CN102081795A - 基于稀疏表示的自动去块效应方法 - Google Patents

Abstract

一种基于稀疏表示的自动去块效应方法：是基于协同滤波的思想，利用训练得到的冗余字典，对解码后的图像重叠取块，然后在图像块的稀疏解域利用零掩模技术去除一部分高频信息。随后利用第一次去块效应得到的图像重新训练字典，如此迭代，直至得到满意的效果。此方法利用了空域上相同位置多次采样取平均以及字典域上通过稀疏表示去除特定信息的思想。步骤有1)寻找块效应边界；2)分类处理不同边界；3)迭代更新字典D。本发明能自动检测存在块效应的边界，并且根据不同的边界强度采用不同的去块效应方法。利用稀疏表示原理，通过只取有限个系数来恢复像素块，这样可以去除所采像素块的伪边界信息，同时尽可能多的保留原始图像块的纹理信息。

Description

基于稀疏表示的自动去块效应方法

技术领域

本发明涉及一种灰度或彩色图像解压缩后的后期处理。特别是涉及一种针对解码后图像的块效应利用稀疏表示的方式来去除伪边界的基于稀疏表示的自动去块效应方法。

背景技术

在图像压缩中经常采用以宏块为基本单位的编码方式，如基于离散余弦变换的JPEG，基于稀疏表示的图像编码等。为了尽可能提高压缩比，在这种压缩方式中利用的是不重叠取块方式，并且块之间独立编解码。这样做忽略了块之间的相关性，导致解码图像具有明显的块效应。为了去除块效应，可以在解码端加入合适的去块滤波策略以提高图像质量。现有的滤波算法根据其在解码器中的位置不同主要分为两类：环路去块滤波和后处理端的去块滤波。

环路滤波是将滤波器置于解码环路之内，利用解码过程获得的信息对每个图像进行去块效应，然后将处理后的图像作为随后帧的参考帧。然而由于环路滤波要求编解码器都使用相同的滤波策略，所以标准一旦确定滤波器就不能进行改动。这给解码器端的去块效应滤波器开发和改进带来不便。

为此，后处理滤波作为一种简单有效的方案被广泛应用。它独立于解码器，直接对解码图像进行操作，这大大提高了滤波器开发和置入的自由度，便于算法的改进。这类方法中比较常用的是基于图像增强的去块效应方法。最直观的是采用空域滤波器对图像进行平滑，比如对块边界的像素用3×3的低通滤波器进行滤波，但这种简单的空域滤波没有考虑图像的局部特征，会使去块效应后的图像产生过度模糊。另一种是在DCT域去除块效应，对图像块的DCT域系数采用零掩模技术，但是这种方法会导致图像块丢失大量的高频信息并且会引入新的块效应。

近年来信号的稀疏表示理论蓬勃发展，实验表明采用冗余的原子库有可能获得比正交基更稀疏的图像表示系数，换言之冗余的原子库对图像的表示效率更高。所以我们可以利用冗余字典对解码后的图像去块效应。

发明内容

本发明所要解决的技术问题是，提供一种能够自动检测存在块效应的边界，并且根据不同的边界强度采用不同的去块效应方法，避免因为重复取块次数过多而使图像过度模糊，同时避免由于分块处理的方式而带来新的块效应的基于稀疏表示的自动去块效应方法。

本发明所采用的技术方案是：一种基于稀疏表示的自动去块效应方法，包括如下步骤：

1)寻找块效应边界

首先对具有块效应的图像逐行逐列求导，并将导数的绝对值填入对应的位置，得到一个行列导数矩阵分别记为D_row，D_col，再对具有块效应的图像定义一个边界强度，记为BS，在行方向的块效应强度记为BS(k1，n)，表示第k1行的第n个块边界强度；在列方向的块效应强度记为BS(m，k2)，表示在k2列的第m个块边界强度，

$\mathrm{BS}(k1,n)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1,p+4\×(n-1))}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1+q,p+4\×(n-1))}n=\mathrm{1,2,3},...$

$\mathrm{BS}(m,k2)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2)}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2+q)}m=\mathrm{1,2,3},...$

由上式得到BS∈[0，1)，定义

BS_level＝1 if BS∈[0.25，0.4)

BS_level＝2 if BS∈0.4，0.6)

BS_level＝3 if BS∈[0.6，1)

再通过统计BS_level的分布规律来确定图像的分块方式(4×4、8×8、12×12或16×16)，进而确定用多大的模板进行滤波去除伪边界；

2)分类处理不同边界

根据边界强度级别不同的边界，采用重叠程度不同的取块方式，在水平方向先用与编码像素块同样大小的N×N像素块每隔M列取一次，随后在垂直方向上每隔M行取一个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，当BS_level分别取3、2、1时，M取1、2、3；

3)迭代更新字典D

将步骤2中得到去块效应后的图像记为X_t，首先对X_t进行重叠取块得到训练新字典所需数据集，然后利用K-SVD算法对所得数据集进行训练得到新的字典D_t，最后利用新字典对具有块效应的图像重复步骤2，如此反复迭代，直至ISNR(X_t+1，X_t)＜0.01dB。ISNR定义为

$\mathrm{ISNR}(X_{t+1},X_t)=10{\log }_{10}\frac{{\left|\right|Y-X_t\left|\right|}^2}{{\left|\right|Y-X_{t+1}\left|\right|}^2}$

D_t为第t次迭代得到的新字典，X_t为第t次迭代得到的去块结果图，Y为不带块效应的原始图像。

所述的寻找块效应边界，对于彩色图像，是在RGB三个通道上分别寻找块效应边界，确定边界强度。

步骤2所述的边界分类是分3类，包括：边界强度级别为3的边界，边界强度为2的边界，以及边界强度为1的边界。

对于边界强度级别为3的边界，采用重叠程度最高的取块方式，在水平方向先用与编码像素块同样大小的N×N像素块每隔1列取1次，随后在垂直方向上每隔1行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}其中，H表示图像的高，W表示图像的宽。∈对于边界强度为2的边界，在水平方向先用与编码像素块同样大小的N×N像素块每隔2列取1次，随后在垂直方向上每隔2行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}。对于边界强度为1的伪边界，在水平方向先用与编码像素块同样大小的N×N像素块每隔3列取1次，随后在垂直方向上每隔3行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数)得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}。∈本发明的基于稀疏表示的自动去块效应方法，能自动检测存在块效应的边界，并且根据不同的边界强度采用不同的去块效应方法。这样保证了不会因为重复取块次数过多而使图像过度模糊。而且这种跨伪边界重叠取块然后加权取平均方式，不同于传统空域滤波用周围像素点来拟合边界点的方法，能够尽可能的逼近原始图像，不会带来图像的过度平滑。利用稀疏表示原理，通过只取有限个系数来恢复像素块，这样可以去除所采像素块的伪边界信息，同时尽可能多的保留原始图像块的纹理信息。采用迭代更新字典的思想。用一张质量较好的图像训练所得字典的结构化信息更明显，更利于后面的运用稀疏表示去块效应。

附图说明

图1是本发明协同滤波过程示意图，左边表示：具有块效应的解码图像；

图2是本发明滑动窗口取块过程示意图；

图3(a)、图4(a)和图5(a)是本发明要处理的图像效果图，即解码后具有块效应的图像，分别为指纹灰度图像效果图、Lena彩色图像效果图和Peppers彩色图像效果图；

其中：图3(a)具有块效应的指纹图像(240×240)，PSNR＝32.04dB；

图4(a)具有块效应的Lena图像(512×512)，PSNR＝27.68dB；

图5(a)是具有块效应的Peppers图像(512×512)，PSNR＝27.38dB；

图3(b)、图4(b)的图5(b)是用本发明的方法去块后的图像效果图，分别为指纹灰度图像效果图、Lena彩色图像效果图和Peppers彩色图像效果图；

其中：图3(b)是去除块效应的指纹图像(240×240)，PSNR＝33.51Db；

图4(b)是去除块效应的Lena图像(512×512)，PSNR＝28.79dB；

图5(b)是去除块效应的Peppers图像(512×512)，PSNR28.52dB

具体实施方式

下面结合实施例和附图对本发明的基于稀疏表示的自动去块效应方法做出详细说明。

本发明的基于稀疏表示的自动去块效应方法，是针对以块为单位压缩的灰度图像和彩色图像设计的基于稀疏表示的去块效应方法。主要是基于协同滤波的思想，利用训练得到的冗余字典，对解码后的图像重叠取块，然后在图像块的稀疏解域利用零掩模技术去除一部分高频信息。随后利用第一次去块效应得到的图像重新训练字典，如此迭代，直至得到满意的效果。此方法利用了空域上相同位置多次采样取平均以及字典域上通过稀疏表示去除特定信息的思想。

本发明的基于稀疏表示的自动去块效应方法，包括以下步骤：

1)寻找块效应边界

考虑到目前基于块的图像编码最小块尺寸为4×4，块效应边界寻找在以4为倍数的行和列上进行。我们对具有块效应的图像逐行逐列求导，并将导数的绝对值填入对应的位置，得到一个行列导数矩阵分别记为D_row，D_col。再对具有块效应的图像定义一个边界强度，记为BS。在行方向的块效应强度记为BS(k1，n)，表示第k1行的第n个块边界强度；在列方向的块效应强度记为BS(m，k2)，表示在k2列的第m个块边界强度。

$\mathrm{BS}(k1,n)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1,p+4\×(n-1))}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1+q,p+4\×(n-1))}n=\mathrm{1,2,3},...$

$\mathrm{BS}(m,k2)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2)}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2+q)}m=\mathrm{1,2,3},...---\left(1\right)$

由(1)式我们可得到BS∈[0，1)，我们定义

BS_level＝1 if BS∈[0.25，0.4)

BS_level＝2 if BS∈[0.4，0.6)

BS_level＝3 if BS∈[0.6，1)(2)

我们可以通过统计BS level的分布规律来确定图像的分块方式(4×4、8×8、12×12或16×16)，进而确定用多大的模板进行滤波去除伪边界。

对于彩色图像，只需在RGB三个通道上分别寻找块效应边界，确定边界强度即可。

2)分类处理不同边界

根据伪边界强度级别不同的边界，采用重叠程度不同的取块方式，在水平方向先用与编码像素块同样大小的N×N像素块每隔M列取一次，随后在垂直方向上每隔M行取一个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)(Q(i，j)即代表第(i，j)处像素点被取的次数)得到去块效应后的图像，其中，M取1、2、3。

由第一步的统计规律我们判断出图像的分块方式以及不同块效应处的边界强度。下面我们将分三类强度的伪边界进行处理。

对于边界强度级别为3的边界，我们采用重叠程度最高的取块方式。如图1所示，在分块的边缘处存在明显的伪边界a、b。此处我们假设伪边界a、b的边界强度都为3.我们的目的即是去除这些伪边界同时防止引入新的伪边界以及图像的过度模糊。

A块与B块是相邻的N×N像素块，由于在编码时是分块单独进行处理，引入了伪边界a、b。根据稀疏表示的特性，当仅使用有限个系数来重建图像块时，会丢失掉原图像块的一部分高频信息，所以我们可以引入处于A块、B块之间的图像块C块。把C块投影到我们训练好的字典D块中，只取其最大的前K个系数(K的最佳数值需要实验测定)来重建C块，用重建得到的C^*块代替A块、B块中间的部分，这样即可以消除伪边界a。但是，这样做同时会引入新的边界c，针对此我们采用了重叠取块，加权取平均的思想。如图2所示，在水平方向先用与编码像素块同样大小的N×N像素块每隔1列取1次，随后在垂直方向上每隔1行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)(Q(i，j)即代表第(i，j)处像素点被取的次数)得到去块效应后的图像。因为这种取块方式重叠程度过高会使去块效应后的图像产生轻微模糊，但相较伪边界强度而言，更适合利用此种方式滤波。

对于边界强度为2的边界，滤波原理与处理边界强度为3的伪边界过程类似，不同之处在于重叠取块过程变为：以伪边界为中心，在水平方向每隔2列取1个N×N像素块，在垂直方向每隔2行取1个N×N像素块。直至取的块移出伪边界区域。

对于边界强度为1的伪边界，同理，以伪边界为中心，在水平方向每隔3列取1个N×N像素块，在垂直方向每隔3行取1个N×N像素块。直至取的块移出伪边界区域。然后加权取平均得到去块效应后的图像。

分类处理不同边界的算法过程如下：

设图像大小是H×W。对于具有伪边界的图像中任意一个需要滤波的像素点(i，j)，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}

如果

(i，j)∈P_k    (3)

则

Q(i，j)＝Q(i，j)+1(4)

其中：P_k表示在图像中取的第k个块，块的大小为N×N。Q(i，j)表示在(i，j)处像素点被取的次数，初始值设为0。如此对k，i，j进行循环，则得到每一个像素点被取次数Q(i，j)。

对每一个像素块P_k，运用OMP(Orthogonal Matching Pursuit)算法对其求稀疏解然后重构出像素块P_k ^*，即

$\min {\left|\right|P_k-D_{0}x\left|\right|}_F^2,s.t.{\left|\right|x\left|\right|}_0=k---\left(5\right)$

P_k ^*＝D₀x    (6)

最后把在位置(i，j)处采样的所有像素块在此处恢复的像素值相加再除以权值即得到此点去块效应后的像素值，即

${P_k}^{*}(i,j)=\frac{{P_{k1}}^{*}(i,j)+{P_{k2}}^{*}(i,j)+...+{P_{\mathrm{kn}}}^{*}(i,j)}{Q(i,j)}---\left(7\right)$

其中参数k的设置通过仿真实验来确定。

3)迭代更新字典D

通过第二步我们得到去块效应后的图像记为X_t，首先对X_t进行重叠取块得到训练新字典所需数据集，然后利用K-SVD算法对所得数据集进行训练得到新的字典D_t，最后利用新字典对具有块效应的图像重复第二步，如此反复迭代，直至ISNR(X_t+1，X_t)＜0.01dB。ISNR定义为

$\mathrm{ISNR}(X_{t+1},X_t)=10{\log }_{10}\frac{{\left|\right|Y-X_t\left|\right|}^2}{{\left|\right|Y-X_{t+1}\left|\right|}^2}---\left(8\right)$

D_t为第t次迭代得到的新字典，X_t为第t次迭代得到的去块结果图，Y为不带块效应的原始图像。

根据本发明的基于稀疏表示的自动去块效应方法，我们采用具有块效应的指纹灰度图像、彩色Lena图像以及Peppers图像做为测试图像，结合附图及实施例详细说明如下。

I)：对指纹灰度图像的去块效应过程。

测试用的指纹图像(如图3(a)所示)是以12×12的分块方式利用稀疏表示的原理以块为单位独立编解码所得。编码时所利用的字典D₀是从我们已有的指纹图像库中随机选的45张图像进行训练所得。训练利用了K-SVD算法，K-SVD算法是一个迭代过程，每一步迭代包含两部分：a)在已有字典的基础下对所训练的信号求稀疏解，b)更新字典中的原子以更好的适应所需表示的信号。

1.寻找解码后图像的块效应边界。设解码之后的图像为X₀，对X₀在行方向和列方向分别进行求导，将导数的绝对值分别记录到矩阵D_row，D_col中。然后利用(1)式计算以4为倍数的行或列的边界强度。接下来统计边界强度的分布规律，确定用何种大小的块来滤波，以及针对不同边界所采用的不同滤波方式。在本实施例中，我们统计得到分块大小N为12。

2.分类处理不同的伪边界。以伪边界为中心，分别向上下或左右方向移动取块，每次相隔1、2或3行。基于稀疏表示的滤波算法如下所述：

本实施中我们采用的指纹图像大小是240×240。对于具有伪边界的图像中任意一个需要滤波的像素点(i，j)，

i∈{1，，2，3，...，240}，j∈{1，2，3，...，240}

如果

(i，j)∈P_k        (8)

则

Q(i，j)＝Q(i，j)+1(9)

其中：P_k表示在图像中取的第k个块，块的大小为12×12。Q(i，j)表示在(i，j)处像素点被取的次数，初始值设为0。如此对k，i，j进行循环，则得到每一个像素点被取次数Q(i，j)。

对每一个像素块P_k，运用OMP算法对其求稀疏解然后重构出像素块P_k ^*，即

$\min {\left|\right|P_k-D_{0}x\left|\right|}_F^2,s.t.{\left|\right|x\left|\right|}_0=k---\left(10\right)$

P_k ^*＝D₀x    (11)

最后把在位置(i，j)处采样的所有像素块在此处恢复的像素值相加再除以权值即得到此点去块效应后的像素值，即

${P_k}^{*}(i,j)=\frac{{P_{k1}}^{*}(i,j)+{P_{k2}}^{*}(i,j)+...+{P_{\mathrm{kn}}}^{*}(i,j)}{Q(i,j)}---\left(12\right)$

如此循环一次我们便得到第一次去块效应之后的图像X₁，相比原图像PSNR提高了1.3dB。

3.迭代更新字典。在上一步我们得到一次去块效应之后的图像X₁，首先我们对X₁进行重叠取块得到训练新字典所需数据集，然后利用KSVD算法对所得数据集进行训练得到新的字典D₁，最后我们利用新字典对具有块效应的图像重复第2步。在本实施例中，迭代一次后得到的图像X₂的PSNR值相比原图像提高了1.5dB，从图3(b)中我们可以看到块效应基本消除，同时图像没有过度模糊，也没有引入新的伪边界，取得了理想的效果。

II)：对Lena、Peppers彩色图像的去块效应过程。

我们利用JPEG有损压缩得到具有块效应的Lena、Peppers彩色图像，大小为512×512，如图4(a)、图5(a)所示。去块效应过程与I)类似。

1.将彩色图像分成RGB三个分量单独处理，分别寻找块效应边界并且确定边界强度。在本实施例中统计得到分块大小为8×8。所以我们利用8×8的滑动窗来去除块效应。每次移动尺度根据边界强度确定。

2.对重叠取得的块进行DCT变换，在DCT变换域上运用零掩模技术，只保留较大的系数，平均每个块保留3-5个系数。然后进行DCT反变换，在多次取样的位置除以相应的权值，得到第一次去块效应后的图像X₁。

3.我们利用X₁训练得到字典D₁，最后我们利用此字典对具有块效应的原始图像重复第2步，得到利用字典去块效应后的图像，如图4(b)、图5(b)所示。PSNR值分别提高了1.11dB，1.14dB。

Claims (6)

1.一种基于稀疏表示的自动去块效应方法，其特征在于，包括如下步骤：

1)寻找块效应边界

首先对具有块效应的图像逐行逐列求导，并将导数的绝对值填入对应的位置，得到一个行列导数矩阵分别记为D_row，D_col，再对具有块效应的图像定义一个边界强度，记为BS，在行方向的块效应强度记为BS(k1，n)，表示第k1行的第n个块边界强度；在列方向的块效应强度记为BS(m，k2)，表示在k2列的第m个块边界强度，

$\mathrm{BS}(k1,n)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1,p+4\×(n-1))}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{row}}(k1+q,p+4\×(n-1))}n=\mathrm{1,2,3},...$

$\mathrm{BS}(m,k2)=\frac{\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2)}{\underset{q=-2}{\overset{2}{\mathrm{\Σ}}}\underset{p=1}{\overset{4}{\mathrm{\Σ}}}{D}_{\mathrm{col}}(p+4\×(m-1),k2+q)}m=\mathrm{1,2,3},...$

由上式得到BS∈[0，1)，定义

BS_level＝1 if BS∈[0.25，0.4)

BS_level＝2 if BS∈[0.4，0.6)

BS_level＝3 if BS∈[0.6，1)

再通过统计BS_level的分布规律来确定图像的分块方式(4×4、8×8、12×12或16×16)，进而确定用多大的模板进行滤波去除伪边界；

2)分类处理不同边界

根据边界强度级别不同的边界，采用重叠程度不同的取块方式，在水平方向先用与编码像素块同样大小的N×N像素块每隔M列取一次，随后在垂直方向上每隔M行取一个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，当BS_level分别取3、2、1时，M取1、2、3；

3)迭代更新字典D

将步骤2中得到去块效应后的图像记为X_t，首先对X_t进行重叠取块得到训练新字典所需数据集，然后利用K-SVD算法对所得数据集进行训练得到新的字典D_t，最后利用新字典对具有块效应的图像重复步骤2，如此反复迭代，直至ISNR(X_t+1，X_t)＜0.01dB。ISNR定义为

$\mathrm{ISNR}(X_{t+1},X_t)=10{\log }_{10}\frac{{\left|\right|Y-X_t\left|\right|}^2}{{\left|\right|Y-X_{t+1}\left|\right|}^2}$

D_t为第t次迭代得到的新字典，X_t为第t次迭代得到的去块结果图，Y为不带块效应的原始图像。

2.根据权利要求1所述的基于稀疏表示的自动去块效应方法，其特征在于，所述的寻找块效应边界，对于彩色图像，是在RGB三个通道上分别寻找块效应边界，确定边界强度。

3.根据权利要求1所述的基于稀疏表示的自动去块效应方法，其特征在于，步骤2所述的边界分类是分3类，包括：边界强度级别为3的边界，边界强度为2的边界，以及边界强度为1的边界。

4.根据权利要求3所述的基于稀疏表示的自动去块效应方法，其特征在于，对于边界强度级别为3的边界，采用重叠程度最高的取块方式，在水平方向先用与编码像素块同样大小的N×N像素块每隔1列取1次，随后在垂直方向上每隔1行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}其中，H表示图像的高，W表示图像的宽。

5.根据权利要求3所述的基于稀疏表示的自动去块效应方法，其特征在于，对于边界强度为2的边界，在水平方向先用与编码像素块同样大小的N×N像素块每隔2列取1次，随后在垂直方向上每隔2行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数，得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}。

6.根据权利要求3所述的基于稀疏表示的自动去块效应方法，其特征在于，对于边界强度为1的伪边界，在水平方向先用与编码像素块同样大小的N×N像素块每隔3列取1次，随后在垂直方向上每隔3行取1个N×N像素块，然后把重建后的图像块在对应位置上进行叠加，最后除以权值Q(i，j)，其中，Q(i，j)即代表第(i，j)处像素点被取的次数)得到去块效应后的图像，其中，i∈{1，，2，3，...，H}，j∈{1，2，3，...，W}。

Images