[发明专利]网络环境下大规模图像与视频数据高效处理的方法

权利要求书

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＝{a₁,a₂,…,a_n}，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POS_C(De)；

步骤2：对属性a_i∈C，去除它所得到的条件属性子集C/{a_i}，计算决策属性集合De的C/{a_i}正域

步骤3：如果则说明属性a_i对于决策属性De是不必要的，即C＝C/{a_i}，转步骤2；否则，输出属性约简集合RED(A)＝C；

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＝C∪De)，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|×|U|矩阵，矩阵的每一项c_ij定义为

其中，x_i∈U，x_j∈U是研究的对象，a是属性，a(x_i)表示对象x_i的属性，De(x_i)表示x_i的决策属性；如果De(x_i)≠De(x_j)，c_ij代表了可以将x_i和x_j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c_ij的每个属性“或”起来，然后再“与”所有的c_ij，其中i,j＝1,…,|U|，则区分函数f(S)为

因为c_ij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)＝∨(∧a_m)   (3)

则所有的质蕴涵式∧a_m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a_i∈C所得到的条件属性子集C/{a_i}的正域

max＝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∪{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。