CN109819258A - 一种基于螺旋式扫描的分块压缩感知方向预测编码方法 - Google Patents
一种基于螺旋式扫描的分块压缩感知方向预测编码方法 Download PDFInfo
- Publication number
- CN109819258A CN109819258A CN201910092187.5A CN201910092187A CN109819258A CN 109819258 A CN109819258 A CN 109819258A CN 201910092187 A CN201910092187 A CN 201910092187A CN 109819258 A CN109819258 A CN 109819258A
- Authority
- CN
- China
- Prior art keywords
- block
- splits
- positions
- image
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种基于螺旋式扫描的分块压缩感知方向预测编码方法,包括以下步骤:将输入的图像分为n个子块,将图像中位于中间的子块选为起始块,以螺旋式扫描顺序将图像块依次执行分块压缩感知,得到分块压缩感知观测块;将得到的分块压缩感知观测块依序传入编码器,对于每个分块压缩感知观测块从一组由周围方向预测模式中生成的预测候选块中选择最佳预测块,通过标量量化处理当前观测块与最佳预测块的残差,获得残差量化指数;将残差量化指数传入编码器进行编码得到压缩数据比特流。本发明能够提升码流的率失真性能。
Description
技术领域
本发明涉及图像压缩处理技术领域,特别是涉及一种基于螺旋式扫描的分块压缩感知方向预测编码方法。
背景技术
近年来,压缩感知(Compressed Sensing,CS)技术发展迅速,受到了信号处理界越来越多的关注。CS理论指出,当某个信号在某个领域表现出稀疏性时,可以利用线性随机投影得到少量的观测数据,然后利用非线性优化计算方法可以对信号高概率地进行精确重构。压缩感知技术可以对信号进行采样的速率远低于传统的奈奎斯特-香农稀疏信号采样率,采样率的降低对于各种成像应用都具有吸引力,如雷达成像、磁共振成像、生物信号的采集和传感器网络。在大多数CS文献中,假设观测过程在压缩感知的硬件设备中能够有效地相对于原始的高维数据获得低维CS观测数据,因此,CS观测过程可以被看作是同时进行数据采集和数据压缩。然而,这些在严格的信息理论意义上并不算真正地实现了数据压缩,它们不能直接从硬件设备中产生数据比特流。在实际应用中,CS观测过程只能被视为一种数据信号降维技术,真正的数据信号压缩是从输入数据中产生最终比特流的过程,这需要由编码器来完成。图像/视频信号通常采用分块压缩感知(Block-based CS,BCS)进行更有效的量化,在BCS观测的基础上加上某种形式的量化编码来生成比特流,例如采用标量量化(Scalar Quantization,SQ)。方向预测编码可以利用图像块之间的相关性,引进空域预测模式,以降低数据码流大小。现有预测编码方法采用光栅顺序扫描方式,忽略了BCS架构和图像本身的特性,在率失真性能方面有待提高。
发明内容
本发明所要解决的技术问题是提供一种基于螺旋式扫描的分块压缩感知方向预测编码方法,提升码流的率失真性能。
本发明解决其技术问题所采用的技术方案是:提供一种基于螺旋式扫描的分块压缩感知方向预测编码方法,包括以下步骤:
(1)将输入的图像分为n个子块,将图像中位于中间的子块选为起始块,以螺旋式扫描顺序将图像块依次执行分块压缩感知,得到分块压缩感知观测块;
(2)将得到的分块压缩感知观测块依序传入编码器,对于每个分块压缩感知观测块从一组由周围方向预测模式中生成的预测候选块中选择最佳预测块,通过标量量化处理当前观测块与最佳预测块的残差,获得残差量化指数;
(3)将残差量化指数传入编码器进行编码得到压缩数据比特流。
所述步骤(2)中周围方向包括上、上右、上左、右、左、下、下右和下左。
所述步骤(2)中最佳预测块是通过最小化当前分块压缩感知观测块和已重构的候选预测块之间的残差来确定的。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明的子块扫描顺序是以图像中间块为起点,以螺旋式扫描顺序将图像块传进分块压缩感知(BCS);利用自然图像的相关性进行编码时,可以采用所有方向的已经重构的相邻BCS观测块,充分利用到自然图像的空域相关性,即便当前块位于图像边缘,也有不止一种可供选择的相邻测量块可以获得。本发明的方法避免了现有方法无法处理图像边缘子块的情况,优化了扫描顺序,能够提供更多的候选预测块,从而提升图像压缩感知的率失真性能。
附图说明
图1是本发明的流程图;
图2是空域预测编码的流程图;
图3是图像观测块选择最佳预测块的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于螺旋式扫描的分块压缩感知方向预测编码方法,该方法包括:将输入图像分成n个子块,将图像中位于中间的子块选为起始块,以螺旋式扫描顺序将图像块依次执行BCS。在编码器端,对于每个BCS观测块,从一组由八个方向预测模式中生成的预测候选块中选择最佳预测块。然后,通过标量量化处理当前观测块与最佳预测块的残差。在解码器中,逆量化残差加上当前块的最佳预测块,产生BCS观测块值,用于图像重构,以恢复图像。所提方法主要包括以下步骤:
步骤1:首先将输入的自然图像Y分为n个不重叠的块,每个子块大小为B×B。每个子块表示为向量形式第一个块从图像的中间块y(n/2)开始,以螺旋式扫描顺序将图像块依次执行BCS,由块级观测矩阵进行转换,转换后得到的观测块向量表示为X(i)=ΦBy(i),式中ΦB为块级观测矩阵。
步骤2:将BCS观测块依顺序传入编码器,当前观测块可以在周围已经重构的相邻BCS观测块中,从八个方向模式预测块中选择最佳预测块,即上、上右、上左、右、左、下、下右和下左,向量形式分别表示为这里定义候选预测块集合:
一般地,表示当前观测块的最佳预测块,其是通过最小化当前观测块X(i)和已重构的候选预测块之间的残差来确定的,即
式中,是l1的范式,计算一个向量中所有元素的绝对值之和。
在获得当前观测块的最佳预测块之后,进一步获得当前BCS观测块与最佳预测块的残差然后对残差执行标量量化Q,获得残差量化指数S(i)=Q[d(i)]。
残差量化指数S(i)传入熵编码器进行编码后得到压缩数据比特流。每一个子块所要传输的数据比特流由两部分组成:①最佳预测标志位(2bit);②残差量化指数S(i)编码后得到压缩数据比特流。残差量化指数S(i)通过逆标量量化器得到残差与当前观测块的最佳预测块的和作为当前块重构的BCS观测块,可以作为其它块可以使用的候选预测块。
步骤3:在解码端,得到的压缩数据比特流经过解码器,得到解码后残差量化指数 经过逆标量量化器Q-1,得到逆量化残差逆量化残差与最佳预测块相加,得到解码后的图像观测块X(i),用任一种BCS重构算法可以恢复得到重构图像。
下面通过一个具体的实施例来进一步说明本发明。
在本实施例中,选取的Lena图像,每个子块大小为B×B,设定B=16,它的向量形式采样率设定为nb,子块经过分块压缩感知(BCS)得到的观测块块级观测矩阵ΦB选取正交高斯随机矩阵,大小为m×B2。熵编码器选用算术编码,可以有效消除图像数据的冗余性,并生成数据比特流。为了评估从所有可能相邻方向选择最佳预测块方法的优越性,可以用当前块和最佳预测块的相关系数来证明所提方法能够选择与当前块匹配的最佳预测块,充分利用自然图像块之间的相关性。本实例选用SPL(Smoothed Projected Landweber)算法来重构图像,通过比较在不同比特率下的图像峰值信噪比可以验证本发明所提方法的率失真性能。如图1所示,通过以下具体步骤实现:
步骤1:将输入自然图像Lena分为1024个不重叠的块,每个子块大小为16×16。每个子块表示为向量形式第一个块从图像的中间块y(512)开始,第二块位于第一个图像块的右边,第三块位于第二个图像块的下方,依此类推,以螺旋式扫描顺序将图像块依次执行BCS,由BCS观测矩阵进行转换,转换后得到的观测块向量表示为X(i)=ΦBy(i),i=1,2,...,1024。
步骤2:将步骤1得到的观测块依顺序传入编码器,如图3所示,当前块可以在周围已经重构的相邻BCS观测块中,从八个方向模式预测块中选择最佳预测块,即上、上右、上左、右、左、下、下右和下左,向量形式分别表示为在本实例中,第一个子块只能选零向量作为当前观测块的最佳预测块,第二个子块只能选第一个子块的重构BCS观测块作为当前观测块的最佳预测块,第一、二个子块的重构BCS观测块可以作为第三个子块的候选预测块,在后面的观测块中,只要出现过前面已经重构的BCS观测块,并且位于当前块的相邻的八个方向模式,都可以作为当前块的候选预测块。即便当前块位于图像边缘,也有不止一种可供选择的相邻观测块可以获得。这里定义候选预测块集合:通过最小化当前观测块X(i)和已重构的候选预测块之间的残差来确定当前观测块的最佳预测块:
如图2所示,在获得当前观测块的最佳预测块之后,通过标量量化器Q处理当前BCS观测块与最佳预测块的残差获得残差量化指数S(i)=Q[d(i)]。残差量化指数S(i)通过逆标量量化器得到残差与当前观测块的最佳预测块的和作为当前块的重构BCS观测块,可以作为随后其它块可供使用的候选预测块。残差量化指数S(i)传入熵编码器进行算术编码后得到压缩数据比特流。每一个子块所要传输的数据比特流由两部分组成:①最佳预测模式标志位(2bit);②残差量化指数S(i)编码后得到压缩数据比特流。
步骤3:在解码端,得到的压缩数据比特流经过解码器,得到解码后残差量化指数 经过逆标量量化器,得到逆量化残差逆量化残差与最佳预测块相加的和,就是解码后的图像观测块X(i)。最后,执行典型的SPL重构算法,在同等比特率的压缩数据比特流下,重构图像均可以获得更高的图像峰值信噪比。
Claims (3)
1.一种基于螺旋式扫描的分块压缩感知方向预测编码方法,其特征在于,包括以下步骤:
(1)将输入的图像分为n个子块,将图像中位于中间的子块选为起始块,以螺旋式扫描顺序将图像块依次执行分块压缩感知,得到分块压缩感知观测块;
(2)将得到的分块压缩感知观测块依序传入编码器,对于每个分块压缩感知观测块从一组由周围方向预测模式中生成的预测候选块中选择最佳预测块,通过标量量化处理当前观测块与最佳预测块的残差,获得残差量化指数;
(3)将残差量化指数传入编码器进行编码得到压缩数据比特流。
2.根据权利要求1所述的基于螺旋式扫描的分块压缩感知方向预测编码方法,其特征在于,所述步骤(2)中周围方向包括上、上右、上左、右、左、下、下右和下左。
3.根据权利要求1所述的基于螺旋式扫描的分块压缩感知方向预测编码方法,其特征在于,所述步骤(2)中最佳预测块是通过最小化当前分块压缩感知观测块和已重构的候选预测块之间的残差来确定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092187.5A CN109819258A (zh) | 2019-01-30 | 2019-01-30 | 一种基于螺旋式扫描的分块压缩感知方向预测编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092187.5A CN109819258A (zh) | 2019-01-30 | 2019-01-30 | 一种基于螺旋式扫描的分块压缩感知方向预测编码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109819258A true CN109819258A (zh) | 2019-05-28 |
Family
ID=66606003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092187.5A Pending CN109819258A (zh) | 2019-01-30 | 2019-01-30 | 一种基于螺旋式扫描的分块压缩感知方向预测编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109819258A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418137A (zh) * | 2019-07-31 | 2019-11-05 | 东华大学 | 一种交叉子集导引的剩余块集测量率调控方法 |
CN113207001A (zh) * | 2021-04-23 | 2021-08-03 | 刘明瑞 | 一种面向量化分块压缩感知的区域层次化预测编码方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160044439A1 (en) * | 2014-08-11 | 2016-02-11 | Biobit Inc. | Compressed sensing with machine-to-machine communication |
CN108235020A (zh) * | 2018-01-05 | 2018-06-29 | 东华大学 | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 |
CN108471531A (zh) * | 2018-03-22 | 2018-08-31 | 南京邮电大学 | 一种基于压缩感知的质量可分级快速编码方法 |
-
2019
- 2019-01-30 CN CN201910092187.5A patent/CN109819258A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160044439A1 (en) * | 2014-08-11 | 2016-02-11 | Biobit Inc. | Compressed sensing with machine-to-machine communication |
CN108235020A (zh) * | 2018-01-05 | 2018-06-29 | 东华大学 | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 |
CN108471531A (zh) * | 2018-03-22 | 2018-08-31 | 南京邮电大学 | 一种基于压缩感知的质量可分级快速编码方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418137A (zh) * | 2019-07-31 | 2019-11-05 | 东华大学 | 一种交叉子集导引的剩余块集测量率调控方法 |
CN113207001A (zh) * | 2021-04-23 | 2021-08-03 | 刘明瑞 | 一种面向量化分块压缩感知的区域层次化预测编码方法 |
CN113207001B (zh) * | 2021-04-23 | 2022-08-26 | 刘明瑞 | 一种面向量化分块压缩感知的区域层次化预测编码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10425649B2 (en) | Method and apparatus for performing graph-based prediction using optimization function | |
JP5566529B2 (ja) | 辞書を用いてビデオをコード化する方法 | |
CN102792688B (zh) | 用于视频的数据压缩 | |
JP5409909B2 (ja) | ビットストリームを復号する方法 | |
CN107743239B (zh) | 一种视频数据编码、解码的方法及装置 | |
CN110710217B (zh) | 用于对最后有效系数标志进行代码化的方法和设备 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码*** | |
Egilmez et al. | Graph-based transforms for inter predicted video coding | |
CN107027025B (zh) | 一种基于宏像素块自适应预测的光场图像压缩方法 | |
Dinh et al. | Measurement coding for compressive imaging using a structural measuremnet matrix | |
CN108235020B (zh) | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 | |
CN105474642A (zh) | 使用频域差对图像集合进行重新编码 | |
CN108605132A (zh) | 选择扫描顺序的方法和装置 | |
CN110383331A (zh) | 非局部适应性环路滤波器处理 | |
TW201216716A (en) | Motion compensation using vector quantized interpolation filters | |
CN109819258A (zh) | 一种基于螺旋式扫描的分块压缩感知方向预测编码方法 | |
CN114651270A (zh) | 通过时间可变形卷积进行深度环路滤波 | |
Emara et al. | Image compression using advanced optimization algorithms | |
Zhan et al. | Remote sensing image compression based on double-sparsity dictionary learning and universal trellis coded quantization | |
Zhao et al. | Deep multiple description coding by learning scalar quantization | |
Idrais et al. | A spatial image compression algorithm based on run length encoding | |
Tsui et al. | A New Adaptive Steganographic Method Based on Gradient Adjacent Prediction and Side-Match Vector Quantization. | |
CN109819251B (zh) | 一种脉冲阵列信号的编解码方法 | |
Roy et al. | Graph-based transforms based on prediction inaccuracy modeling for pathology image coding | |
Kumar et al. | A comparative case study on compression algorithm for remote sensing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |