CN111986280A - 基于最大类间方差的分块压缩感知的图像压缩方法 - Google Patents
基于最大类间方差的分块压缩感知的图像压缩方法 Download PDFInfo
- Publication number
- CN111986280A CN111986280A CN202010710462.8A CN202010710462A CN111986280A CN 111986280 A CN111986280 A CN 111986280A CN 202010710462 A CN202010710462 A CN 202010710462A CN 111986280 A CN111986280 A CN 111986280A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- block
- gray
- value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20052—Discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了基于最大类间方差的分块压缩感知的图像压缩方法,包括步骤1、图像分块;步骤2、图像子块分区:采用最大类间方差OSTU算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域;步骤3、确定最佳采样率:通过控制变量法与最小二乘法,确定各区域的最佳采样率;步骤4、图像重构。本发明在图像压缩过程中,使用压缩感知的方法进行采样,可以突破奈奎斯特采样率的限制,以远小于奈奎斯特采样率的采样率对图像信号进行采样。在进行图像采样时时,可以对图像中重要区域与背景区域进行区分,相对重要的区域采用高采样率,在相对不重要的区域采用低采样率,可以较为高效的对图像进行采样进而压缩。
Description
技术领域
本发明涉及交通图像处理领域,特别是一种基于最大类间方差的分块压缩感知的图像压缩方法。
背景技术
压缩感知理论利用非自适应性的线性投影方式保证原始信号的结构,以远少于Nyquist的采样频率对原始信号同时进行采样与压缩。
使用传统的压缩感知算法进行图像压缩是基于全局像素选定采样率,得到全局采样率。这会导致全局采样率会因为某些特殊图像区域的图像特性而产生影响,此全局采样率在图像其他区域未体现好的效果,不具有很好的鲁棒性。
对于收费站点的交通图像,具有背景相似,然而,只有前车的区域,是有价值的区域。如果,使用全局采样率对整个交通图像进行压缩,则会造成一个成本的增加。采样率越大,处理时间越大,在图像中一些不重要的区域并不需要使用那么大的采样率,一些重要的区域应当使用较大的采样率。如果全局图像均使用统一采样率则无法兼顾到重要的区域以及不重要的区域,如果照顾某一边,则会造成相应另一方的损失,所以这是一种不灵活的方法。如果能根据图像内容(复杂和重要的区域才使用较高的采样率,平坦不重要的区域采用较低的采样率)则可以达到成本节约并且具有较好的压缩价值。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种基于最大类间方差的分块压缩感知的图像压缩方法,该基于最大类间方差的分块压缩感知的图像压缩方法在图像压缩过程中,使用压缩感知的方法进行采样,可以突破奈奎斯特采样率的限制,以远小于奈奎斯特采样率的采样率对图像信号进行采样。在进行图像采样时时,可以对图像中重要区域与背景区域进行区分,相对重要的区域采用高采样率,在相对不重要的区域采用低采样率,可以较为高效的对图像进行采样进而压缩。
为解决上述技术问题,本发明采用的技术方案是:
一种基于最大类间方差的分块压缩感知的图像压缩方法,包括如下步骤。
步骤1、图像分块:采用列间像素与行间像素的灰度均方差值为对比标准,将交通收费站点原始图像进行图像分块,形成若干个图像子块。
步骤2、图像子块分区:采用最大类间方差OSTU算法,对每个图像子块均计算最佳像素灰度分割阈值K。然后根据最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域。
步骤3、确定最佳采样率:通过控制变量法与最小二乘法,先计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的关系,再利用图像处理算法选定基础采样率,从而得出各区域的最佳采样率。
步骤4、图像重构:对每个图像子块中的三个区域分别采用对应的最佳采样率进行采样,使用压缩感知理论对图像进行重构,以达到图像压缩的效果。
步骤1中,图像分块的方法,具体包括如下步骤:
步骤11、图像预分块:将交通收费站点原始图像,预等分为N个B*B大小的不重叠区域块。交通收费站点原始图像称为父块,预分后的不重叠区域块称为预分子块。
步骤12、图像二次分块:先计算父块中列间像素与行间像素的灰度均方差值σ2,再对预等分的每个预分子块分别计算列间像素与行间像素的灰度均方差值σ1,将σ1与σ2进行比较。
若其中任一个预分子块A中,σ1>σ2,则将预分子块A进行二次分块,使B减小。此时,二次分块前的预分子块A形成为父子块。预分子块A二次分块后,形成为若干个子块B。若σ1≤σ2,图像分块结束。
步骤13,图像循环细分块:先对每个子块B分别计算列间像素与行间像素的灰度均方差值σ1。
再计算父子块的列间像素与行间像素的灰度均方差值σ2。若σ1>σ2,则将步骤12中B进一步调小,重复步骤12至步骤13,直至σ1≤σ2。
步骤2中,图像子块分区的方法,具体包括如下步骤:
步骤21、计算图像子块I的最佳像素分割阈值K,具体包括如下步骤:
步骤21A、计算图像子块I的总像素值I_size和灰度总平均值S_avg:步骤1形成的若干个图像子块分别为图像子块I、图像子块Ⅱ、图像子块Ⅲ、……。通过获取图像子块I的长M和宽N尺寸,计算出图像子块I的像素点总和像素灰度值I_size=M*N和灰度总平均值S_avg。
步骤21B、第一次扫描参数预设:对图像子块I进行第一次扫描参数预设。第一次扫描参数与预设值分别为:图像最大方差σ2的起始值预设为图像总灰度G的起始值预设为G0,像素灰度阈值T的起始值预设为T0,最佳像素灰度分割阈值K的起始值预设为K0。
步骤21C、像素灰度值分类预设:按像素灰度值大小,将图像子块I预分为A区和B区。其中,A区用于存储像素点的灰度值大于等于像素初始阈值T的像素点,B区用于存储像素点的灰度值小于像素初始阈值T的像素点。同时预设:S1为A区像素点个数的和。G1为A区总灰度值。S2为B区像素点个数的和。G2为B区总灰度值。并将S1、G1、S2和G2的起始值分别赋为:SA、GA、SB和GB。
步骤21D、第一次扫描及像素点的灰度值分类:扫描图像子块I中的第一个像素点的灰度值为I(0,0),并判断I(0,0)与像素灰度阈值T的起始值T0的大小:
若I(0,0)>T0,则S1=SA+1,G1=GA+I(0,0)。
若I(0,0)≤T0,则S2=SB+1,G2=GB+I(0,0)。
步骤21E、计算最大类间方差ICV:采用如下公式计算最大类间方差ICV:
ICV=R1×(R11-G_avg)2+R2×(R22-G_avg)2
R1=S1/I_size
R2=S2/I_size
R11=G1/S1
R22=G2/S2
式中,R1为A区像素点总和与图像子块I像素点总和的比值。R11为A区总灰度值与A区像素点的总和的比值。R2为B区总像素与图像子块I总像素的比值。R22为B区总灰度值与B区像素点的总和的比值。G_avg为图像子块I灰度总均值。
步骤21G、像素灰度阈值T更新:将当前像素灰度阈值T与255进行比较,如T≤255,则使T=T+1。否则,执行步骤21H。
步骤21H、最佳像素灰度分割阈值K迭代更新:遍历图像子块I中的其他像素点I(i,j),其中,0<i≤M-1,0<j≤N-1。并判断I(i,j)与更新后像素灰度阈值T的大小:
若I(i,j)>T,则S1=S1+1,G1=G1+I(i,j)。
若I(i,j)≤T,则S2=S2+1,G2=G2+I(i,j)。
重复步骤21E至步骤21H,当出现如下任意一种情况时,停止迭代更新:
(1)T≤255,且图像子块I中的所有像素点均已遍历完成。
(2)T>255。
步骤22、按照步骤21的方法,完成对所有图像子块的最佳像素灰度分割阈值K的计算求解。
步骤23,分区:根据步骤22求解的最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域。过渡区域为前景重点区域和背景区域相连接的区域。
步骤23中,分区的具体方法为:在图像子块的最佳像素灰度分割阈值K选定之后,计算各图像子块进行最佳像素灰度分割阈值K分割后各部分的DCT系数。根据计算的DCT系数,进行前景重点区域和背景区域的划分:DCT系数高于DCT设定值的部分为前景区域,DCT系数低于DCT设定值的部分为背景区域。然后,利用sobel算法,计算各个图像子块内主边缘区域,并记为过渡区域。
sobel算法计算过渡区域的方法为:根据经典的sobel边缘检测算法及sobel滤波器的工作原理,将图像经过sobel滤波器,图像的原灰度矩阵将会变成图像的梯度矩阵,梯度矩阵内数值的大小代表其像素点与周围像素点对比的大小,当梯度矩阵内的数值大于边缘灰度设定阈值时,则将其鉴定为边缘。
假设将当前梯度矩阵中第30%大的数值所对应的像素点,称为边缘像素点。则边缘灰度设定阈值取边缘像素点,并以边缘像素点为重心拓展u*u的矩阵块,其中,u为整数奇数,且u不大于min(M,N)/20,所有u*u矩阵块所在区域定为过渡区域。
步骤23中,DCT设定值为(4/3)Di,其中,Di为对应图像子块的平均DCT系数。
步骤3中,最佳采样率的确定方法,包括如下步骤:
步骤32、设定图像子块的采样参数:每个图像子块的前景区域、过渡区域和背景区域的面积分别为U、V、W,则U+V+W=I_size。假设前景区域、过渡区域和背景区域的最佳采样率分别设为r1,r2,r3,且r1>r2>r3,则r*(U+V+W)=r1*U+r2*V+r3*W。假设前景区域子块个数为k11,过渡区域子块个数为k12,背景区域子块个数是k13,则采样图像子块的个数k=k11+k12+k13。
步骤33,确定最佳采样率与基础采样率的比例关系:通过控制变量法与最小二乘法,计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的比例关系,具体关系如下:
r2=r
且满足(r1+r3)最小。
步骤34、计算基础采样率:通过基本奈奎斯特采样定律得出基础采样率r。
步骤35、将步骤34计算的基础采样率r代入步骤33确定的比例关系式中,进而求解得到前景区域、过渡区域和背景区域的最佳采样率r1,r2,r3。
求解得到前景重点区域、背景区域和过渡区域的最佳采样率如下:
r2=r
r1=(W/U)r
r3=(U/W)r。
步骤11中,图像预分块时,假设交通收费站点原始图像的大小为Im*In,则B<In/4。
本发明具有如下有益效果:
1、本发明采用压缩感知算法对图像进行压缩,可以突破奈奎斯特采样定律的限制,以远低于奈奎斯特采样率的采样率对图像信号进行采样,并且使用基于图像内容差异性图像分块算法与自适应的采样率选定算法相结合,使在不同图像区域可以根据图像内容以不同的采样率进行采样,以较高的效率完成图像重构,以达到图像压缩的目的。
2、将图像分块的思路融合压缩感知进行交通图像压缩的方法。在压缩过程中,先将图像信号分成许多小块,单独对每小块进行压缩,计算复杂度大大减少。在进行分块的过程中,拟引入图像子块间的差异性作为分块标准,本算法拟引入最大类间方差作为分块差异性的分块衡量标准。这是一种自适应分块的方法,可达到图像分成大小不同的子块的效果。考虑到收费站点的交通图像具有背景相似,只有前车的区域是有价值的区域等特点,在压缩过程中,拟引入背景及前车重要区域的差异性,在相对不重要的背景区域即较平坦的方差较小的区域,使用低采样率进行采样,而在相对重要的前车重要区域即细节丰富的方差较大区域,使用高采样率进行采样,通过调整不同区域的观察值数量,使图像信号重要区域的观测值数目多,背景观测值数目少,有效兼顾显著信息的保留和压缩数据量的规模。
附图说明
图1是本发明一种基于最大类间方差的分块压缩感知的图像压缩方法的流程示意图。
图2是本发明中图像子块分区的流程示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1所示,一种基于最大类间方差的分块压缩感知的图像压缩方法,包括如下步骤。
步骤1、图像分块:采用列间像素与行间像素的灰度均方差值为对比标准,将交通收费站点原始图像进行图像分块,形成若干个图像子块。
步骤1中,图像分块的方法,优选具体包括如下步骤:
步骤11、图像预分块:将交通收费站点原始图像,预等分为N个B*B大小的不重叠区域块。交通收费站点原始图像称为父块,预分后的不重叠区域块称为预分子块。假设交通收费站点原始图像的大小为Im*In,则优选B<In/4。
步骤12、图像二次分块:先计算父块中列间像素与行间像素的灰度均方差值σ2,再对预等分的每个预分子块分别计算列间像素与行间像素的灰度均方差值σ1,将σ1与σ2进行比较。
若其中任一个预分子块A中,σ1>σ2,则将预分子块A进行二次分块,使B减小。此时,二次分块前的预分子块A形成为父子块。预分子块A二次分块后,形成为若干个子块B。若σ1≤σ2,图像分块结束。
步骤13,图像循环细分块:先对每个子块B分别计算列间像素与行间像素的灰度均方差值σ1。
再计算父子块的列间像素与行间像素的灰度均方差值σ2。若σ1>σ2,则将步骤12中B进一步调小,重复步骤12至步骤13,直至σ1≤σ2。
本发明自适应分块的好处比常规图像分块优势在于:常规图像分块大多情况是基于整个图像的全部像素点取分块阈值(比如取平均),此种方法无法做到根据图像不同区域的复杂程度自适应分块,整个图像只采用同一个采样率进行采样。采用本文的分块算法是将相邻区域的像素灰度的方差纳入考虑范围进行分块,此种方法进行分块使最终图像块内的像素点灰度方差较小(意味着图像特征差不多,要么较平坦,细节少,要么较复杂,细节多),最终的分块结果是综合了图像内容特征的,为后续根据不同的图像特性采用不同的采样率进行采样做好铺垫。
步骤2、图像子块分区:采用最大类间方差OSTU算法,对每个图像子块均计算最佳像素灰度分割阈值K。然后根据最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域。
步骤2中,图像子块分区的方法,优选具体包括如下步骤:
步骤21、计算图像子块I的最佳像素分割阈值K,具体包括如下步骤:
步骤21A、计算图像子块I的总像素值I_size和灰度总平均值S_avg:步骤1形成的若干个图像子块分别为图像子块I、图像子块Ⅱ、图像子块Ⅲ、……。通过获取图像子块I的长M和宽N尺寸,计算出图像子块I的像素点总和像素灰度值I_size=M*N和灰度总平均值S_avg。
步骤21B、第一次扫描参数预设:对图像子块I进行第一次扫描参数预设。第一次扫描参数与预设值分别为:图像最大方差σ2的起始值预设为图像总灰度G的起始值预设为G0,像素灰度阈值T的起始值预设为T0,最佳像素灰度分割阈值K的起始值预设为K0。
步骤21C、像素灰度值分类预设:按像素灰度值大小,将图像子块I预分为A区和B区。其中,A区用于存储像素点的灰度值大于等于像素初始阈值T的像素点,B区用于存储像素点的灰度值小于像素初始阈值T的像素点。同时预设:S1为A区像素点个数的和。G1为A区总灰度值。S2为B区像素点个数的和。G2为B区总灰度值。并将S1、G1、S2和G2的起始值分别赋为:SA、GA、SB和GB。
步骤21D、第一次扫描及像素点的灰度值分类:扫描图像子块I中的第一个像素点的灰度值为I(0,0),并判断I(0,0)与像素灰度阈值T的起始值T0的大小:
若I(0,0)>T0,则S1=SA+1,G1=GA+I(0,0)。
若I(0,0)≤T0,则S2=SB+1,G2=GB+I(0,0)。
步骤21E、计算最大类间方差ICV:采用如下公式计算最大类间方差ICV:
ICV=R1×(R11-G_avg)2+R2×(R22-G_avg)2
R1=S1/I_size
R2=S2/I_size
R11=G1/S1
R22=G2/S2
式中,R1为A区像素点总和与图像子块I像素点总和的比值。R11为A区总灰度值与A区像素点的总和的比值。R2为B区总像素与图像子块I总像素的比值。R22为B区总灰度值与B区像素点的总和的比值。G_avg为图像子块I灰度总均值。
步骤21G、像素灰度阈值T更新:将当前像素灰度阈值T与255进行比较,如T≤255,则使T=T+1。否则,执行步骤21H。
步骤21H、最佳像素灰度分割阈值K迭代更新:遍历图像子块I中的其他像素点I(i,j),其中,0<i≤M-1,0<j≤N-1。并判断I(i,j)与更新后像素灰度阈值T的大小:
若I(i,j)>T,则S1=S1+1,G1=G1+I(i,j)。
若I(i,j)≤T,则S2=S2+1,G2=G2+I(i,j)。
重复步骤21E至步骤21H,当出现如下任意一种情况时,停止迭代更新:
(1)T≤255,且图像子块I中的所有像素点均已遍历完成。
(2)T>255。
步骤22、按照步骤21的方法,完成对所有图像子块的最佳像素灰度分割阈值K的计算求解。
步骤23,分区:根据步骤22求解的最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域。过渡区域为前景重点区域和背景区域相连接的区域。
步骤23中,分区的具体方法为:在图像子块的最佳像素灰度分割阈值K选定之后,计算各图像子块进行最佳像素灰度分割阈值K分割后各部分的DCT系数。根据计算的DCT系数,进行前景重点区域和背景区域的划分:DCT系数高于DCT设定值的部分为前景区域,DCT系数低于DCT设定值的部分为背景区域。然后,利用sobel算法,计算各个图像子块内主边缘区域,并记为过渡区域。
上述DCT设定值优选为(4/3)Di,其中,Di为对应图像子块的平均DCT系数;(4/3)Di的设置,能确保背景区域较大。
sobel算法计算过渡区域的方法为:根据经典的sobel边缘检测算法及sobel滤波器的工作原理,将图像经过sobel滤波器,图像的原灰度矩阵将会变成图像的梯度矩阵,梯度矩阵内数值的大小代表其像素点与周围像素点对比的大小,当梯度矩阵内的数值大于边缘灰度设定阈值时,则将其鉴定为边缘。
假设将当前梯度矩阵中第30%大的数值所对应的像素点,称为边缘像素点。则边缘灰度设定阈值取边缘像素点,并以边缘像素点为重心拓展u*u的矩阵块,其中,u为整数奇数,且u不大于min(M,N)/20,所有u*u矩阵块所在区域定为过渡区域。
步骤3、确定最佳采样率:通过控制变量法与最小二乘法,先计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的关系,再利用图像处理算法选定基础采样率,从而得出各区域的最佳采样率。
步骤3中,最佳采样率的确定方法,包括如下步骤:
步骤32、设定图像子块的采样参数:每个图像子块的前景区域、过渡区域和背景区域的面积分别为U、V、W,则U+V+W=I_size。假设前景区域、过渡区域和背景区域的最佳采样率分别设为r1,r2,r3,且r1>r2>r3,则r*(U+V+W)=r1*U+r2*V+r3*W。假设前景区域子块个数为k11,过渡区域子块个数为k12,背景区域子块个数是k13,则采样图像子块的个数k=k11+k12+k13。
步骤33,确定最佳采样率与基础采样率的比例关系:通过控制变量法与最小二乘法,计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的比例关系,具体关系如下:
r2=r
且满足(r1+r3)最小,求得r1和r3的优选解为:
r1=(W/U)r
r3=(U/W)r。
步骤34、计算基础采样率:通过基本奈奎斯特采样定律得出基础采样率r。
步骤35、将步骤34计算的基础采样率r代入步骤33确定的比例关系式中,进而求解得到前景区域、过渡区域和背景区域的最佳采样率r1,r2,r3。
步骤4、图像重构:对每个图像子块中的三个区域分别采用对应的最佳采样率进行采样,使用压缩感知理论对图像进行重构,以达到图像压缩的效果。
也即,在每个图像子块中的过渡区域采用最佳采样率r1进行采样,前景重点区域采用最佳采样率r2进行采样,背景区域采用最佳采样率r3进行采样。
因为在图像分块时候是基于图像像素的差异性分块,基于最大类间方差的分块压缩感知的图像压缩方法有较好的效率。
通过仿真实验,以图像质量评估指标PSNR为参考指标,基于最大类间方差的分块压缩感知的图像压缩方法比传统JPEG压缩方法、均匀分块与基于图像相邻像素差分块的压缩方法相比,有较好的图像重构能力,其PSNR(dB)约为JPEG压缩方法的1.09均匀分块的PSNR(dB)的1.26倍,约为基于相邻像素差值分块PSNR(dB)的1.12倍,本算法的图像压缩效率为传统JPEG压缩方法的1.22倍。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:包括如下步骤:
步骤1、图像分块:采用列间像素与行间像素的灰度均方差值为对比标准,将交通收费站点原始图像进行图像分块,形成若干个图像子块;
步骤2、图像子块分区:采用最大类间方差OSTU算法,对每个图像子块均计算最佳像素灰度分割阈值K;然后根据最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域;
步骤3、确定最佳采样率:通过控制变量法与最小二乘法,先计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的关系,再利用图像处理算法选定基础采样率,从而得出各区域的最佳采样率;
步骤4、图像重构:对每个图像子块中的三个区域分别采用对应的最佳采样率进行采样,使用压缩感知理论对图像进行重构,以达到图像压缩的效果。
2.根据权利要求1所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:步骤1中,图像分块的方法,具体包括如下步骤:
步骤11、图像预分块:将交通收费站点原始图像,预等分为N个B*B大小的不重叠区域块;交通收费站点原始图像称为父块,预分后的不重叠区域块称为预分子块;
步骤12、图像二次分块:先计算父块中列间像素与行间像素的灰度均方差值σ2,再对预等分的每个预分子块分别计算列间像素与行间像素的灰度均方差值σ1,将σ1与σ2进行比较;若其中任一个预分子块A中,σ1>σ2,则将预分子块A进行二次分块,使B减小;此时,二次分块前的预分子块A形成为父子块;预分子块A二次分块后,形成为若干个子块B;若σ1≤σ2,图像分块结束;
步骤13,图像循环细分块:先对每个子块B分别计算列间像素与行间像素的灰度均方差值σ1;再计算父子块的列间像素与行间像素的灰度均方差值σ2;若σ1>σ2,则将步骤12中B进一步调小,重复步骤12至步骤13,直至σ1≤σ2。
3.根据权利要求1所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:步骤2中,图像子块分区的方法,具体包括如下步骤:
步骤21、计算图像子块I的最佳像素分割阈值K,具体包括如下步骤:
步骤21A、计算图像子块I的总像素值I_size和灰度总平均值S_avg:步骤1形成的若干个图像子块分别为图像子块I、图像子块Ⅱ、图像子块Ⅲ、……;通过获取图像子块I的长M和宽N尺寸,计算出图像子块I的像素点总和像素灰度值I_size=M*N和灰度总平均值S_avg;
步骤21B、第一次扫描参数预设:对图像子块I进行第一次扫描参数预设;第一次扫描参数与预设值分别为:图像最大方差σ2的起始值预设为图像总灰度G的起始值预设为G0,像素灰度阈值T的起始值预设为T0,最佳像素灰度分割阈值K的起始值预设为K0;
步骤21C、像素灰度值分类预设:按像素灰度值大小,将图像子块I预分为A区和B区;其中,A区用于存储像素点的灰度值大于等于像素初始阈值T的像素点,B区用于存储像素点的灰度值小于像素初始阈值T的像素点;同时预设:S1为A区像素点个数的和;G1为A区总灰度值;S2为B区像素点个数的和;G2为B区总灰度值;并将S1、G1、S2和G2的起始值分别赋为:SA、GA、SB和GB;
步骤21D、第一次扫描及像素点的灰度值分类:扫描图像子块I中的第一个像素点的灰度值为I(0,0),并判断I(0,0)与像素灰度阈值T的起始值T0的大小:
若I(0,0)>T0,则S1=SA+1,G1=GA+I(0,0);
若I(0,0)≤T0,则S2=SB+1,G2=GB+I(0,0);
步骤21E、计算最大类间方差ICV:采用如下公式计算最大类间方差ICV:
ICV=R1×(R11-G_avg)2+R2×(R22-G_avg)2
R1=S1/I_size
R2=S2/I_size
R11=G1/S1
R22=G2/S2
式中,R1为A区像素点总和与图像子块I像素点总和的比值;R11为A区总灰度值与A区像素点的总和的比值;R2为B区总像素与图像子块I总像素的比值;R22为B区总灰度值与B区像素点的总和的比值;G_avg为图像子块I灰度总均值;
步骤21G、像素灰度阈值T更新:将当前像素灰度阈值T与255进行比较,如T≤255,则使T=T+1;否则,执行步骤21H;
步骤21H、最佳像素灰度分割阈值K迭代更新:遍历图像子块I中的其他像素点I(i,j),其中,0<i≤M-1,0<j≤N-1;并判断I(i,j)与更新后像素灰度阈值T的大小:
若I(i,j)>T,则S1=S1+1,G1=G1+I(i,j);
若I(i,j)≤T,则S2=S2+1,G2=G2+I(i,j);
重复步骤21E至步骤21H,当出现如下任意一种情况时,停止迭代更新:
(1)T≤255,且图像子块I中的所有像素点均已遍历完成;
(2)T>255;
步骤22、按照步骤21的方法,完成对所有图像子块的最佳像素灰度分割阈值K的计算求解;
步骤23,分区:根据步骤22求解的最佳像素灰度分割阈值K,并结合sobel算法,将每个图像子块均分为前景重点区域、背景区域和过渡区域;过渡区域为前景重点区域和背景区域相连接的区域。
4.根据权利要求3所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:步骤23中,分区的具体方法为:在图像子块的最佳像素灰度分割阈值K选定之后,计算各图像子块进行最佳像素灰度分割阈值K分割后各部分的DCT系数;根据计算的DCT系数,进行前景重点区域和背景区域的划分:DCT系数高于DCT设定值的部分为前景区域,DCT系数低于DCT设定值的部分为背景区域;然后,利用sobel算法,计算各个图像子块内主边缘区域,并记为过渡区域。
5.根据权利要求4所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:sobel算法计算过渡区域的方法为:根据经典的sobel边缘检测算法及sobel滤波器的工作原理,将图像经过sobel滤波器,图像的原灰度矩阵将会变成图像的梯度矩阵,梯度矩阵内数值的大小代表其像素点与周围像素点对比的大小,当梯度矩阵内的数值大于边缘灰度设定阈值时,则将其鉴定为边缘。
6.根据权利要求5所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:假设将当前梯度矩阵中第30%大的数值所对应的像素点,称为边缘像素点;则边缘灰度设定阈值取边缘像素点,并以边缘像素点为重心拓展u*u的矩阵块,其中,u为整数奇数,且u不大于min(M,N)/20,所有u*u矩阵块所在区域定为过渡区域。
7.根据权利要求4所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:步骤23中,DCT设定值为(4/3)Di,其中,Di为对应图像子块的平均DCT系数。
8.根据权利要求1所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:
步骤3中,最佳采样率的确定方法,包括如下步骤:
步骤32、设定图像子块的采样参数:每个图像子块的前景区域、过渡区域和背景区域的面积分别为U、V、W,则U+V+W=I_size;假设前景区域、过渡区域和背景区域的最佳采样率分别设为r1,r2,r3,且r1>r2>r3,则r*(U+V+W)=r1*U+r2*V+r3*W;假设前景区域子块个数为k11,过渡区域子块个数为k12,背景区域子块个数是k13,则采样图像子块的个数k=k11+k12+k13;
步骤33,确定最佳采样率与基础采样率的比例关系:通过控制变量法与最小二乘法,计算前景重点区域、背景区域和过渡区域的最佳采样率与基础采样率的比例关系,具体关系如下:
且满足(r1+r3)最小;
步骤34、计算基础采样率:通过基本奈奎斯特采样定律得出基础采样率r;
步骤35、将步骤34计算的基础采样率r代入步骤33确定的比例关系式中,进而求解得到前景区域、过渡区域和背景区域的最佳采样率r1,r2,r3。
9.根据权利要求8所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:求解得到前景重点区域、背景区域和过渡区域的最佳采样率如下:
r2=r
r1=(W/U)r
r3=(U/W)r。
10.根据权利要求2所述的基于最大类间方差的分块压缩感知的图像压缩方法,其特征在于:步骤11中,图像预分块时,假设交通收费站点原始图像的大小为Im*In,则B<In/4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710462.8A CN111986280B (zh) | 2020-07-22 | 2020-07-22 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710462.8A CN111986280B (zh) | 2020-07-22 | 2020-07-22 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986280A true CN111986280A (zh) | 2020-11-24 |
CN111986280B CN111986280B (zh) | 2021-06-01 |
Family
ID=73437994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010710462.8A Active CN111986280B (zh) | 2020-07-22 | 2020-07-22 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986280B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118362483A (zh) * | 2024-06-20 | 2024-07-19 | 中国科学院生态环境研究中心 | 花粉自动采样防堆叠控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310211A (zh) * | 2013-04-26 | 2013-09-18 | 四川大学 | 一种基于图像处理的填注标记识别方法 |
CN103338363A (zh) * | 2013-03-06 | 2013-10-02 | 西安电子科技大学 | 基于测量域块分类的视频压缩感知编码***及方法 |
US20130330002A1 (en) * | 2009-05-18 | 2013-12-12 | Citrix Systems, Inc. | Systems and methods for block recomposition for compound image compression |
CN106941609A (zh) * | 2017-02-15 | 2017-07-11 | 浙江工业大学 | 基于自适应分块压缩感知的视频压缩方法 |
CN108447101A (zh) * | 2018-01-23 | 2018-08-24 | 电子科技大学 | 一种基于jnd模型的图像压缩感知方法 |
CN109120931A (zh) * | 2018-09-05 | 2019-01-01 | 浙江树人学院 | 一种基于帧间相关性的流媒体视频压缩方法 |
CN110401839A (zh) * | 2019-08-22 | 2019-11-01 | 上海无线电设备研究所 | 一种基于自适应分块压缩感知的星载遥感图像压缩方法 |
-
2020
- 2020-07-22 CN CN202010710462.8A patent/CN111986280B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130330002A1 (en) * | 2009-05-18 | 2013-12-12 | Citrix Systems, Inc. | Systems and methods for block recomposition for compound image compression |
CN103338363A (zh) * | 2013-03-06 | 2013-10-02 | 西安电子科技大学 | 基于测量域块分类的视频压缩感知编码***及方法 |
CN103310211A (zh) * | 2013-04-26 | 2013-09-18 | 四川大学 | 一种基于图像处理的填注标记识别方法 |
CN106941609A (zh) * | 2017-02-15 | 2017-07-11 | 浙江工业大学 | 基于自适应分块压缩感知的视频压缩方法 |
CN108447101A (zh) * | 2018-01-23 | 2018-08-24 | 电子科技大学 | 一种基于jnd模型的图像压缩感知方法 |
CN109120931A (zh) * | 2018-09-05 | 2019-01-01 | 浙江树人学院 | 一种基于帧间相关性的流媒体视频压缩方法 |
CN110401839A (zh) * | 2019-08-22 | 2019-11-01 | 上海无线电设备研究所 | 一种基于自适应分块压缩感知的星载遥感图像压缩方法 |
Non-Patent Citations (4)
Title |
---|
XIAHAN YANG 等: "Microwave Imaging From Sparse Measurements for Near-Field Synthetic Aperture Radar", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
徐亮 等: "自适应阈值Canny边缘检测算法研究", 《软件导刊》 * |
戴鹏: "货车典型故障图像识别算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
苗修勋: "基于压缩感知的显著性检测算法研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118362483A (zh) * | 2024-06-20 | 2024-07-19 | 中国科学院生态环境研究中心 | 花粉自动采样防堆叠控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111986280B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1099188C (zh) | 信号自适应滤波方法和信号自适应滤波器 | |
CN101563926B (zh) | 图像压缩与解压缩 | |
JP4732660B2 (ja) | ビジュアルアテンションシステム | |
JP5331486B2 (ja) | デジタル画像の解像度向上方法及び装置 | |
US5093872A (en) | Electronic image compression method and apparatus using interlocking digitate geometric sub-areas to improve the quality of reconstructed images | |
DE69725765T2 (de) | Bilddekoder und Verfahren zur Bilddekodierung | |
Liu et al. | An efficient contrast enhancement method for remote sensing images | |
CN104378636B (zh) | 一种视频图像编码方法及装置 | |
JPH10327334A (ja) | リンギングノイズの減少のための信号適応フィルタリング方法及び信号適応フィルター | |
US6697529B2 (en) | Data compression method and recording medium with data compression program recorded therein | |
EP1213928B1 (en) | Image coding/decoding method, image coding apparatus and image decoding apparatus | |
US6236756B1 (en) | Image analysis method and device | |
CN111008651B (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN111986280B (zh) | 基于最大类间方差的分块压缩感知的图像压缩方法 | |
CN112738533A (zh) | 一种机巡图像分区域压缩方法 | |
JP3105335B2 (ja) | 画像の直交変換符号化による圧縮・伸張方法 | |
US6393061B1 (en) | Method for reducing blocking artifacts in digital images | |
CN103596006A (zh) | 基于视觉冗余度量的图像压缩方法 | |
US20030174896A1 (en) | Method and apparatus for selecting a format in which to re-encode a quantized image | |
Yuan et al. | Gradient-guided residual learning for inverse halftoning and image expanding | |
EP0974932A2 (en) | Adaptive video compression | |
US7570821B2 (en) | Apparatus and method for image coding | |
JP4645948B2 (ja) | 復号化装置及びプログラム | |
US7657110B2 (en) | Image compression using a color visual model | |
CN113628119B (zh) | 一种图像去噪过程中识别待去噪块的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |