CN101594532A - 基于四叉树划分的区域生长压缩方法 - Google Patents

Abstract

本发明涉及一种基于四叉树划分的区域生长压缩方法，区域生长模板定义了小波系数的聚类特性。解决了小波算法零树的预测效率不高、没有充分利用同层小波系数间相关性的缺点，该算法充分考虑了层间小波系数和同层小波系数之间的相关性，以及小波系数的聚类性，结构简单，具有良好的压缩性能，其压缩性能优于经典的SPIHT和EZW算法。

Description

基于四叉树划分的区域生长压缩方法

技术领域

本发明涉及一种区域生长压缩方法，特别涉及一种基于四叉树划分的区域生长压缩方法。

背景技术

随着多媒体技术和通讯技术的日益发展，加速了全球高速信息的建设，基于网络的多媒体数据传输正改变着人类的生活方式。多媒体娱乐、多媒体通信、数字音频广播和高清晰度电视等各类实际的应用对信息数据的存储和传输的要求不断提高。由于图像数据量非常大，直接存储和传输如此庞大的数据，不仅要消耗巨大的磁盘空间和网络带宽，而且还会极大地增加处理器地负担，所以应用图像压缩技术已成为迫切需要。，小波变换是20世纪80年代出现的数学分析工具，自1988年多分辨率分析思想引入小波变换以来，小波变换在图像压缩编码中得到广泛的应用，小波变换编码称为近年来提出的具有很好发展前景的图像编码方法。目前主流的压缩算法有：一、嵌入式零树编码(EZW)算法和以此为基础的改进算法，如CEZW和CZW算法。利用小波系数的零树特性设计编码算法，若某个精度级上一个小波系数是不重要的，则更高精度级上与之相对应的大量系数可以置零，在编码中不再考虑，从而提高编码效率。这类算法结构简单，实现方便，编码解码速度也较快，同时可以根据需要精确控制编码比特率。但随着显著阈值的降低，零树的预测效率随之降低。而且对于纹理非常丰富的图像，非显著区域非常琐碎，零树的预测性能也会大大降低。二、基于多级树集合***排序(SetPartitioning in Hierarchical Trees，SPIHT)的编码算法。该算法针对小波系数中存在的树根重要、除树根以外的其它结点不重要的这类树结构进行有效编码。它的主要成功之处在于设计了空间方向树结构，这种数据结构不仅充分利用了不同尺度间小波系数的相关性，也充分考虑了同一尺度下小波系数的相关性，可以更有效地组织小波系数。SPIHT编码算法不仅结构简单，无需任何训练，支持多码率，而且具有较高的信噪比和较好的复原质量，总体性能要更优于EZW算法，是迄今为止效果最好的小波压缩算法之一。但是该算法没有利用同一层中相邻区域的小波系数之间的相关性，同时最低频子带系数并非同时都是重要的，因此在低比特率下会导致恢复图像质量的下降。

发明内容

本发明针对小波算法零树的预测效率不高、没有充分利用同层小波系数间相关性的问题，提出了一种基于四叉树划分的区域生长压缩方法，该算法充分考虑了层间小波系数和同层小波系数之间的相关性，以及小波系数的聚类性，结构简单，具有优于SPIHT和EZW算法的压缩性能。

本发明的技术方案为：一种基于四叉树划分的区域生长压缩方法，将区域生长用于四叉树划分的小波压缩编码***，区域生长模板定义小波系数的聚类特性，方法包括如下步骤：

1)、参数定义：定义LP是节点的小波系数值的序列，定义LIS是不重要系数集合的序列，c_ij表示节点(i，j)的小波系数值，D(i，j)表示结点(i，j)的所有后代节点，R(i，j)表示结点(i，j)的所有未被编码过的后代结点，O(i，j)表示(i，j)的所有儿子节点；

2)、初始化：将最低频子带中所有的系数点放入LP，最低频子带中所有有后代的结点放入LIS，输出

门限值设为T＝q2^k，q是量化参数；

3)、分类：对LIS中的每个结点(i，j)：

-计算S_T(κ)来判断这棵树的后代节点中是否有大于门限值的重要系数， $S_T\left(\mathrm{\κ}\right)=\left\{\begin{array}{cc}1,& {\max }_{(k,1)\∈R(i,j)}\left|c_{k,1}\right|\≥T\\ 0,& \mathrm{otherwise}\end{array}\right.,$ 其中κ表示根节点为(i，j)的四叉树；

如果S_T(κ)＝1，则对于(i，j)的每个儿子结点：

-加入LIS中作为新的节点；

-如果未被编码，则：

--移入LP，标记该点已被编码；

--如果相对于当前门限是显著的，则进行下述区域生长操作：

{按照区域生长的结构算子索引区域生长的节点，对每个节点，如果未被编码：

-移入LP，标记该点已被编码；

-如果是显著的，则以该点为种子进行区域生长操作；}

4)、量化输出：首先输出头部信息，即LP中系数的个数。然后对放入LP中的点，通过格状编码量化器进行量化编码。同时，根据格状编码量化器重建的系数值，输出格状编码量化器是否改变了系数值的显著性；

5)、更新：清空LP，门限值变为T/2，返回步骤3。本发明的有益效果在于：本发明一种基于四叉树划分的区域生长压缩方法，解决了EZW小波算法零树的预测效率不高和SPIHT算法没有充分利用同层小波系数间相关性的问题，提出了一种基于四叉树划分的区域生长压缩方法。该算法充分考虑了层间小波系数和同层小波系数之间的相关性，以及小波系数的聚类性，结构简单，占用内存少，同时具有优于SPIHT和EZW算法的压缩性能。

附图说明

图1为本发明基于四叉树划分的区域生长压缩方法中区域生长算子1示意图；

图2为本发明基于四叉树划分的区域生长压缩方法中区域生长算子2示意图；

图3为本发明基于四叉树划分的区域生长压缩方法中区域生长算子3示意图。

具体实施方式

多数自然图像由成片的均匀区域和少量的纹理及边缘组成，其中均匀区域变化平滑，由低频分量组成，纹理及边缘变换剧烈，有一定的方向性，由高频组成。小波变换将大多数能量集中在低频子带内，高频子带的系数呈现很强的聚簇特性，因此使用区域生长对每个频带进行聚簇连通处理，是一种有效的方法。区域生长算子定义了小波系数的生长方向，也就是区域生长算子定义的若干节点之间的相关性较强。当某个节点的值大于门限时，以该节点为种子按照区域生长算子得到的节点的值大于门限的概率很大。本发明中定义了3种区域生长算子，分别见图1～3，其中·表示种子节点，×表示区域生长出来的节点。3种区域生长算子解决了传统单一模板难以适应多种图像类型的缺点，可以尽量减少了区域生长运算起始点的个数，提高编码效率。

下面描述基于四叉树划分的区域生长压缩方法：

1、参数定义：定义LP是节点的小波系数值的序列，定义LIS是不重要系数集合的序列，c_ij表示节点(i，j)的小波系数值，D(i，j)表示结点(i，j)的所有后代节点，R(i，j)表示结点(i，j)的所有未被编码过的后代结点，O(i，j)表示(i，j)的所有儿子节点；

2、初始化：将最低频子带中所有的系数点放入LP，最低频子带中所有有后代的结点放入LIS，输出

门限值设为T＝q2^k，q是量化参数；

3、分类：对LIS中的每个结点(i，j)：

-计算S_T(κ)来判断这棵树的后代节点中是否有大于门限值的重要系数， $S_T\left(\mathrm{\κ}\right)=\left\{\begin{array}{cc}1,& {\max }_{(k,1)\∈R(i,j)}\left|c_{k,1}\right|\≥T\\ 0,& \mathrm{otherwise}\end{array}\right.,$ 其中κ表示根节点为(i，j)的四叉树；

如果S_T(κ)＝1，则对于(i，j)的每个儿子结点：

-加入LIS中作为新的节点；

-如果未被编码，则：

--移入LP，标记该点已被编码；

--如果相对于当前门限是显著的，则进行下述区域生长操作：

{按照区域生长的结构算子索引区域生长的节点，对每个节点，如果未被编码：

-移入LP，标记该点已被编码；

-如果是显著的，则以该点为种子进行区域生长操作；}

4、量化输出：首先输出头部信息，即LP中系数的个数。然后对放入LP中的点，通过格状编码量化器进行量化编码。同时，根据格状编码量化器重建的系数值，输出格状编码量化器是否改变了系数值的显著性；

5、更新：清空LP，门限值变为T/2，返回步骤3。

Claims (1)

1、一种基于四叉树划分的区域生长压缩方法，将区域生长用于四叉树划分的小波压缩编码***，区域生长模板定义小波系数的聚类特性，方法包括如下步骤：

1)、参数定义：定义LP是节点的小波系数值的序列，定义LIS是不重要系数集合的序列，c_ij表示节点(i，j)的小波系数值，D(i，j)表示结点(i，j)的所有后代节点，R(i，j)表示结点(i，j)的所有未被编码过的后代结点，O(i，j)表示(i，j)的所有儿子节点；

2)、初始化：将最低频子带中所有的系数点放入LP，最低频子带中所有有后代的结点放入LIS，输出门限值设为T＝q2^k，q是量化参数；

3)、分类：对LIS中的每个结点(i，j)：

-计算S_T(κ)来判断这棵树的后代节点中是否有大于门限值的重要系数， $S_T\left(\mathrm{\κ}\right)=\left\{\begin{array}{cc}1,& {\max }_{(k,1)\∈R(i,j)}\left|c_{k,1}\right|\≥T\\ 0,& \mathrm{otherwise}\end{array}\right.,$ 其中κ表示根节点为(i，j)的四叉树；

如果S_T(κ)＝1，则对于(i，j)的每个儿子结点：

-加入LIS中作为新的节点；

-如果未被编码，则：

——移入LP，标记该点已被编码；

——如果相对于当前门限是显著的，则进行下述区域生长操作：

{按照区域生长的结构算子索引区域生长的节点，对每个节点，如果未被编码：

-移入LP，标记该点已被编码；

-如果是显著的，则以该点为种子进行区域生长操作；}

4)、量化输出：首先输出头部信息，即LP中系数的个数。然后对放入LP中的点，通过格状编码量化器进行量化编码。同时，根据格状编码量化器重建的系数值，输出格状编码量化器是否改变了系数值的显著性；

5)、更新：清空LP，门限值变为T/2，返回步骤3。

Images