是说，其仅能表示不重要的“线”。对于小波变换图像来说，在小波域，不重要的“块”更为常见。如果这些不重要的“块”能够被合理的扫描，编码性能将得到很大的改善。
[0064] morton扫描可以较好的利用这种“块”的关系，一些经典的扫描方法，如EZW，SPIHT，都是基于morton扫描的。然而，虽然morton扫描可以以“块”的方式扫描图像，但并没有考虑到子带的特性。遥感图像通常含有较为丰富的细节信息，这使得小波变换后，高频子带中的信息仍然比较丰富。而且，各子带包含的信息量可能相差很多，这取决于图像的内容。因此，固定的扫描可能对编码性能造成很大的影响。此外，Hilbert扫描也可以看作是一种“块”扫描，由于具有良好的局部保持特性，Hilbert扫描曾被认为是用于图像压缩的最好的扫描方法。然而，与morton扫描类似，Hilbert扫描依然没有将子带的特性考虑在内。
[0065] 根据上面的分析，对小波变换图像的扫描，基于“块”的扫描方法更为适合。问题是：对于给定小波子带，哪种“块”扫描方法更为适合？此外，相对于自然图像，遥感图像的高频子带信息通常较为丰富，这使得不同的子带间扫描顺序会对重建图像的质量产生较大的影响。因此，如何确定子带间的扫描方法，是另一个需要考虑的问题。
[0066] 具体实施方式九：本实施方式与具体实施方式一至八之一不同的是：步骤三所述的计算加权后各小波子带能量，并按照能量的降序排列确定子带间的扫描顺序的具体过程为：设变换图像为X，小波分解层数为J，步骤三一、对变换图像X，采用公式(13)计算对应的重要性加权掩膜W；步骤三二、用重要性加权掩膜对变换图像进行加权，将加权后的变换图像表示为Xw，即Xw＝X·W；步骤三三、计算Xw中每个子带的能量，并将其表示为Eλ,θ，λ表示该子带对应的小波层数(λ＝1,2,…,J)，θ表示该子带的方向，θ＝1,2,3,4，其中，“1”表示最低频子带，“2”表示水平方向子带，“3”表示对角方向子带，“4”表示垂直方向子带。对加权子带Xw(λ,θ)，对应子带能量为
[0067]
[0068] R与C分别表示该子带的行数和列数，Xw(λ,θ)(i,j)表示在小波层数为λ，方向为θ的加权子带中，位于点(i,j)处的系数值；
[0069] 步骤三四、对所有子带，按能量Eλ,θ降序的顺序，确定子带间的扫描顺序；
[0070] 从数学角度，表示为
[0071]
[0072] permu表示子带顺序的重排。
[0073] 具体实施方式十：本实施方式与具体实施方式一至九之一不同的是：步骤四所述的根据子带的特性，确定子带内的扫描顺序的具体过程为：
[0074] 对每个加权子带Xw(λ,θ)：
[0075] (1)若该子带方向是“1”或“2”，则采用horizontal_z扫描方式；
[0076] (2)若该子带方向是“4”，则采用vertical_z扫描方式；vertical_z扫描方式见图5(b)。该扫描方式是对垂直信息较多的子带进行设计的，设计扫描的原则是“先垂直后水平”，同时扫描单元是以“块”的方式进行，兼顾了“块”扫描的优点。
[0077] (3)若该子带方向是“3”，扫描方式由该层方向为“2”和“4”的子带共同决定；
[0078] 若Eλ,2≥Eλ,4，则该子带采用horizontal_z扫描方式；
[0079] 若Eλ,2
[0080] 本发明的主要思想如下：先采用重要性加权掩膜对变换图像加权；然后计算加权后各子带能量，并按照能量的降序排列确定子带间的扫描顺序；最后，对加权子带内部的扫描，根据子带的特性确定扫描方法。对水平方向子带，其反映的是图像在水平方向的信息，故采用“horizontal_z扫描”作为扫描方法。同样，对那些垂直方向子带，其反映的是图像垂直方向的信息，如果扫描能沿着垂直方向进行，则在给定码率下，更多的垂直信息可以被保留。在本发明中，对垂直子带提出了一种“vertical_z扫描”的方法。“horizontal_z扫描”和“vertical_z扫描”分别如图5中(a)、(b)所示。对于对角子带，扫描方法取决于图像本身。若在当前小波层，图像的水平信息多于垂直信息，则对角子带采用“horizontal_z扫描”，反之，对角子带采用“vertical_z扫描”。
[0081] 对本发明的验证如下：
[0082] 原始图像如图6中(a)所示。对于给定的图像，先计算其视觉敏感度模型，并结合观测距离的概率密度函数，生成重要性加权掩膜。然后根据重要性加权掩膜对每个小波系数进行加权。设小波分解层数为3，根据本发明的方法，计算每个加权后子带的能量，结果见表1。根据表1，可确定加权后子带的扫描顺序，即LL3、LH3、HH3、HL3、LH2、HH2、HL2、LH1、HL1、HH1。
[0083] 然后，对每个加权子带，其内部扫描顺序由子带特性决定。对子带LL3、HL3、HL2、和HL1，采用“horizontal_z扫描”方式；对子带LH3、LH2和LH1，采用“vertical_z扫描”的方式。根据表1，可以看出，对每层小波子带，垂直方向信息均多于水平方向信息，故对所有对角子带HH3、HH2和HH1，均采用“vertical_z扫描”。整个扫描过程如图6中(b)所示。最后，可生成一维的系数序列。图6中(c)和(d)分别表示采用morton扫描和本发明生成的一维系数矩阵。从图6可以看出，本发明方法可以自适应的扫描变换图像，使那些重要的系数排在一维序列的前面。同时，由于子带内扫描是以尽可能保留图像纹理信息为目的，故能够在视觉加权的基础上，进一步提高重建图像的视觉效果。
[0084] 表1变换图像中每个子带的能量(×109)
[0085]
[0086] 比特开销：
[0087] 由于，重要性加权掩膜与图像内容无关。因此，该掩膜不必传到解码端。仅将黄斑中心凹点，以及图像宽度作为边信息，传送到解码端即可。在本发明中，用四个整数记录黄斑中心凹点(其中，两个整数记录该点的横坐标位置，另外两个整数记录该点的纵坐标位置)，两个整数用来记录图像宽度。因此，整个加权掩膜所需的边信息，仅需六个整数。
[0088] 此外，对于自适应扫描，边信息包括子带间的扫描顺序和对角子带的扫描方法。对J层小波变换，共有3J+1个子带，故共需3J+1个整数来表示子带间的扫描顺序。此外，还需J个整数来表示所有对角子带的扫描方法。因此，自适应扫描所需要的边信息，共需(3J+1)+J＝4J+1个整数。基于上面的分析，编码端的总的边信息共需6+(4J+1)＝4J+7个整数。
[0089] 以图6中(a)为例，图像“lunar”的大小为512×512，小波分解层数为3层，则本发明的总比特开销为(4×3+7)/(512×512)≈0.00725％。也就是说，图像越大，开销所占的比例越小。而且，如果对开销比特再进一步采用熵编码，则比特开销会更小。根据上面的分析，对于本发明提出的压缩方法，总的比特开销非常小，甚至可以忽略不计。
[0090] 二叉树编码：
[0091] 对图像压缩来说，目前采用嵌入式编码方法的居多，因为这种编码方法支持图像的渐进式传输，并能在码流的任意位置解码。
[0092] 文献[25]提出了一种最新的基于二叉树的嵌入式编码方法，即自适应二叉树编码方法(binary tree coding adaptively，BTCA)。该方法不需要复杂的步骤，如基于上下文的模型，率失真最优化等，大大降低了算法复杂度。其基本过程如下：首先，根据扫描后的一维序列建立二叉树。然后，对该二叉树进行编码，编码是按照从下至上，从左至右的顺序进行。在编码过程中利用了重要系数的相邻系数通常也是重要的这一思想，在一定程度上提高了编码性能。下面详细给出了二叉树编码的实现过程。
[0093] Function code＝BTCA(Tk)
[0094] 输入：用Γ表示二叉树，用i表示树上节点的位置，Tk表示阈值，初始阈值且Tk＝T0/2k；
[0095] 初始化:设整个二叉树的树高为D，令d＝D；
[0096] While(d>1)
[0097] {
[0098] (1)
[0099] (2)Let ct＝{}.IfΓ(i)≥Tk-1
[0100] 若Γ(i)的相邻节点为Γ(i+1)，且Γ(i+1)不重要，则ct＝Bin_Tree_Enc(Γ,i+1,Tk)；
[0101] 否则
[0102] 若Γ(i)的相邻节点为Γ(i-1)，且Γ(i-1)不重要，则ct＝Bin_Tree_Enc(Γ,i-1,Tk)；
[0103] (3)code＝{code,ct}，
[0104] (4)d＝d-1；
[0105] 输出:在阈值为Tk时，对应位平面输出的码流。
[0106] }
[0107] 在上述BTCA算法中，对给定节点编码，采用了Bin_Tree_Enc算法。该算法过程如下：
[0108] Function code＝Bin_Tree_Enc(Γ,i,Tk)
[0109] 输入：用Γ表示二叉树，用i表示树上节点的位置，Tk表示阈值，初始阈值且Tk＝T0/2k；
[0110] (1)若Γ(i)在更大的阈值被编码，即Γ(i)≥Tk-1，则
[0111] 若Γ(i)不在树的最底层，编码Γ(i)的两个子节点；否则编码Γ(i)的符号位。
[0112] (2)若Γ(i)有重要父节点，且Γ(i)的相邻节点是不重要的，则：
[0113] 若Γ(i)不在树的最底层，编码Γ(i)的两个子节点；否则编码Γ(i)的符号位。
[0114] (3)若Γ(i)≥Tk
[0115] 若Γ(i)不在树的最底层，编码Γ(i)的两个子节点，并且在码流前加“1”；否则编码Γ(i)的符号位，并在码流前加“1”。
[0116] (4)否则
[0117] 输出‘0’。
[0118] 输出：以Γ(i)为树根的子树的码流。
[0119] 由于二叉树编码方法相对简单，且效率较高，故本发明对变换图像进行基于内容的自适应扫描后，采用二叉树编码方法对生成的序列进行编码。
[0120] 质量评价指标：
[0121] 本发明提出的压缩方法是为了满足日益增长的遥感图像在线浏览的需求。因此，应采用和人眼视觉相关的指标来衡量提出的压缩方法。在本发明中，采用FWQI[26]，VSNR[37]，和MS-SSIM[38]做为评价指标。
[0122] A、FWQI
[0123] 在文献[29]，Zhou Wang等提出了一种图像质量评价指标，该方法将图像失真看作是三种因素的函数，即相关度失真、亮度失真，对比度失真。然后，将该失真延伸至小波域，定义小波域的对应失真FWQI为
[0124]
[0125] 这里，M表示小波系数个数，c(xn)表示位置在xn的小波系数，Q(xn)表示在质量评价图中位置xn的质量值。由于S(v,xn)是随v变化的，因此，对于一幅测试图像，其FWQI是v的函数。
[0126] B、VSNR
[0127] 文献[37]中，Chandler等提出了一种有效的矩阵，即视觉峰值信噪比矩阵(VSNR)，根据人眼的近阈值和过阈值性质，来定量化图像的视觉失真。相对于其它的视觉失真矩阵，VSNR更能有效的反映人眼的真实感觉。VSNR(单位：dB)可以定义如下
[0128]
[0129] 这里，C(f)表示原始图像f的对比度，dpc表示人眼感知到的对比度失真，dgp表示整体的失真程度，α设定为0.04。
[0130] C、MS-SSIM
[0131] MS-SSIM是多尺度结构相似性测度，该测度考虑了多种观测条件，比结构相似性测度(SSIM)更为灵活。因此，本发明采用MS-SSIM作为一种质量衡量方法。
[0132]
[0133] 这里，l(x,y)、c(x,y)和s(x,y)分别表示亮度，对比度和结构性的比较。
[0134] 实验及结果：
[0135] 为了证明本发明提出的压缩方法的性能，做了一些实验，并在不同的比特率下，与其它基于扫描的方法相比较。
[0136] D、预处理：
[0137] 为了证明本发明方法的有效性，实验中选取了几幅不同位深的遥感图像，大多数遥感图像都具有较高的分辨率。
[0138] 一些测试遥感图像是从CCSDS测试库中得到的，参见文献[39]，包括“lunar”，“coastal-b1”，“ocean-2kb1”，“pleiades_portdebouc_pan”。对这些图像，我们截取左上角的大小为512×512的图像进行实验，目的是在相同条件下进行比较。此外，还选取了其他两幅遥感图像进行测试。其中一幅“pavia”是通过QuickBird传感器在意大利北部的帕维亚地区获取的，分辨率是0.6m。另一幅图像“houston”是通过传感器WorldView-2于2013年在美国的休斯敦地区获取的，分辨率为0.5m。图像“pavia”和“houston”的大小均为512×512。在整个测试图像集中，“lunar”和“coastal-b1”的位深为8位，“ocean_2kb1”的位深为10位，“pavia”和“houston”的位深为11bit，“pleiades_portdebouc_pan”的位深为12位。图像“lunar”如图6中(a)所示，图像“coastal-b1”见图7中(a)所示。其余测试图像见图9。
[0139] 主观质量比较：
[0140] 为了比较本发明提出的压缩方法以及其它基于扫描的方法得到的重建图像的视觉质量，先采用图像“coastal-b1”进行测试。假设黄斑中心凹点观察的是图像的中心，且观测距离v是5，小波分解层数是5层。分别采用SPIHT，JPEG2000，BTCA，以及本发明方法进行压缩。不同比特率下重建图像的视觉质量比较结果如图7所示。
[0141] 从图7中，可以看到，在给定比特率下，采用本发明提出的压缩方法，其得到的重建图像的整体质量要优于其它的基于扫描的方法。其中一个原因是，提出的方法采用了视觉加权掩模对小波图像进行加权，这能保证对重建图像视觉质量贡献大的比特先被扫描并编码。此外，本发明提出的自适应扫描过程能够保留更多的纹理信息。因此，重建图像的整体视觉质量必然得到改善。
[0142] 为了进一步证明本发明方法的有效性，对于图7中的测试图像(a)，做了更多地实验进行证明。在比特率范围为0.0313bpp到1bpp时，所有方法得到的FWQI，VSNR以及MS-SSIM的结果，分别如图8中(a)，(b)和(c)所示。可以看出，从客观评价的角度，在整个给定的比特率范围内，本发明提出的方法得到的重建图像的视觉质量，依然优于其它基于扫描的方法。
[0143] 本发明与其他基于扫描方法的性能比较：
[0144] 一般地，不同的图像具有不同的内容，包括复杂度，纹理等。从评价算法的角度，不应该只采用一幅图像对其评价，而应取多幅图像进行测试，并取结果的均值。本发明做了更多地实验来验证所提方法的有效性。实验中，选取多幅测试图像进行实验，包括图6中的(a)，图7中的(a)，图9中(a)～(f)作为测试图像，每幅图像均进行五级9/7双正交小波分解。根据图3中给出的观测距离的概率分布，可以看出，最大可能的观测距离v是3。因此，在这些实验中，v的值被设定为3。在不同比特率下，所有方法的FWQI,VSNR,以及MS-SSIM的结果分别见表2、表3、表4、表5、表6和表7。
[0145] 表2～表7中，用“J2K”表示“JPEG2000”，可以看到，对于所有给定的比特率，本发明得到的FWQI，VSNR，和MS-SSIM的均值都是最高的。这说明，相比于其它基于扫描的方法，本发明能够提供更好的重建图像质量。
[0146] 表2本发明方法和其它基于扫描的压缩方法的FWQI比较
[0147]
[0148] 表3本发明方法和其它基于扫描的压缩方法的FWQI比较
[0149]
[0150] 表4本发明方法和其它基于扫描的压缩方法的VSNR(dB)比较
[0151]
[0152] 表5本发明方法和其它基于扫描的压缩方法的VSNR(dB)比较
[0153]
[0154] 表6本发明方法和其它基于扫描的压缩方法的MS-SSIM比较
[0155]
[0156] 表7本发明方法和其它基于扫描的压缩方法的MS-SSIM比较
[0157]
[0158] 结果和结论：
[0159] 本发明首先根据人眼的视觉特性，生成视觉加权掩模。其次，对加权后的变换图像，根据视觉加权子带的重要性，设计子带间的扫描顺序。对于子带内的扫描，设计目的是尽可能保留更多的细节信息，这有助于在不增加额外数据的基础上，改善重建图像的视觉质量。最后，采用二叉树编码器来编码生成的一维系数序列。提出的压缩方法开销极小，甚至可以忽略不计。实验结果证明，和其它基于扫描的方法相比，本发明能够提供更好的重建图像的视觉质量。本发明的整个扫描过程可以看作是由两个阶段实现。第一个阶段的目的是根据人眼的视觉特性，生成重要性加权掩模，这有助于保证那些对视觉质量贡献更大的比特被先扫描。第二阶段对视觉加权后的变换图像，针对子带间扫描和子带内扫描，分别设计不同的扫描顺序。最后，采用二叉树编码器对生成的一维系数序列进行编码。
[0160] 本发明有效提高重建遥感图像的视觉质量，满足了目前日益增长的遥感图像在线浏览的需求。本发明适用于遥感图像的在线浏览。
[0161] 本发明涉及的参考文献如下：
[0162] [1]J.M.Shapiro,“Embedded image coding using zerotrees of wavelet coefficients,”IEEE Trans.Signal Process.,vol.41,no.12,pp.3445–3462,Dec.1993.[0163] [2]A.Said and W.A.Pearlman,“A new,fast,and efficient image codec based on set partitioning in hierarchical trees,”IEEE Trans.Circuits Syst.Video Technol.,vol.6,no.3,pp.243–250,Jun.1996.
[0164] [3]W.A.Pearlman,A.Islam,N.Nagaraj,and A.Said,“Efficient low complexity image coding with a set-partitioning embedded block coder,”IEEE Trans.Circuits Syst.Video Technol.,vol.14,no.11,pp.1219–1235,Nov.2004.[0165] [4]JPEG2000Image Coding System,ISO/IEC Std.15 444-1,2000.
[0166] [5]A.Beghdadi,M.C.Larabi,A.Bouzerdoum,and K.M.Lftekharuddin“,A survey of perceptual image processing methods,”Signal Processing:Image Communication,vol.28,no.8,pp.811-831,Sep.2013.
[0167] [6]B.Macq,and H.Q.Shi,“Perceptually weighted vector quantization in the DCT domain,”Electronics Letters,vol.29,no.15,pp.1382–1384,Jul.1993.[0168] [7]I.Hontsch and L.J.Karam,“Locally adaptive perceptual image coding,”IEEE Trans.Image Process.,vol.9,no.9,pp.1472–1483,Sep.2000.
[0169] [8]I.Hontsch and L.J.Karam“, Adaptive image coding with perceptual distortion control,”IEEE Trans.Image Process.,vol.11,no.9,pp.213–222,Mar.2002.
[0170] [9]M.G.Albanesi and F.Guerrini,“An HVS-based adaptive coder for perceptually lossy image compression,”Pattern Recognition,vol.36,no.4,pp.997–1007,Apr.2003.
[0171] [10]M.J.Nadenau,J.Reichel,and M.Kunt,“Wavelet-based color image compression:exploring the contrast sensitivity function,”IEEE Trans.Image Process.,vol.12,no.1,pp.58–70,Jan.2003.
[0172] [11]Z.Liu,L.J.Karam,and A.B.Watson,“JPEG2000 encoding with perceptual distortion control,”IEEE Trans.Image Process.,vol.15,no.7,pp.1763–1778,Jul.2006.
[0173] [12]G.Sreelekha,P.S.Sathidevi,“An HVS based adaptive quantization scheme for the compression of color images,”Digital Signal Processing,vol.20.no.4.pp.1129–1149,Jul.2010.
[0174] [13]D.Wu,D.M.Tan,M.Baird,and J.DeCampo,etc“, Perceptually lossless medical image coding,”IEEE Trans.Medical Image,vol.25,no.3,pp.335–344,Mar.2006.
[0175] [14]X.H.Zhang,W.S.Lin,P.Xue,“Just-noticeable difference estimation with pixels in images,”J.Vis.Commun.Image R,vol.19,no.1,pp.30-41,Jan.2008.[0176] [15]Y.Niu,X.L.Wu,G.M.Shi,and X.T.Wang“, Edge-based perceptual image coding,”IEEE Trans.Image Process.,vol.21,no.4,pp.1899–1910,Apr.2012.
[0177] [16]D.M.Tan,C.S.Tan,and H.R.Wu,“Perceptual Color Image Coding With JPEG2000,”IEEE Trans.Image Process.,vol.19,no.2,pp.374–383,Feb.2010.
[0178] [17]H.Oh,A.Bilgin,and M.W.Marcellin“, Visually Lossless Encoding for JPEG2000,”IEEE Trans.Image Process.,vol.22,no.1,pp.189–201,Jan.2013.
[0179] [18]A.L.N,T.D.Costa,M.N.Do,“A Retina-Based Perceptually Lossless Limit and a Gaussian Foveation Scheme With Loss Control,”IEEE J.Sel.Topics.Signal Process,vol.8,no.3,pp.438–453,Jun.2014.
[0180] [19]B.Li,R.Yang,and H.X.Jiang“. Remote-sensing image compression using two-dimensional oriented wavelet transform,”IEEE Trans.Geosci.Remote Sens.,vol.49,no.1,pp.236–250,Jan.2011.
[0181] [20]A.Karami,M.Yazdi,and G.Mercier“. Compression of hyperspectral images using discerete wavelet transform and tucker decomposition,”IEEE J.Sel.Topics Appl.Earth Observ.,vol.5,no.2,pp.444–450,Apr.2012.
[0182] [21]X.Zhan,R.Zhang,D.Yin,and A.Z.Hu.“Remote sensing image compression based on double-sparsity dictionary learning and universal trellis coded quantization,”in Proc.IEEE Int.Conf.Image Process.,2013,pp.1665-1669.
[0183] [22]C.Jiang,H.Y.zhang,H.F.Shen,and L.P.Zhang“. Two-Step Sparse Coding for the Pan-Sharpening of Remote Sensing Images,”IEEE J.Sel.Topics Appl.Earth Observ.,vol.7,no.5,pp.1792–1805,May.2014.
[0184] [23]P.Kulkarni,A.Bilgin,M.W.Marcellin,and J.C.Dagher“. Compression of earth science data with JPEG2000,”in Hyperspectral Data Compression.pp.347–378,2006.
[0185] [24]F.García-Vílchez and J.Serra-Sagristà,“Extending the CCSDS recommendation for image data compression for remote sensing scenarios,”IEEE Trans.Geosci.Remote Sens.,vol.47,no.10,pp.3431–3445,Oct.2009.
[0186] [25]K.K.Huang and D.Q.Dai“,A new on-board image codec based on binary tree with adaptive scanning order in scan-based mode,”IEEE Trans.Geosci.Remote Sens.,vol.50,no.10,pp.3737-3750,Oct.2012.
[0187] [26]Z.Wang and A.C.Bovik,“embedded foveation image coding,”IEEE Trans.Image Process.,vol.10,no.10,pp.1397-1410,Oct.2001.
[0188] [27]A.B.Watson,G.Y.Yang,J.A.Solomon,and J.Villasenor“. Visibility of wavelet quantization noise,”IEEE Trans.Image Process.,vol.6,no.8,pp.1164-1175,Aug.1997.
[0189] [28]N.Memon,D.L.Neuhoff,and S.Shende,“An analysis of some common scanning techniques for lossless image coding,”IEEE Trans.Image Process.,vol.9,no.11,pp.1837-1848,Nov.2000.
[0190] [29]Z.Wang and A.C.Bovik,“A universal image quality index,”IEEE Signal Process.Lett.,vol.9,no.3,pp.81–84,Mar.2002.
[0191] [30]S.Patel,and S.Srinivasan,“Modified embedded zerotree wavelet algorithm for fast implementation of wavelet image codec,”Electronics Letters,vol.36,no.20,pp.1713-1714,Sep.2000.
[0192] [31]V.N.Ramaswamy,K.R.Namuduri,and N.Ranganathan,“Context-based lossless image coding using EZW framework,”IEEE Trans.Circuits Syst.Video Technol.,vol.11,no.4,pp.554–559,Apr.2001.
[0193] [32]S.R.Chang and L.Carin,“A modified SPIHT algorithm for image coding with a joint MSE and classification distortion measure,”IEEE Trans.Image Process.,vol.15,no.3,pp.713-725,Mar.2006.
[0194] [33]Z.J.Fang,N.X.Xiong,L.T.Yang,X.M.Sun,and Y.Yang,“Interpolation-Based Direction-Adaptive Lifting DWT and Modified SPIHT for Image Compression in Multimedia Communications,”IEEE Systems Journal,vol.5,no.4,pp.584-593,Dec.2011.
[0195] [34]Y.Jin and H.J.Lee“,A block-based pass-parallel SPIHT algorithm,”IEEE Trans.Circuits Syst.Video Technol.,vol.22,no.7,pp.1064-1075,Jul.2012[0196] [35]Z.Y.Wu,A.Bilgin,and M.W.Marcellin“, Joint source/channel coding for image transmission with JPEG2000 over memoryless channels,”IEEE Trans.Image Process.,vol.14,no.8,pp.1020-1032,Aug.2005.
[0197] [36]J.Y.Yang,Y.Wang,W.L.Xu,and Q.H.Dai“, Image coding using dual-tree discrete wavelet transform,”IEEE Trans.Image Process.,vol.17,no.9,pp.1555-1569,Sep.2008.
[0198] [37]D.M.Chandler and S.S.Hemami“. VSNR:A wavelet-based visual signal-to-noise ratio for natural images,”IEEE Trans.Image Process.,vol.16,no.9,pp.2284-2298,Sep.2007.
[0199] [38]Z.Wang,E.P.Simoncelli and A.C.Bovik,″Multiscale structural similarity for image quality assessment,″in Proc.IEEE Asilomar Conf.Signals,Syst.,Comput.,Pacific Grove,CA,Nov.2003,pp.1398–1402.
[0200] [39]CCSDS reference test image set,Apr.2007.[Online].Available:http://cwe.ccsds.org/sls/docs/sls-dc/.
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 视频修复方法 | 2020-05-08 | 311 |
| 一种基于步态能量图的身份识别方法及系统 | 2020-05-08 | 273 |
| 一种人群表演评测系统 | 2020-05-08 | 684 |
| 一种分镜效果的实现方法、装置及相关产品 | 2020-05-08 | 602 |
| 一种通过在线分类跟踪内窥镜图像序列特征点的方法 | 2020-05-11 | 904 |
| 一种基于机器学习的内容自适应视频编码方法 | 2020-05-08 | 967 |
| 基于循环卷积的物体分割方法及装置 | 2020-05-11 | 222 |
| 校车滞留巡检与预警方法 | 2020-05-08 | 664 |
| 图像重建的系统和方法 | 2020-05-08 | 939 |
| 一种图像处理装置、方法及存储介质 | 2020-05-11 | 766 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈