申请/专利权人：西安电子科技大学

申请日：2017-05-16

公开（公告）日：2019-11-15

公开（公告）号：CN107426580B

主分类号：H04N19/96(20140101)

分类号：H04N19/96(20140101);H04N19/90(20140101);G06N3/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2019.11.15#授权;2017.12.26#实质审查的生效;2017.12.01#公开

摘要：本发明公开了一种基于朱刘法和蚁群法的群体图像编码结构生成方法。解决了现有多数方法不能保证用户即时访问以及HAP方法编码效率提升不高的问题。实现步骤为：构造群体图像相互关系的有权有向图；使用朱刘方法得到最小生成树；判断最小生成树是否满足深度限制；若满足，则输出该最小生成树，还原成图像，构成群体图像编码结构；若不满足深度限制，采用适宜蚁群法的规则添加新边，使用最大最小蚁群法对最小生成树进行深度限制，输出深度受限的最小生成树，还原成图像，构成群体图像编码结构。本发明生成的深度受限最小生成树权值小，编码效率高，且能保证用户即时访问。可应用于云中图像压缩、个人相册压缩等领域。

主权项：1.一种基于朱刘法和蚁群法的群体图像编码结构生成方法，其特征在于，包括有如下步骤：1构造群体图像相互关系的有权有向图：将群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征为两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图GV,E，其中，V为节点集合，E为有向边集合；2初始化：给定最大深度限制dmax，用于限制最终树形图的深度；给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图GV,E的初始化；3在有权有向图GV,E中使用朱刘方法得到最小生成树T：3a对有权有向图GV,E进行预处理，得到预处理后的有权有向图G1V,E：虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图GV,E中所有边的权值之和；对于任意两个节点vi和vj，若从节点vi到节点vj有多条边，则只保留其中最短的一条；3b寻找所有节点的最短入边，构成最短入边集合P，节点v的最短入边的起点用πv来表示；3c判断最短入边集合P＝{＜πv,v＞}是否构成环，其中，节点v∈V且v≠r，若不构成任何环，得到最小生成树T，跳转至步骤4；否则，执行步骤3d；3d对构成环的有权有向图进行缩环处理，并返回步骤3b；4判断最小生成树的深度depT是否大于最大深度限制dmax，若是，则执行步骤5；否则，则该最小生成树T即为深度受限的最小生成树，执行步骤7；5采用适宜蚁群法的规则对最小生成树T添加新边＜vi,vj＞，得到添加新边＜vi,vj＞后的有权有向图G2V,E，添加规则是节点vi的深度depvi小于节点vj的深度depvj且depvj＞dmax；6在添加新边＜vi,vj＞后的有权有向图G2V,E使用最大最小蚁群法对最小生成树进行深度限制：6a初始化最大最小蚂蚁法参数：给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，已迭代次数iter为0；6b构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk,k代表任意一只蚂蚁，k＝1,2,…,m，并初始化为空；6c将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C＝{v|depv＜dmax}，k＝1,2,…,m，置本次迭代最优解的初始权值为无穷大；6d取第k只蚂蚁，计算其深度限制最小生成树TkV,E；6e计算当前蚂蚁k深度限制最小生成树TkV,E的权值Qk，清空该蚂蚁对应的禁忌表Tabuk；6f判断全部蚂蚁是否找到当次深度限制最小生成树TkV,E，若是，执行步骤6g，否则，返回步骤6d；6g从所有蚂蚁的权值Q1，Q2，…Qk，…，Qm中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解；再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解；6h计算最大信息素τmax和最小信息素τmin；6i更新路径信息素τijt+1，其中t表示当前时刻；6j迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，全局最优解即为对应的深度限制的最小生成树，否则，返回步骤6c；7输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构。

全文数据：基于朱刘法和蚁群法的群体图像编码结构生成方法技术领域[0001]本发明属于图像编码领域，更进一步涉及群体图像编码结构生成方法，具体是一种基于朱刘法和蚁群法的群体图像编码结构生成方法，用于云端群体图像压缩，个人相册图像压缩以及图像数据库压缩等类似场景，更加方便群体图像的压缩与存储。背景技术[0002]图像通常以JPEG的格式存储，虽然能够实现存取方便，但也造成了存储空间大、编码效率低的缺点。现有群体图像编码主要利用群体图像间的相关性生成伪视频结构，再采用视频压缩技术进行压缩，极大地节省了互联网中海量图像的存储空间。伪视频结构即为群体图像编码结构，是群体图像经过一系列处理得到的类似于自然视频的序列。生成群体图像编码结构，不仅要考虑提高编码效率，还要保证用户能随时读取图像。能够随时读取图像，就要求对编码结构相对应的树形图进行深度限制。现有得到深度限制的最小生成树的方法主要有迭代式求解深度限制最小生成树方法和图像集层次聚类方法。迭代式求解深度限制最小生成树方法是通过不断对最小生成树的子树进行迭代，直到找到权值最小、且满足深度限制的最小生成树为止，这种方法需要将所有满足条件的最小生成树全部计算，从中选取权值最小的一个作为群体图像编码结构，时间复杂度高，不适用于现实情况；图像集层次方法是利用传统自下而上或者自上而下的方法对群体图像进行聚类，形成一个具有深度限制的聚类树形结构，但此类方法通常得到的树形结构并不是最优结构，编码效率提升不尚。[0003]施云慧、李达、丁文鹏、尹宝才在其申请的专利“一种屏幕图像集合的压缩方法”申请号：201510029087.x公开了一种屏幕图像集合的压缩方法。其主要是计算图像集中每幅图像的每个图像块的哈希值，并通过哈希特征来表征图像之间的相关性，在对其生成最小生成树来确定预测结构，继而使用HEVC编码。但这种方法没有对最小生成树的深度进行限制，使得编解码时间较长，用户访问深度较深的图像时，等待时间过长。[0004]YonggenLing,OscarC.Au,RuobingZou,JiahaoPang,HaiyanYang1AminZheng在其发表的论文“PhotoAlbumCompressionByLeveragingTemporal-SpatialCorrelationsandHEVC”（《IEEEInternationalSymposiumonCircuitsSystems》2014提出采用HAP方法得到深度限制的有向图最小生成树，HAP方法是通过聚类的思想将图像分类并形成中心点，低层的聚类中心点作为高层的图像，依次从低层到高层迭代，直至最后得到一个聚类中心作为根图像。但HAP方法通过公式自动迭代，过程难于理解，且该聚类方法往往会产生生成树代价过大，继而造成编码效率不高。[0005]RTWang，YZhao，CYLin，HHBai，MQLiu在其发表的论文“Imagesetcompressionbasedonundirectedweightedgraph”（《JournalofInformationHidingandMultimediaSignalProcessing》2015提出基础无向图的编码预测结构，其具体过程为:对两两图像之间YUV文件中y分量进行下采样，将高分辨率图像转换为低分辨率，并使用相关系数描述图像间相似程度，进而将群体图像描述为无向图，并使用prim算法得到最小生成树，但这种方法没有对最小生成树的深度进行限制，若用户访问深度较深的图像时，等待时间过长。[0006]ZouR，Au0C，ZhouG在其发表的论文“Personalphotoalbumcompressionandmanagement”（《IEEEInternationalSymposiumonCircuitsandSystems·IEEE》2013提出以迭代方法不断地判断子树是否满足深度限制条件，本质上是对所有满足条件的最小生成树进行遍历。对于节点数较多，得到最小生成树深度较深的情况下，迭代过程繁琐，必须将满足条件的子树全部计算完成才能得到结果，很难在有效时间内得到深度限制的最小生成树，因此不适用于现实情况。[0007]微软技术许可有限公司在其申请的专利“基于特征的图像集合压缩”（申请号：201380078260.4公开了一种使用SIFT特征的压缩方法。其主要思想是:将图像集根据SIFT特征进行聚类，并对聚类好的图像进行有向图描述，再生成最小生成树，根据最小生成树对图像的残差进行编码。但这种方法没有对最小生成树的深度进行限制，若用户访问深度较深的图像时，等待时间过长，不适用于现实情况。[0008]西安电子科技大学在其申请的专利“群体图像编码结构生成方法”（申请号：201710028348.5提出使用基于最短路径的群体图像编码结构生成方法，依次搜索根节点s经过1个中间节点，2个中间节点，···!!个中间节点到达其余所有节点的最短路径，得到一棵有重复节点的生成树;通过遍历根节点s到其余每个节点的路径，去除重复节点，得到群体图像编码结构。该方法适用于群体图像间相关性差异较大的情况，对于群体图像间相关性差异较小的情况并不适用。[0009]目前，现有大多群体图像编码结构生成方法基本不能满足用户即时访问图像的需求，而针对于群体图像之间相关性差异较小的情况，现有的HAP方法，虽然能够限制最小生成树的深度，但其得到的生成树的代价较大，编码效率不够高。发明内容[0010]本发明在于针对上述现有技术的不足，提出一种基于朱刘法和蚁群法的群体图像编码结构生成方法，该方法能够限制最小生成树深度且提高群体图像编码效率。[0011]其实现步骤如下：[0012]1构造群体图像相互关系的有权有向图：将群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征为两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图GV，E，其中，V为节点集合，E为有向边集合；[0013]2初始化:给定最大深度限制dmax，用于限制最终树形图的深度;给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图GV，E的初始化；[0014]⑶在有权有向图GV，E中使用朱刘方法得到最小生成树T:[0015]3a对有权有向图GV，E进行预处理，得到预处理后的有权有向图61以3:虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图GV，E中所有边的权值之和;对于任意两个节点Vi和Vj，若从节点Vi到节点Vj有多条边，贝1J只保留其中最短的一条；[0016]3b寻找所有节点的最短入边，构成最短入边集合P，节点V的最短入边的起点用πV来表示；[0017]3c判断最短入边集合P={}是否构成环，其中，节点veV且v#r，若不构成任何环，得到最小生成树T，跳转至步骤4;否则，执行步骤3d;[0018]3d对构成环的有权有向图进行缩环处理，并返回步骤3b;[0019]4判断最小生成树的深度dep⑺是否大于最大深度限制dmax，若是，则执行步骤5;否则，则该最小生成树T即为深度受限的最小生成树，执行步骤7;[0020]⑸采用适宜蚁群法的规则对最小生成树T添加新边，得到添加新边后的有权有向图G2V，E，添加规则是节点Vi的深度depVi小于节点Vj的深度depVj且depVj〉dmax;[0021]6在添加新边后的有权有向图G2V，E使用最大最小蚁群法对最小生成树进行深度限制：[0022]6a初始化最大最小蚂蚁法参数:给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，已迭代次数iter为0;[0023]6b构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk，k代表任意一只蚂蚁，k=1，2，···，πι，并初始化为空；[0024]6c将当前节点集C中所有节点添加到所有蚂蚁的禁忌表TabkU中，其中C=Ivdepv}是否构成环，其中，节点veV且v#r，若不构成任何环，得到最小生成树T，跳转至步骤4;否则，执行步骤3d。[0055]3d对构成环的有权有向图进行缩环处理，并返回步骤3b。[0056]4判断最小生成树的深度dep⑺是否大于最大深度限制dmax，若是，则执行步骤5;否则，则该最小生成树T即为深度受限的最小生成树，执行步骤7。[0057]⑸采用适宜蚁群法的规则对最小生成树T添加新边，得到添加新边后的有权有向图G2V，E，添边规则是:对于节点Vi和节点Vj，若节点Vi的深度depVi小于节点Vj的深度depVj且depVjdmax，则添加新边，对于满足depVj彡dmax的节点Vj，不需要进行添加新边。[0058]本发明中，使用了新的添边规则，对于任意节点Vi和节点Vj，添边的条件是:节点Vi的深度必须小于另一节点％的深度，且另一节点W的深度还需大于最大深度限制。这样的添加规则为后续最大最小蚁群提供了有效的候选有向边，且又避免添加已满足深度限制的有向边。[0059]6参照附图3,在添加新边后的有权有向图G2V，E使用最大最小蚁群法对最小生成树进行深度限制：[0060]6a初始化最大最小蚂蚁法参数:给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，迭代次数iter为0。[0061]6b构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk，k=1，2，…，m，并初始化为空;禁忌表的作用是防止蚂蚁重复经过节点或者边。[0062]6c将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C=IvdepV是最短入边集合P中的一条有向边e，其中，节点ViSG，.节点%已^，则将环：缩为新的节点¥。，得到新边6_=，新边权重〇61^=〇6-〇11Vj，Vj〇[0075]3d2如果是最短入边集合P中的一条有向边e，其中，节点VieC，节点，则将环C缩为新的节点v。，得到新边e-=，新边权重ωe，=ωVl，Vj。[0076]本发明采用朱刘方法中缩环的方式，不断将构成环的节点和边缩成新的节点，直到得到无环的生成树，再对缩完的环进行展开，得到权值最小的树形图。若该树形图满足深度限制，则是所有生成树中权值最小的，对应的群体图像编码效率最高。[0077]实施例3:[0078]基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-2,步骤6d中计算第k只蚂蚁的深度限制最小生成树TkV，E，按如下步骤进行：[0079]6dl初始化第k只蚂蚁的最小生成树TkV，E。其中，V={Vi|depVi彡dmax}，E={IeGlν，ΕΠdepViSdmaxHdepVjSdmax}，即：初始最小生成树中包含朱刘方法得到的最小生成树中满足深度限制的节点和有向边。[0080]6d2按照随机原则选择当前节点集中一个节点作为当前访问节点v〇jr。[0081]6d3按照如下公式计算转移概率，选择下一个访问节点〜耐，并对其进行访问，判断其深度是否满足depVojr}是否构成环，其中，节点veV且v#r，如果不包含任何环，去除虚拟根节点r，得到最小生成树T，跳转至步骤4。否则，说明边集合中至少包含了一个环，进行步骤3d进行缩环处理。[0111]步骤3d，对构成环的有权有向图进行缩环处理：[0112]如果是最短入边集合P中的一条有向边e，其中，，那么将环C缩为新的节点V。，得到新边enew=是最短入边集合P中的一条有向边e，其中，，那么将环C缩为新的节点V。，得到新边enew=，权重，[0114]如果是最短入边集合P中的一条有向边e，其中，则不进行缩环。[0115]进行以上步骤后，返回步骤3b。[0116]步骤4,判断最小生成树T的深度dep⑺是否大于最大深度限制dmax，若是，则执行步骤5;否则，执行步骤7。[0117]步骤5，采用适宜蚁群法的规则对最小生成树T添加新边，得到图G2V，E，添加规则是:对于节点Vi和节点Vj，若节点Vi的深度depVi小于节点Vj的深度depVj且depVjdmaX，则添加新边，对于满足depVj彡dmax的节点Vj，不需要进行添加新边。[0118]步骤6,在添加新边后的有权有向图G2V，E使用最大最小蚁群法对最小生成树进行深度限制：[0119]步骤6a，初始化最大最小蚂蚁方法参数:给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，迭代次数iter为0。[0120]步骤6b，构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk，k=l，2,···，m，并初始化为空，[0121]步骤6c，将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C={v|depVdmax}，置本次迭代最优解的初始权值为无穷大。[0122]当前节点集C中包含的节点为朱刘法得到的最小生成树中小于最大深度限制的节点，加入到禁忌表中，防止以后再次访问。对于节点深度等于最大深度限制的节点，不加入到禁忌表中，因为这部分节点的出度边均不满足深度限制。[0123]步骤6d，取第k只蚂蚁，计算其深度限制最小生成树TkV，E:[0124]6dl初始化第k只蚂蚁的最小生成树TkV，E。其中，[0125]6d2按照随机原则选择当前节点集中一个节点作为当前访问节点v〇jr;[0126]6d3按照如下公式计算转移概率疗⑴，选择下一个访问节点VnMt，并对其进行访问，判断其深度是否满足depVojrdmax，若满足，将Vm3Xt添加到当前节点集中；[0127][0128]其中，Tlj⑴表示当前时刻，节点i到节点j路径上的信息素，ru谦示从节点i到节点j的能见度，取值为节点i到节点j的距离的倒数，α为信息素的加权值，β为能见度的加权值；[0129]6d4将第k只蚂蚁所对应的禁忌表Tabuk进行更新；[0130]6d5判断所有节点是否都已添加到禁忌表Tabuk,若是，执行步骤6e，否则，返回步骤6d2。[0131]步骤6e，计算当前蚂蚁k深度限制最小生成树TkV，E的权值Qk，清空该蚂蚁对应的禁忌表Tabuk;[0132]步骤6f，判断全部蚂蚁是否找到当次深度限制最小生成树TkV，E，若是，执行6g;否则，返回（6d;[0133]步骤6g，从所有蚂蚁的权值Q1，Q2，…Qk，…，Qm中选取最优蚂蚁的权值Qbest，判断其权值Qbest的权值是否小于本次迭代的最优解，若是，则更新当前迭代最优解，即：将当前迭代最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构;再判断权值Qbest的权值是否小于全局最优解，若是，更新全局最优解，即：将全局最优解的权值更新为本次迭代的最优解，并存储该最优解对应的深度限制最小生成树编码结构。[0134]步骤6h，计算最大信息素^max和最小信息素^min:[0137]其中，L是截止目前时刻，最优蚂蚁走过的路径长度，η为节点个数，avg=n2，Pbest表示蚂蚁一次搜索找到最优解的概率，通常为给定值；[0138]步骤6i，更新路径信息素^」t+Ι，在更新后满足[0141]其中代表最优蚂蚁在t，t+l时间内，i到j的边信息素增量。[0142]步骤6j，迭代次数iter加1，判断迭代次数是否达到最大迭代次数F，若是，输出全局最优解中保存的深度限制的最小生成树，否则，返回6c。[0M3]步骤7,输出深度受限的最小生成树，并将节点还原为图像，构成群体图像伪视频序列编码结构:根图像作为视频编码中的I帧，其余图像可作为P帧，其中，下层图像将上层图像作为参考图像。[0144]本发明先将群体图像通过一定的特征提取抽象为有权有向图，通过朱刘方法得到不限深度的最小生成树，并判断该最小生成树是否满足深度限制，若不满足深度限制，则在该最小生成树中添加新边，并采用最大最小蚁群思想对最小生成树进行深度限制，得到深度限制的最小生成树，继而生成群体图像伪视频编码结构。本发明针对群体图像之间相关性差异较小的情况，既考虑到用户即时读取图像，使用最大最小蚁群将最小生成树进行深度限制，又比现有HAP方法得到的深度受限最小生成树权值小，编码效率更高。[0145]本发明的效果通过以下实验进一步说明：[0146]实施例7:[0147]基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-6，[0148]实验条件：[0149]本发明仿真实验是在windows7系统，处理器Intel⑻CoreTmi5-2450MCPU主频2.50GHz，RAM4GB的环境下进行的。编程语言是C++，编程软件为VS2010。[0150]本发明中，所有测试图像来源于VisualGeometryGroup中巴黎数据集ParisDataset网址：http:www.robots.ox.ac.uk〜vggdataparisbuildings〇在该图像集中，图集种类多且图像之间差异性不一，选取一部分图像，构成群体图像。图像集信息如表1所示:其中，用N表示图像尺寸不统一。[0151]表1图像集信息[0152][0153]以上3个测试图集，在使用本发明之前，先对图像的尺寸进行统一，并采用尺度不变特征转换方法SIFT得到图像之间的距离用来表征图像的相关性。其中，invalides抽象为有权有向图后，节点个数为8，总边数为56;sacrecoeur抽象为有权有向图后，节点个数为16，总边数为240;defense抽象为有权有向图后，节点个数为24，总边数为552。[0154]实验内容及结果分析：[0155]仿真1，使用本发明与现有的HAP方法分别对上述3个图集进行三层限制、四层限制、五层限制，得到的群体图像编码结构对应的最小生成树权值如表2。[0156]表2两种方法测试结果[0157][0158][0159]从表2可以看出：invalides图集中，总图像个数较少，所以本发明经过朱刘方法得到的最小生成树为3层，在4层、5层深度限制下的实际层数也为3层，权值与3层限制下的最小生成树的权值相同，本发明在3层深度限制下得到的最小生成树的权值小于HAP方法；sacrecoeur图集中，本发明在5层限制下得到的最小生成树实际为4层，权值与4层限制下的最小生成树的权值相同，在进行3层、4层深度限制下，本发明都会得到比HAP方法更为小的权值;defense图集中，在3层、4层、5层深度限制下，本发明得到的最小生成树的权值均小于HAP方法。因此，本发明在多个图像集中，在多个深度限制条件下，均能得到比现有HAP方法权值更小的最小生成树。[0160]实施例8:[0161]基于朱刘法和蚁群法的群体图像编码结构生成方法同实施例1-6,其中仿真条件及内容同实施例7。[0162]仿真2，使用本发明和HAP方法对invalides、sacrecoeur、defense分别进行3层、4层、5层深度限制，得到群体图像编码结构，并按照该结构进行编码，得到两种方法的编码效率对比曲线图。因为invalides图像集图像个数较少，在3层、4层、5层限制下，本发明得到的深度受限最小生成树均为3层，因此，只将3层限制下本发明和HAP方法编码效率对比；sacrecoeur图像集在4层、5层深度限制下，都得到4层的最小生成树，因此，对sacrecoeur图像集进行3层、4层深度限制下本发明和HAP方法的编码效率对比。[0163]客观的说，HAP方法相较于原有JPEG或者JPEG-2000技术，其编码效率已经有了很大的提高，但因为其近似聚类的思想的缺陷，使得最终的深度受限的最小生成树的权值不够小，使得编码效率还有一定的提升空间。本发明先使用朱刘方法确定最小生成树，对不满足深度限制的生成树使用最大最小蚁群法进行深度限制，经过多次迭代后，基本都能稳定到一个最优解，该最优解对应的深度受限最小生成树权值小于HAP方法，提升了编码效率。[0164]从图4可以看出，针对invalides，深度限制为3层时，在比特率相同的情况下，本发明的峰值信噪比高于HAP方法，可得其编码效率优于HAP方法。[0165]从图5可以看出，针对sacrecoeur，深度限制为3层、4层时，在比特率相同的情况下，本发明无论是在3层限制下，如图5a，还是在4层限制下，如图5b，其峰值信噪比均高于HAP方法，可知其编码效率均优于HAP方法。[0166]从图6可以看出，针对defense，深度限制为3层、4层、5层时，在比特率相同的情况下，本发明无论是在3层限制下，如图6a;4层限制下，如图6b;还是5层限制下，如图6c，其峰值信噪比均高于HAP方法，其编码效率均优于HAP方法。[0167]本发明相对于HAP方法，易于理解，得到的群体图像编码结构提升了编码效率。[0168]综上所述，本发明公开的一种基于朱刘法和蚁群法的群体图像编码结构生成方法。解决了现有多数方法不能保证用户即时访问以及HAP方法编码效率提升不高的问题。实现步骤为：（1构造有权有向图；（2使用朱刘方法得到最小生成树；（3判断最小生成树的深度是否满足限制；⑷假如满足，则输出该最小生成树，还原成图像，构成群体图像编码结构；（5假如最小生成树深度不满足限制，采用适宜蚁群法的规则添加新边，使用最大最小蚁群法对其进行深度限制，输出深度受限的最小生成树，还原成图像，构成群体图像编码结构。本发明生成的深度受限最小生成树的权值小，编码效率高，且能保证用户即时访问，与现有HAP方法进行实验对比，进一步证明了本发明生成树权值小，编码效率高。可应用于云中图像压缩、个人相册压缩等领域。

权利要求：1.一种基于朱刘法和蚁群法的群体图像编码结构生成方法，其特征在于，包括有如下步骤：1构造群体图像相互关系的有权有向图：将群体图像抽象为有权有向图，即将群体图像中每个图像抽象为节点，并根据图像的相关性表征为两两节点之间的距离，相关性越大，距离越短，得到满足各个节点之间相互关系的有权有向图GV，E，其中，V为节点集合，E为有向边集合；2初始化:给定最大深度限制dmax，用于限制最终树形图的深度;给定节点个数N的大小为节点集合V中节点的个数，实现对有权有向图GV，E的初始化；⑶在有权有向图GV，E中使用朱刘方法得到最小生成树T:3a对有权有向图GV，E进行预处理，得到预处理后的有权有向图6!V，E:虚拟一个根节点r，将该根节点r与其他所有节点的距离定义为有权有向图GV，E中所有边的权值之和;对于任意两个节点Vi和Vj，若从节点Vi到节点Vj有多条边，贝Ij只保留其中最短的一条；3b寻找所有节点的最短入边，构成最短入边集合P，节点V的最短入边的起点用JiV来表示；3c判断最短入边集合P={}是否构成环，其中，节点veV且V辛r，若不构成任何环，得到最小生成树T，跳转至步骤4;否则，执行步骤3d;3d对构成环的有权有向图进行缩环处理，并返回步骤3b;⑷判断最小生成树的深度depT是否大于最大深度限制dmax，若是，则执行步骤5;否则，则该最小生成树T即为深度受限的最小生成树，执行步骤7;⑶采用适宜蚁群法的规则对最小生成树T添加新边，得到添加新边后的有权有向图G2V，E，添加规则是节点Vi的深度depVi小于节点Vj的深度depVj且depVjdmax；6在添加新边后的有权有向图G2V，E使用最大最小蚁群法对最小生成树进行深度限制：6a初始化最大最小蚂蚁法参数:给定蚂蚁个数为m，设置最大迭代次数F，置全局最优解的初始权值为无穷大，已迭代次数iter为O;6b构造用于存放蚂蚁通过的节点和边的禁忌表Tabuk，k代表任意一只蚂蚁，k=1，2,-'m,并初始化为空；6c将当前节点集C中所有节点添加到所有蚂蚁的禁忌表Tabuk中，其中C=IvIdepV是最短入边集合P中的一条有向边e，其中，节点?C，节点Vjec，则将环：缩为新的节点^，得到新边，"=，新边权重《，'〇=«6-«31%，Vj;3d2如果是最短入边集合P中的一条有向边e，其中，节点Viec，节点S则将环C缩为新的节点V。，得到新边enew=IeGlV，EΠdepVidmaxΠdepVjdmax};6d2按照随机原则选择当前节点集C中一个节点作为当前访问节点v™r;6d3按照如下公式计算转移概率巧0:，选择下一个访问节点Vne3xt，并对其进行访问，判断其深度是否满足depVojrdmax，若满足，将Vm3Xt添加到当前节点集中；其中，⑴表示当前时亥I」，节点i到节点j路径上的信息素，Hij表示从节点i到节点j的能见度，取值为节点i到节点j的距离的倒数，α为信息素的加权值，β为能见度的加权值；6d4将第k只蚂蚁所对应的禁忌表Tabuk进行更新；6d5判断所有节点是否都已添加到禁忌表Tabuk,若是，得到该深度受限的最小生成树TkV，E，否则，返回步骤6d2。4.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤6h中更新最大信息素Tmax和最小信息素，按如下公式进行：其中，L是截止目前时刻，最优蚂蚁走过的路径长度，η为节点个数，avg=n2，Pbest表示蚂蚁一次搜索找到最优解的概率，通常为给定值。5.根据权利要求1所述的基于朱刘法和蚁群法的群体图像编码结构生成方法，其中步骤6i中更新路径信息素T^t+1，按如下公式进行：其中代表最优蚂蚁在t，t+l时间内，i到j的边信息素增量。

百度查询： 西安电子科技大学 基于朱刘法和蚁群法的群体图像编码结构生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD