一種自適應紋理對比度的低復雜度壓縮感知圖像編碼方法

文檔序號：10688070閱讀：423來源：國知局

一種自適應紋理對比度的低復雜度壓縮感知圖像編碼方法
【專利摘要】本發明公開了自適應紋理對比度的低復雜度壓縮感知圖像編碼方法，其包括步驟：(1)將輸入圖像劃分為若干互不重疊的圖像塊；(2)利用像素八連通區域內最大梯度度量輸入圖像中各像素的紋理變化程度，生成紋理特征圖；(3)利用紋理特征圖計算各塊紋理對比度，并以此為依據自適應設定各塊測量率，并根據各塊測量率構造塊測量矩陣，逐塊進行壓縮感知測量；(4)以塊紋理對比度加權圖像重建模型的目的函數，建立自適應全局重建模型，集中優化富含紋理區域，生成最終的重建圖像，本發明可有效改善圖像主客觀重建質量，其整體性能與現有技術相比，獲得了較大的率失真性能改善。
【專利說明】
一種自適應紋理對比度的低復雜度壓縮感知圖像編碼方法
技術領域
[0001] 本發明屬于圖像編碼技術領域，涉及一種基于壓縮感知的低復雜度編碼方法，尤其是提出了自適應于圖像紋理對比度分布的壓縮感知測量方法，以提高圖像編碼的率失真性能。
【背景技術】
[0002] 傳統圖像編碼（如JPEG)以圖像變換為核心，由奈奎斯特(Nyquist)頻域采樣定理為理論基礎，要求圖像變換次數至少為圖像總像素數才可精確復原圖像。然而，在計算能力和耗電量均受限的無線傳感器網絡終端，變換次數過多會引入較高計算復雜度，這使得傳統圖像編碼并不適合應用至"輕"采集點場合。另外，傳統圖像編碼對圖像實施全變換致使信息駐留在稀少的系數之上，若干重要系數丟失會極大衰退圖像重建質量，這無疑也對無線傳感器間的通信質量提出了更高要求。突破奈奎斯特頻域采樣定理的壓縮感知 (Compressive Sensing，CS)為解決上述問題開啟了新思路，使得采用部分變換仍可精確復原信號，這激發了圖像壓縮感知作為新圖像編碼方法的出現，實現了在變換圖像的同時直接降維壓縮圖像，大大節約了編碼成本，引起了廣泛關注。
[0003] 提高圖像壓縮感知編碼率失真性能是現有技術致力于實現的目標。主流方法是建立圖像稀疏表示模型改善最小Ii范數重建的收斂性能：文獻"Compressed Sensing Recovery of Images and Video Using Multihypothesis Predictions"（Chen C,TrameI E ff,and Fowler J E，Proceedings of Conference Record of the 46th Asilomar Conference，Pracific Grove,CA:IEEE Signal Processing Society Press:2011:1193-1198)提出利用圖像空間冗余作多假設預測，以復原相比原始圖像更稀疏的殘差提升重建質量；文南犬"NESTA:A Fast and Accurate First-Order Method for Sparse Recovery" (Becker S,Bobin J,Candes E J，SIAM Journal on Imaging Sciences,2011,4(1)：1-39) 提出充分利用一階分析法的NESTA方法，確保稀疏分解的快速性和穩健性。上述技術的率失真性能提升是以在重建端引入高計算復雜度為代價，往往隨著圖像維數增加，重建時間將急速上升。為了避免高計算復雜度引入，相關技術也提出在感知端利用測量值間統計相關性改進量化方法，以減少信息熵的方式提升率失真性能：文獻"D P CM f 〇 r Q u a n t i z e d Block-based Compressed Sensing of Images"（Mun Sungkwang,and Fowler J.E., Proceedings of the European Conference on Signal Processing,Bucharest：IEEE Signal Processing Society Press，2012:1424-1428)利用差分預測方法消除鄰近塊的測量冗余，節約碼率。減少統計冗余的量化方法，盡管能以較低計算復雜度代價換取一定程度的率失真性能提升，但測量值的高斯分布統計特性也決定了其性能改善的局限性。與上述技術相比，自適應測量率設定是一種以小計算代價提升率失真性能的有效手段，其因可改善壓縮感知測量效率而抑制無效測量，使之可獲得明顯的性能提升。自適應測量率設定需要依據各種圖像特性設計，例如，依據圖像塊方差、邊緣度量細節復雜度自適應地為各塊設定測量率。塊方差和圖像邊緣自適應測量是現有自適應測量率設定方法中的常用手段，但它們僅是在測量過程中對圖像中低頻信息予以保護，而忽略了人眼更感興趣的高頻紋理細節，導致復原效果并不理想。因此，本發明力求解決如何在編碼端提取有用特征表示圖像高頻信息，引導自適應測量和重建，確保圖像高頻信息的恢復。

【發明內容】

[0004] 技術問題:本發明致力于利用圖像紋理特征變化引導各塊測量率設定，通過量化各塊紋理特征變化，對高紋理變化度塊予于高測量率，而消除低紋理變化度塊的過剩測量，并在重建時利用塊紋理變化度分布，實施加權全局重建，有效提升重建圖像的主觀視覺質量。
[0005] 技術方案:本發明提出自適應紋理對比度的低復雜度壓縮感知圖像編碼方法，以紋理對比度為導向自適應測量與重建圖像，在編碼端利用紋理提取算法計算各塊紋理對比度，并根據塊紋理對比度分布自適應設定各塊測量率，而在解碼端采用塊紋理對比度加權重建模型的目標函數，集中優化高紋理特征塊的重建質量。其具體步驟包括如下：
[0006] (1)分塊輸入圖像
[0007] 全采樣生成尺寸為IrX IjN=Ir · I。)的圖像X，然后，將圖像X分成η個尺寸為BXB 的塊，其中B取8,第i個圖像塊記為列向量形式xi(i = l，2,. . .，η，η = Ν/Β2);
[0008] (2)計算塊紋理對比度
[0009] 利用像素八連通區域內最大梯度度量各像素的紋理變化程度，即
[0010] v(xr,c)=max{ |xr,c-xP,q| |r-l^p^r+l ,c-l^q^c+l}
[0011]式中xr,。為像素位置(r，c)處的亮度值，xP,q為x r,。的八鄰接像素亮度值，I · I為絕對值符號。對于全采樣圖像X，其任一像素的紋理變化程度均可由上式計算，由此可得，X的紋理特征度分布V如下：
[0012]
[0013] 為了便于進一步處理，對V規范化。設定閾值€(對￥作硬閾值處理，生成紋理特征圖 Va如下：
[0014]
[0015] 式中a在〇到1之間取值。利用Va可計算各塊的紋理特征能量如下：
[0016]
[0017] 式中Λ (X1)代表塊像素位置集合。利用各塊紋理特征能量占總能量的比例，計算塊紋理對比度如下：
[0018]
[0019] (3)自適應測量
[0020] 提前預設圖像總測量率S，確定總測量次數M為
[0021] M = N · S
[0022]其中N為圖像總像素數。接著，利用塊紋理對比度^計算各塊測量次數如下：
[0023] Mi = round[Wi · (M-nMo)+Mo]
[0024] 式中Mo是防止塊測量率過小而預設的初始測量次數，取值為round(0.3M/n)， r〇und[ ·]為四舍五入算子。生成相應的隨機測量矩陣ΦΒι，最后，計算長度為姐（<<82)的各塊測量向量yi如下：
[0025] yi= Φβ?Χ?
[0026] 最后，將η個塊測量向量yi傳輸至解碼端。
[0027] (4)自適應重建
[0028] 解碼端接收到各塊測量向量yi后，將所有塊測量向量按列排列如下：
[0032] 并引入初等矩陣I將分塊排列的各塊列向量重新排序為整幅圖像列向量如下：
[0029]
[0030]
[0031]
[0033]
[0034] 則可得
[0035] y= Φ · I · X= Θ · X
[0036] 構成全局重建模型如下：
[0037]
[0038]式中Ψ為整幅圖像X的變換矩陣。推導出塊紋理對比度估計值如下：
[0039]
[0040] 利用塊紋理對比度估計值加權全局重建模型的首項如下：
[0041]
[0042] 構造對角矩陣W如下：
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] 可看到自適應塊紋理對比度加權重建模型是。-^范數最小化模型，其中正則化參數λ取0.3,圖像變換矩陣Ψ采用濾波器長度為4的Daubechies正交小波。采用梯度投影方法求解全局重建模型，獲得最終的重建圖像X。
[0049] 有益效果:本發明提出的自適應紋理對比度的低復雜度壓縮感知圖像編碼方法根據塊紋理對比度分布，集中測量豐富紋理區域，保護重建圖像的高頻信息，可有效改善圖像主客觀重建質量，其整體性能與現有技術相比，獲得了較大的率失真性能改善。
【附圖說明】
[0050] 圖1為本發明編解碼框圖。
[0051 ] 圖2為512 X 512Lenna圖的塊方差、邊緣及紋理特征分布對比。
[0052] 圖3為總測量率S為0.3時，各種方法重建Mandr i 11圖像的主觀視覺對比。
[0053]具體實施方法
[0054] 以下結合附圖和實施例對本發明的技術方案作進一步描述。
[0055] 本發明提出的低復雜度壓縮感知圖像編解碼框圖如圖1所示。在編碼端，首先，場景由CMOS傳感器全采樣生成尺寸為IrXUN=I r · I。)的圖像X，然后，將圖像X分成η個尺寸為BXB的塊，其中B取8,第i個圖像塊記為列向量形式Xi(i = l，2，. ..，η，η = Ν/Β2)，接著，根據塊紋理對比度計算各塊測量次數1(<<82)，生成相應的隨機測量矩陣Φ Βι，最后，由式 (1)得到長度為Μβ(<<Β2)的各塊測量向量yi如下：
[0056] yi= Φβ?Χ? (1)
[0057] 式由Φ?、縣MrXR2的隨機高斯矩陣，另外定義各塊測量率Si如下：
[0058]
(2)
[0059 ]最后，將η個塊測量向量y i按列排列為總測量向量y，并傳輸至解碼端。
[0060] 塊紋理對比度計算方法如下所述。利用像素八連通區域內最大梯度度量各像素的紋理變化程度，即
[0061] v(Xr,c)=max{ |xr,c_Xp,q| |r-Kp<r+l，c-Kq<c+l} (3)
[0062]式中Xr,。為像素位置(r，C)處的亮度值，Xp,q為Xr,。的八鄰接像素亮度值，I · I為絕對值符號。對于全采樣圖像X，其任一像素的紋理變化程度均可由式(3)計算，由此可得，X的紋理特征度分布V如下；
[0063]
(4)
[0064] 為了便于進一步處理，對v規范化。設定閾值〇對￥作硬閾值處理，生成紋理特征圖 Va如下：
[0065]
(5)
[0066] 式中a在0到1之間取值。在紋理特征圖Va中，0意味當前像素與其八鄰接像素間差異較小，而1則代表差異較大，其附近更可能包含豐富紋理。利用Va可計算各塊的紋理特征能量如下：
[0067]
(6)
[0068]式中Λ (Xl)代表塊^的像素位置集合。我們將各塊紋理特征能量占總能量的比例稱作塊紋理對比度，按式（7)計算如下：
(7)
[0069]
[0070] 圖2顯示了512 X 512Lenna圖的塊方差、邊緣及紋理特征分布對比，可看出在紋理細節豐富的毛發、眼睛區域，紋理對比度均以高亮顯示，且其也可突出邊緣，而塊方差與邊緣特征并未凸顯紋理細節，因此，塊方差與邊緣特征無法引導集中測量富含紋理細節的區域，而本發明提出的紋理對比度，可確保以大測量率捕獲高紋理特征塊的信息。與傳統圖像編碼中常用的快速DCT變換計算復雜度O(Nlog 2N)相比，提取塊紋理對比度的計算復雜度僅為O(N)，那么，可知在編碼端提取紋理特征仍可確保較低的計算復雜度。
[0071] 自然圖像在空域內具有非平穩統計特性，直接以塊紋理對比度為依據設定各塊測量率會造成圖像總測量率隨圖像內容而變化，不易于碼率控制，因此，提前預設圖像總測量率S，確定總測量次數M為
[0072] M = N · S (8)
[0073]其中N為圖像總像素數。接著，利用塊紋理對比度^計算各塊測量次數如下：
[0074] Mi = round[Wi · (M-nMo)+Mo] (9)
[0075] 式中Mo是防止塊測量率過小而預設的初始測量次數，取值為round(0.3M/n)， r〇und[ ·]為四舍五入算子。由式(9)確定各塊測量次數后，部分高紋理對比度塊的測量次數可能會過大，導致紋理區域高質量重建，而非紋理區域塊由于分配較少的測量次數，造成重建質量弱于紋理區域。若紋理區域與非紋理區域重建質量差異過大，人眼將感覺紋理區域突兀，造成主觀視覺質量衰退。為了防止出現上述問題，設定各塊測量次數上界U = 0.9B2,任何測量次數超出上界的塊，都將其測量次數限定為U，隨后，將剩余的測量次數均勻分配給未越界塊，再次分配后，若又出現越界塊，則重復上述操作，直到所有塊測量次數均不越界為止。自適應設定各塊測量次數M 1，構造相應的隨機測量矩陣ΦΒι，并按式（1)作壓縮感知測量，獲得塊測量向量yi，逐塊傳輸至解碼端。
[0077]
[0076] 解碼端接收到各塊測量向量71后，將所有塊測量向量按列排列如下：
[0080]并引入初等矩陣I將分塊排列的各塊列向量重新排序為整幅圖像列向量如下：
[0078]
[0079]
[0081]
(12)
[0082] 聯合式（10)、式（11)及式（12)，可得
[0083] γ=φ·?·χ=Θ·χ (13)
[0084] 根據式（13)構成全局重建模型如下：
[0085]
(14)
[0086] 式中Ψ為整幅圖像X的變換矩陣。由于塊測量次數M1反映了塊紋理對比度分布，因此，由式(9)可推導出塊紋理對比度估計值如下：
[0087]
(15)
[0088] 利用塊紋理對比度估計值加權式（14)的首項如下：
[0089]
(16)
[0090]為了簡化式（16)，構造對角矩陣W如下：
[0091]
[0092]式中diag( ·)為對角矩陣生成算子。利用式(17)，式(16)可等價變形為
[0093] (18)
[0094]
[0095] (19)
[0096] 可看到自適應塊紋理對比度加權重建模型是^-^范數最小化模型，采用文獻 "Gradient Projection for Sparse Reconstruction：Application to Compressed Sensing and Other Inverse Problems"（Figueiredo MA T,Nowak R D,Wright S J， IEEE Journal of Selected Topics in Signal Processing，2007，l(4) :586-597)提出的梯度投影方法求解，正則化參數λ取0.3，圖像變換矩陣Ψ采用濾波器長度為4的Daubechies 正交小波。
[0097]本發明的仿真結果
[0098] 采用5幅包含不同程度平滑、邊緣和紋理細節的512 X 512標準測試圖像Lenna、 Barbara、Pepper s、Go Idhi 11和Mandr i 11測試本發明提出的編碼器率失真性能。在所有實驗中，預設總測量率S分別取0.1到0.5。評價客觀性能的指標采用峰值信噪比（Peak Signal-Noise Ratio ，PSNR)，但考慮到隨機變化的測量矩陣，實驗中 5 次重建圖像并計算 PSNR 值取其平均。對于簡潔稀疏表示策略，選擇對比方法為：文獻"Compressed Sensing Recovery of Images and Video Using Multihypothesis Predictions"（Chen C,TrameI E ff,and Fowler J E,Proceedings of Conference Record of the 46th Asilomar Conference, Pracific Grove，CA: IEEE Signal Processing Society Press:2011:1193-1198)提出的多假設預測平滑Landweber迭代方法，命名為MH_SPL;文獻"NESTA:A Fast and Accurate First-Order Method for Sparse Recovery"（Becker S,Bobin J,Candes E J,SIAM Journal on Imaging Sciences，2011，4(1): 1-39)提出充分利用一階分析法的NESTA方法。對于量化策略，選擇對比方法為：文獻"DPCM for Quantized Block-based Compressed Sensing of Images"（Mun Sungkwang，and Fowler J.E.,Proceedings of the European Conference on Signal Processing，Bucharest: IEEE Signal Processing Society Press ,2012:1424-1428)提出的DPCM方法，對應重建方法采用NESTA方法，命名為DPCM+ NESTA。圖3顯示了本發明與對比方法的平均率失真曲線，可看到本發明隨比特率升高，PSNR 值獲得顯著提升，其增長速率優于對比算法，且當比特率高于1.3bpp時，PSNR值超越對比方法，并逐漸拉開距離。表1列出了各種方法在不同測量率下重建圖像的PSNR值，可看到當總測量率S為0.1時，本發明的PSNR值低于MH_SPL方法，但與NESTA、DPCM+NESTA方法相差無幾。然而，當總測量率S為0.3與0.5時，本發明PSNR值明顯優化對比方法。總測量率S為0.3時，各種方法重建Mandrill圖像對比，可看出本發明具有良好的主觀視覺感受，與對比方法相比，其紋理細節獲得了更好保護。綜上所示，可知本發明有效提升了低復雜度圖像編碼的率失真性能，且確保了良好的主觀視覺質量。
[0099]表1本發明與對比方法重建測試圖像的PSNR值(dB)對比
【主權項】
1. 一種自適應紋理對比度的低復雜度壓縮感知圖像編碼方法，其特征在于該方法包括:塊紋理對比度計算、自適應測量與自適應重建；塊紋理對比度計算包括，利用像素八連通區域內最大梯度度量各像素的紋理變化程度，即 v(xr,c)=max{ |xr,c_xP,q| |r-Kp<r+l，c_Kq<c+l} 式中xi·,。為像素位置(r，c)處的亮度值，xP,q為xr,。的八鄰接像素亮度值，卜I為絕對值符號，對于全采樣圖像X，其任一像素的紋理變化程度均可由上式計算，由此可得，X的紋理特征度分布v如下：為了便于進一步處理，對v規范化，設定閾值〇對?作硬閾值處理，生成紋理特征圖V。如下：式中α在0到1之間取值，利用Va可計算各塊的紋理特征能量如下：式中Λ (Xl)代表塊^的像素位置集合，利用各塊紋理特征能量占總能量的比例，計算塊紋理對比度如下：自適應測量包括，提前預設圖像總測量率S，確定總測量次數Μ為 Μ=Ν · S 其中Ν為圖像總像素數，接著，利用塊紋理對比度^計算各塊測量次數如下： Mi = round [wi · (M-nM〇)+M〇] 式中Mo是防止塊測量率過小而預設的初始測量次數，取值為round(0.3M/n)，round[ ·] 為四舍五入算子，生成相應的隨機測量矩陣ΦΒι，最后，計算長度為1(<<82)的各塊測量向量yi如下： yi= Φβ?Χ? 最后，將η個塊測量向量71傳輸至解碼端；自適應重建包括，解碼端接收到各塊測量向量yi后，將所有塊測量向量按列排列如下：令并引入初等矩陣I將分塊排列的各塊列向量重新排序為整幅圖像列向量如下：則可得 y= Φ · I · χ= Θ · χ 構成全局重建模型如下：式中Ψ為整幅圖像X的變換矩陣，推導出塊紋理對比度估計值如下：利用塊紋理對比度估計值加權全局重建模型的首項如下：構造對角矩陣W如下：式中diag( ·)為對角矩陣生成算子，全局重建模型等價變形為令Ω =ff0，進一步整理得可看到自適應塊紋理對比度加權重建模型是^-^范數最小化模型，其中正則化參數λ 取0.3,圖像變換矩陣Ψ采用濾波器長度為4的Daubechies正交小波，采用梯度投影方法求解全局重建模型，獲得最終的重建圖像支。
【文檔編號】G06T9/00GK106056638SQ201610335409
【公開日】2016年10月26日
【申請日】2016年5月18日
【發明人】李然, 劉正輝, 馬文鵬, 劉宏兵
【申請人】信陽師范學院

完整全部詳細技術資料下載