CN102393966A - 基于多尺度显著图的自适应图像压缩采样方法 - Google Patents
基于多尺度显著图的自适应图像压缩采样方法 Download PDFInfo
- Publication number
- CN102393966A CN102393966A CN2011101610843A CN201110161084A CN102393966A CN 102393966 A CN102393966 A CN 102393966A CN 2011101610843 A CN2011101610843 A CN 2011101610843A CN 201110161084 A CN201110161084 A CN 201110161084A CN 102393966 A CN102393966 A CN 102393966A
- Authority
- CN
- China
- Prior art keywords
- remarkable
- image
- vision
- sampling
- fritter
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度显著图的自适应图像压缩采样方法,解决了在压缩采样时对图像平均分配采样率造成采样资源浪费的问题。主要是对采样图像进行SVT变换,计算得到图像显著图;依此图确定“视觉显著”和“非视觉显著”区域;分配测量数,对“视觉显著”区域分配较多的采样资源;通过非线性重构算法,对自适应采样得到的测量数据进行重构,最终得到重构图像。本发明与现有的技术相比,在图像压缩测量时能根据人们视觉注意的区域不同,针对不同注意区域自适应的分配采样资源,提高了采样资源的利用率,同时也提高了恢复图像的质量。本发明可用于自然图像,遥感图像等的自适应压缩采样,在低成本成像设备中有广阔的应用前景。
Description
技术领域
本发明属于图像处理技术领域,主要涉及一种自适应图像压缩采样方法,具体是基于多尺度显著图的自适应图像压缩采样方法。
背景技术
传统的信号采样理论基于奈奎斯特采样定理,为保证从采样信号中无失真地恢复信号,采样频率应至少大于信号截止频率的两倍。在信号带宽较大时,这会导致较高的硬件代价。压缩采样(CS)就是为了克服该问题所提出的一种新的信号获取与处理的理论框架。基本思想是:假设原信号是可压缩的,即能够在某个字典下得到稀疏表示,那么通过构造一个与字典不相关的观测系统,用观测矩阵观测(或采样)信号,在很少的观测数下就能够恢复出原始信号。在该理论框架下,采样率与信号的带宽无关,而与信号中信息的结构和内容有关。
目前已知的图像压缩采样方法都是基于分块操作的。在观测原信号时,都是对图像的各个块采用相同的测量数进行观测,分配的测量数目越多,则重构图像的质量越好。但是在实际应用中,不同的块引起图像使用者的视觉注意的程度也是不同的,或者图像的使用者往往只是对图像的某一部分感兴趣。因此,为了得到对“视觉显著”区域或称“感兴趣”区域,或称“注意”区域更高的重构质量,应对不同的块采用自适应采样率的方案,目前采用的分块压缩采样方法均忽视了该问题。它们对于每一个块均采用了相同的采样率,这样对于“视觉显著”区域分配的采样资源不足以达到所需要的程度,相反对于“非视觉显著”区域,又会造成采样资源的浪费,没有将有限的采样资源有效利用。
发明内容
本发明的目的在于克服上述已有问题的缺点,提出了一种基于多尺度显著图的自适应图像压缩采样方法,在相同的采样资源下,能提高重构图像的质量。为实现上述目的,本发明的技术方案是:首先,由低分辨率传感器得到低分辨率采样图像;其次,对采样图像进行支撑值(SVT)变换,由支撑值计算得到图像显著图;通过显著图来确定“视觉显著”区域和“非视觉显著”区域;然后,分配测量数,对“视觉显著”区域分配较多的采样资源,“非视觉显著”区域分配较少的采样资源;最后,对自适应测量得到的数据,通过非线性重构算法,最终得到重构图像。具体步骤包括:
(1)通过低分辨率传感器采集得到低分辨率采样图像P。
(2)对低分辨率采样图像P,让其通过SVT变换,当设分解级数为3级时,得到一幅低频图像P1和三幅高频支撑值图像S1,S2,S3。
(3)取前两幅高频支撑值图像,对其加权求和,得到支撑值图像S:
S=w1S1+w2S2
(4)对S进行双线性插值并且归一化,得到与原图像尺寸大小相同的显著图S′。
(6)分别计算S′的标准差M,的标准差mi和S′的均值m,统计每一小块中mi>M并且支撑值大于m的个数t。设定阈值t′,如果t>t′,该块则被标记为“视觉显著”块;如果t≤t′,该块则被标记为“非视觉显著”块。所有的“视觉显著”块组成“视觉显著”区域,“非视觉显著”块组成“非视觉显著”区域。标记一方面为了给分配采样率提供路径,另一方面,也可以获得直观的采样率分配的状况。
(7)对低分辨率采样图像P进行分块操作,其分块原则同步骤(5)相同,每一小块记作Pi,i=1,2...n,其中i为小块的顺序,n为小块的总数目。
(8)根据“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源这一原则,对低分辨率采样图像每一小块Pi进行随机观测,得到测量值y。
(9)通过正交匹配追踪(OMP)重构算法,求优化解:
其中是稀疏系数,A是观测矩阵,D是先验确定的稀疏表示原信号的字典,λ是正则化参数。
(10)将步骤(9)所求得的系数代入中,得到每一个小块的重构图像x。
(11)组合所有的小块重构图像x,得到最终的重构图像X′。
在现有技术中,对图像进行压缩采样时,对图像的所有部分采用相同的采样率,对于一幅图像来说,包括自然图像,SAR图像,可见光遥感图像等,无论图像的内容是人物,建筑,还是景物,物件等,在图像中总有重点和非重点之分,也就是说有视觉注意和非视觉注意的不同,比如说图像中有人物,也有背景,人物就是我们视觉注意的对象,背景则是非视觉注意对象。本发明在对图像进行压缩采样时,对图像中上述的不同对象进行了不同的采样资源分配,在同等采样资源下,本发明可以获得在重点部分更清晰的图像显示,而在非重点部分图像的视觉质量也没有明显的降低。本发明根据图像的显著图得到“视觉显著”区域和“非视觉显著”区域,对“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源,从而实现自适应的分配采样资源,在相同的采样率下得到重构质量更好的图像。该方法可用于自然图像、遥感图像等各种图像的自适应压缩采样中,在低成本成像设备中有广阔的应用前景。
本发明的实现还在于:基于多尺度显著图的自适应图像压缩采样方法,其中步骤(2)所述的SVT变换,按如下步骤进行:
2a)给定映射输入矢量空间的矩形邻域大小,给定最小二乘向量机的参数γ以及高斯径向基(RBF)核函数的参数σ。其中RBF核函数的数学表达式为:
K(x,xi)=exp(-‖x-xi‖2/2σ2)
2b)计算N×N矩阵Ω,这里Ωij=K(xi,xj)+Iij/γ,i,j=1,...,N;
A=Ω-1,
2d)获得矩阵O的中心行矢量,得到支撑值滤波器;
2e)在基本的支撑值滤波器中填充零,得到一系列的多尺度支撑值滤波器,用它们对图像进行滤波,得到一系列的多尺度支撑值图像。
本发明采用SVT变化的方法获取显著图,其处理过程多尺度位移不变且各项同性,避免了高频图像随着分解层数增加而尺寸变小,保证分解出来的高频子带图跟原始图像尺寸大小相同。
本发明的实现还在于:基于多尺度显著图的自适应图像压缩采样的方法,其中步骤(8)所述的对低分辨率采样图像每一小块Pi进行随机观测,按如下方法进行:
对于第i小块,如果其被标记为“视觉显著”块,进行随机观测时所分配的采样率为θ1;如果其被标记为“非视觉显著”块,进行随机观测时所分配的采样率为θ2,并且:
n1θ1+n2θ2=nθ
其中n1为“视觉显著”块的总数目,n2为“非视觉显著”块的总数目,且n=n1+n2,θ为平均采样率。
本发明采用了最简单的方法对视觉显著区域和非视觉显著区域进行采样率分配。
本发明与现有的技术相比具有以下优点:
本发明通过SVT得到图像显著图,由于SVT得到的支撑值图像代表了引起视觉注意的显著性特征,因此可以很好的提取“视觉显著”区域和“非视觉显著”区域。同时本发明对“视觉显著”区域分配较多的采样资源,“非视觉显著”区域分配较少的采样资源,从而在总的采样率一定的条件下,提高了重构图像的质量。此外,本发明可以对各种类型的图像进行自适应压缩采样,包括自然图像,遥感图像等,可广泛应用于各类低成本成像设备中。
附图说明
图1是本发明的总流程图;
图2是原始的各类自然图像,其中(a)是Lena图像,(b)是Boat图像,(c)是Peppers图像,(d)是House图像;
图3是原始的各类SAR图像,其中(a)是Sar1图像,(b)是Sar2图像,(c)是Sar3图像,(d)是Sar4图像;
图4是原始的各类可见光遥感图像,其中(a)是Image1图像,(b)是Image2图像,(c)是Image3图像,(d)是Image4图像;
图5是本发明应用于Lena图像在采样率为50%时的实验结果图,其中(a)是提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
图6是House图像在采样率为50%时的实验结果图,其中(a)是提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
图7是Sar2图像在采样率为50%时的实验结果图,其中(a)提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
图8是Sar4图像在采样率为50%时的实验结果图,其中(a)是提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
图9是Image2图像在采样率为50%时的实验结果图,其中(a)是提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
图10是Image4图像在采样率为50%时的实验结果图,其中(a)是提取的显著图,(b)是标记出来的显著程度结果,其白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,(c)是传统方法的结果,(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果;
具体实施方式
本发明的具体实施过程如下:
实施例1
参照图1,本发明是一种基于多尺度显著图的自适应图像压缩采样方法,可用于单像素图像采集系统上,该方法包括如下步骤:
(1)通过低分辨率传感器采集得到低分辨率采样图像P;
(2)对低分辨率采样图像P,进行SVT变换,当设分解级数为3级时,得到一幅低频图像P1和三幅高频支撑值图像S1,S2,S3;
其中SVT变换,按如下步骤进行:
2a)给定映射输入矢量空间的矩形邻域大小,也就是N×N大小的矩形邻域,给定最小二乘向量机的参数γ以及高斯径向基(RBF)核函数的参数σ,以上参数的值均采用经验值。其中RBF核函数的数学表达式为:
K(x,xi)=exp(-‖x-xi‖2/2σ2)
2b)计算N×N矩阵Ω,这里Ωij=K(xi,xj)+Iij/γ,i,j=1,...,N;
A=Ω-1,
其中I是大小为N×N的单位阵;
2d)获得矩阵0的中心行矢量,得到支撑值滤波器;
2e)在基本的支撑值滤波器中填充零,得到一系列的多尺度支撑值滤波器,用它们对图像进行滤波,得到一系列的多尺度支撑值图像。
(3)取前两幅高频支撑值图像,对其加权求和,得到支撑值图像S:
S=w1S1+w2S2
(4)对S进行双线性插值并且归一化,得到与原图像尺寸大小相同的显著图S′,该显著图参见图5-图10中的(a)所示;
(5)如图1所示,在采样控制器中对S′即显著图进行分块操作,将其分为互不重叠的8*8大小的小块,每一小块分别记作i=1,2...n,其中i为小块的顺序,n为小块的总数目,如果图像大小为256×256时,n=1024;
(6)分别计算S′的标准差M,的标准差mi和S′的均值m,统计每一小块中mi>M并且支撑值大于m的个数t。设定阈值t′,如果t>t′,该块则被标记为“视觉显著”块;如果t≤t′,该块则被标记为“非视觉显著”块。所有的“视觉显著”块组成“视觉显著”区域,“非视觉显著”块组成“非视觉显著”区域,以这些信息作为控制信号,指导分配采样资源;
(7)对低分辨率采样图像P进行分块操作,其分块原则同步骤(5)相同,每一小块记作Pi,i=1,2...n,其中i为小块的顺序,n为小块的总数目;
(8)根据“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源这一原则,对低分辨率采样图像每一小块Pi进行随机观测,得到测量值y,即测量数据,参见图1;
对低分辨率采样图像每一小块Pi进行随机观测,按如下方法进行:
对于第i小块,如果其被标记为“视觉显著”块,进行随机观测时所分配的采样率为θ1;如果其被标记为“非视觉显著”块,进行随机观测时所分配的采样率为θ2,并且:
n1θ1+n2θ2=nθ
其中n1为“视觉显著”块的总数目,n2为“非视觉显著”块的总数目,且n=n1+n2,θ为平均采样率。
(9)通过OMP重构算法,求解优化问题:
(11)组合所有的小块重构图像x,得到最终的重构图像X′,参见图5-图10的(d)-(f)。
本发明主要解决现有方法在压缩采样时对图像的各个区域平均分配采样率所造成的采样资源浪费,不能充分利用采样资源的问题。处理此问题的实现过程是:首先对采样图像进行SVT变换,由支撑值计算得到图像显著图;通过显著图来确定“视觉显著”区域和“非视觉显著”区域;然后,对不同区域分配不同的采样资源进行观测或采样;最后,利用非线性重构算法对测量数据重构得到重构图像。本发明与现有的技术相比,在图像压缩测量时能根据人们视觉注意的区域不同,针对不同区域自适应的分配采样资源,提高了采样资源的利用率,同时也提高了恢复图像的质量。本发明可用于自然图像,遥感图像等的自适应图像压缩采样,在低成本成像设备中有广阔的应用前景。
实施例2
基于多尺度显著图的自适应图像压缩采样方法同实施例1,为了详尽说明本发明的方法,将方法的实施步骤及其条件融合在一起说明如下:
步骤1.低分辨采样:
通过低分辨率传感器得到的低分辨率图像P。
步骤2.利用SVT对低分辨率采样图像P进行变换,得到显著图:
2a)给定映射输入矢量空间的N×N大小的矩形邻域,给定最小二乘向量机的参数γ以及高斯径向基(RBF)核函数的参数σ,上述均取经验参数。RBF核函数的数学表达式为:
K(x,xi)=exp(-‖x-xi‖2/2σ2)
其中x为图像像素点的位置向量,xi为图像第i个像素点的位置向量。在本例中,N取为5,σ取为0.3,γ取为1。
2b)计算N×N矩阵Ω,即5×5,这里Ωij=K(xi,xj)+Iij/γ,i,j=1,...,N。
A=Ω-1,
2d)提取矩阵0的中心行矢量,得到支撑值滤波器。
2e)在基本的支撑值滤波器中填充零,得到一系列的多尺度支撑值滤波器,用它们对图像进行滤波,得到一系列的多尺度支撑值图像。
2f)取前两幅高频支撑值图像,对其加权求和(权值w1,w2分别设置为0.9,0.1),得到支撑值图像S:
S=w1S1+w2S2
2g)对S进行双线性插值并且归一化,得到与原图像尺寸大小相同的显著图S′。
步骤3.确定“视觉显著”区域和“非视觉显著”区域:
3b)分别计算S′的标准差M,的标准差mi和S′的均值m,统计每一小块中mi>M并且支撑值大于m的个数t。设定阈值t′,如果t>t′,该块则被标记为“视觉显著”块;如果t≤t′,该块则被标记为“非视觉显著”块。所有的“视觉显著”块组成“视觉显著”区域,“非视觉显著”块组成“非视觉显著”区域。这里阈值t′=10。
步骤4.对“视觉显著”区域和“非视觉显著”区域分配测量数:
4a)对低分辨率采样图像P进行分块操作,其分块原则同步骤3a)相同,每一小块记作Pi,i=1,2...n,其中i为小块的顺序,n为小块的总数目。
4b)根据“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源这一原则,对低分辨率采样图像每一小块Pi进行随机观测,得到测量值y。这里对于第i小块,如果其被标记为“视觉显著”块,进行随机观测时所分配的采样率为θ1;如果其被标记为“非视觉显著”块,进行随机观测时所分配的采样率为θ2,并且:
n1θ1+n2θ2=nθ
其中n1为“视觉显著”块的总数目,n2为“非视觉显著”块的总数目,且n=n1+n2,θ为平均采样率。
步骤5.从测量数据中由重构算法恢复图像:
5a)通过OMP重构算法,求解优化问题:
5c)组合所有的小块重构图像x,得到最终的重构图像X′。
实施例3
基于多尺度显著图的自适应图像压缩采样方法同实施例1-2,本发明效果可以通过以下实验进一步说明:
1)实验条件
本实验采用自然图像,SAR图像,可见光遥感图像作为实验数据,采用软件MATLAB 7.9.0作为仿真工具,计算机配置为Intel Core2/2.13G/2G。
2)实验内容
首先对低分辨图像用显著图产生模型得到显著图,确定图像的“视觉显著”区域和“非视觉显著”区域,继而分配测量数,通过OMP重构算法,最终得到重构图像。
本实验中选取随机高斯矩阵作为观测矩阵,平均采样率分别取0.3,0.4,0.5,“视觉显著”区域和“非视觉显著”区域采样率比值分别为2∶1,3∶1,4∶1。仿真结果通过客观评价指标峰值信噪比PSNR,结构相似度测量SSIM及平均结构相似度测量MSSIM评定。假定两幅图像的大小为X×Y,令f(x,y)表示原始图像,表示重构图像,客观评价指标峰值信噪比PSNR定义为:
PSNR值越大,恢复图像与原始图像的差别就越小,图像质量越高。SSIM评价了原始图像和重构图像的结构相似度,跟视觉效果有关,定义式为:
其中l(x,y),c(x,y),s(x,y)分别是图像亮度的相似程度,图像对比度的相似程度和图像结构的相似程度。μx,μy分别代表原始图像和重构图像的均值;σx和σy分别是原始图像和恢复图像的标准差,σxy是图像f和的协方差。α>0,β>0,γ>0分别是亮度,对比度和结构测量的权值系数。把原始图像和恢复图像都分成L个块,得到一系列图像块{xi,yi,i=1,2,...,L}。MSSIM定义如下:
SSIM和MSSIM是基于人类视觉特性的客观图像质量评价方法,充分考虑了图像自身的结构信息,即图像像素间的强烈依赖性,取值在0-1之间,值越接近1越说明重建图像和原图像在视觉效果上越接近。
3)实验结果
3a)对传统方法和本发明方法应用于图2所示的自然图像Lena,Boat,Peppers,House,其客观评价指标统计结果见表1,其中NA列为传统方法的数值结果,即对每一区域采用相同的采样率的结果,2∶1,3∶1,4∶1所在列分别为“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的数值结果。图5,图6分别是Lena和House在平均采样率为50%的实验结果。其中图5(a)是提取的显著图,图5(b)是标记出来的显著程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图5(c)是传统方法的结果,图5(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。图6(a)是提取的显著图,图6(b)是标记出来的显著性程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图6(c)是传统方法的结果,图6(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。
表1.自然图像在不同采样率下的两种方法客观评价指标数值比较
从图5(c)到图5(f)以及图6(c)到图6(f)可以看出,在视觉效果上,本发明的方法优于传统的压缩采样方法,对于Lena图像,比如在帽子的边沿中下部位,本发明方法得到的结果可以清晰的看出帽子因厚度而产生的两条边沿线,见图5(d)-(f),而在用传统方法处理的图5(c)的对应之处,没有清晰的两条边沿线,而且部分地方还比较模糊,块效应比较明显。在鼻梁靠近右眼的部位,用传统方法处理的图5(c)的鼻梁比较模糊,块效应比较明显,而本发明方法得到的结果见图5(d)-(f),对应之处比传统方法的结果要平滑,且边缘保持较好,没有块效应。对于House图像,本发明方法得到的结果可以清晰的看到屋顶的边缘,烟囱,见图6(d)-(f),而在用传统方法处理的图6(c)的对应之处,屋顶的边缘,烟囱比较模糊,块效应比较明显。从表1的结果可以看出,在客观评价指标的数值上,本发明的方法也优于传统的压缩采样方法,PSNR平均提高1.12dB,SSIM平均提高0.01,MSSIM平均提高0.01。并且对于各种类型的自然图像如Lena、Boat、Peppers、House,都可以得到较好的效果。
3b)对传统方法和本发明方法应用于图3所示的SAR图像Sar1,Sar2,Sar3,Sar4,其客观评价指标统计结果见表2,其中NA列为传统方法的数值结果,即对每一区域采用相同的采样率的结果,2∶1,3∶1,4∶1所在列分别为“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的数值结果。图7,图8分别是Sar2和Sar4在平均采样率为50%的实验结果。其中图7(a)是提取的显著图,图7(b)是标记出来的显著程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图7(c)是传统方法的结果,图7(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。图8(a)是提取的显著图,图8(b)是标记出来的显著程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图8(c)是传统方法的结果,图8(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。
表2.SAR图像在不同采样率下的两种方法客观评价指标数值比较
从图7(c)到图7(f)以及图8(c)到图8(f)可以看出,在视觉效果上,本发明的方法优于传统的压缩采样方法,对于Sar2图像,在丛林区域以及图像的左上角部分,本发明的方法得到的结果比传统方法的结果的视觉效果好。对于Sar4图像,在右上方的陆地区域,本发明方法得到的结果比传统方法结果的视觉效果好。从表2的结果可以看出,在客观评价指标的数值上,本发明的方法也优于传统的压缩采样方法,PSNR平均提高1.66dB,SSIM平均提高0.05,MSSIM平均提高0.04。并且对于各种类型的SAR图像如Sar1,Sar2,Sar3,Sar4,都可以得到较好的效果。
3c)对传统方法和本发明方法应用于图4所示的可见光遥感图像Image1,Image2,Image3,Image4,其客观评价指标统计结果见表3,其中NA列为传统方法的数值结果,即对每一区域采用相同的采样率的结果,2∶1,3∶1,4∶1所在列分别为“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的数值结果。图9,图10分别是Image2和Image4在平均采样率为50%的实验结果。其中图9(a)是提取的显著图,图9(b)是标记出来的显著程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图9(c)是传统方法的结果,图9(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。图10(a)是提取的显著图,图10(b)是标记出来的显著程度结果,其中白色框标记的为“视觉显著”区域,其余为“非视觉显著”区域,图10(c)是传统方法的结果,图10(d)-(f)分别是“视觉显著”区域和“非视觉显著”区域采样率比值为2∶1,3∶1,4∶1的结果。
表3.可见光遥感图像在不同采样率下的两种方法客观评价指标数值比较
从图9(c)到图9(f)以及图10(c)到图10(f)可以看出,在视觉效果上,本发明的方法优于传统的压缩采样方法,对于Image2图像,在建筑物区域,本发明的方法可以较为清晰的看到一些建筑的屋顶。对于Image4图像,在图像的左上区域,本发明方法得到的结果比传统方法结果的视觉效果好。从表3的结果可以看出,在客观评价指标的数值上,本发明的方法也优于传统的压缩采样方法,PSNR平均提高1.07dB,SSIM平均提高0.01,MSSIM平均提高0.01。并且对于各种类型的可见光遥感图像如Image1,Image2,Image3,Image4,都可以得到较好的效果。
本发明根据图像的显著图得到“视觉显著”区域和“非视觉显著”区域,对“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源,从而实现自适应的分配采样资源,在相同的采样率下得到重构质量更好的图像。本发明与现有的技术相比,在图像压缩测量时能根据人们视觉注意的区域不同,针对不同注意区域自适应的分配采样资源,提高了采样资源的利用率,同时也提高了恢复图像的质量。本发明可用于自然图像,遥感图像等的自适应压缩采样,在低成本成像设备中有广阔的应用前景。
Claims (3)
1.一种基于多尺度显著图的自适应图像压缩采样方法,包括如下步骤:
(1)通过低分辨率传感器采集得到低分辨率采样图像P;
(2)对低分辨率采样图像P进行SVT变换,当设分解级数为3级时,得到一幅低频图像P1和三幅高频支撑值图像S1,S2,S3;
(3)取前两幅高频支撑值图像,对其加权求和,得到支撑值图像S:
S=w1S1+w2S2
(4)对S进行双线性插值并且归一化,得到与原图像尺寸大小相同的显著图S′;
(6)分别计算S′的标准差M,的标准差mi和S′的均值m,统计每一小块中mi>M并且支撑值大于m的个数t,设定阈值t′,如果t>t′,该块则被标记为“视觉显著”块;如果t≤t′,该块则被标记为“非视觉显著”块,所有的“视觉显著”块组成“视觉显著”区域,“非视觉显著”块组成“非视觉显著”区域;
(7)对低分辨率采样图像P进行分块操作,分块方法同步骤(5),每一小块记作Pi,i=1,2...n,其中i为小块的顺序,n为小块的总数目;
(8)根据“视觉显著”区域分配较高的采样资源,“非视觉显著”区域分配较低的采样资源这一原则,对低分辨率采样图像每一小块Pi进行随机观测,得到测量值y;
(9)通过正交匹配追踪重构算法,求优化解:
(11)组合所有的小块重构图像x,得到最终的重构图像X′。
2.根据权利要求1所述的基于多尺度显著图的自适应图像压缩采样方法,其中步骤(2)所述的SVT变换,按如下步骤进行:
2a)给定映射输入矢量空间的矩形邻域大小,给定最小二乘向量机的参数γ以及高斯径向基(RBF)核函数的参数σ,其中RBF核函数的数学表达式为:
K(x,xi)=exp(-‖x-xi‖2/2σ2)
2b)计算N×N矩阵Ω,这里Ωij=K(xi,xj)+Iij/γ,i,j=1,...,N;
A=Ω-1,
2d)获得矩阵O的中心行矢量,得到支撑值滤波器;
2e)在基本的支撑值滤波器中填充零,得到一系列的多尺度支撑值滤波器,用它们对图像进行滤波,得到一系列的多尺度支撑值图像。
3.根据权利要求1所述的基于多尺度显著图的自适应图像压缩采样的方法,其中步骤(8)所述的对低分辨率采样图像每一小块Pi进行随机观测,按如下方法进行:
对于第i小块,如果其被标记为“视觉显著”块,进行随机观测时所分配的采样率为θ1;如果其被标记为“非视觉显著”块,进行随机观测时所分配的采样率为θ2,并且:
n1θ1+n2θ2=nθ
其中n1为“视觉显著”块的总数目,n2为“非视觉显著”块的总数目,且n=n1+n2,θ为平均采样率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110161084 CN102393966B (zh) | 2011-06-15 | 2011-06-15 | 基于多尺度显著图的自适应图像压缩采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110161084 CN102393966B (zh) | 2011-06-15 | 2011-06-15 | 基于多尺度显著图的自适应图像压缩采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102393966A true CN102393966A (zh) | 2012-03-28 |
CN102393966B CN102393966B (zh) | 2013-02-27 |
Family
ID=45861276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110161084 Active CN102393966B (zh) | 2011-06-15 | 2011-06-15 | 基于多尺度显著图的自适应图像压缩采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102393966B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198495A (zh) * | 2013-03-11 | 2013-07-10 | 浙江工业大学 | 重要度驱动的纹理压缩方法 |
CN103366384A (zh) * | 2013-07-08 | 2013-10-23 | 浙江工业大学 | 重要度驱动的面向全局冗余图像压缩方法 |
CN103871041A (zh) * | 2014-03-21 | 2014-06-18 | 上海交通大学 | 基于认知正则化参数构建的图像超分辨率重构方法 |
CN103955681A (zh) * | 2014-05-22 | 2014-07-30 | 苏州大学 | 一种人脸识别方法及系统 |
CN104243987A (zh) * | 2014-09-29 | 2014-12-24 | 刘鹏 | 基于自适应采样率的图像采样方法 |
CN104809748A (zh) * | 2015-05-13 | 2015-07-29 | 西安电子科技大学 | 基于变采样率和线性均值预测的图像压缩感知方法 |
CN105676222A (zh) * | 2015-10-30 | 2016-06-15 | 中国人民解放军空军工程大学 | 一种合成孔径雷达数据自适应压缩与快速重构方法 |
CN105761290A (zh) * | 2016-03-01 | 2016-07-13 | 北京理工大学 | 一种自适应的多尺度分块压缩感知采样方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN106901941A (zh) * | 2017-02-21 | 2017-06-30 | 哈尔滨医科大学 | 一种脊柱关节减压系统 |
CN107767329A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于显著性检测的内容感知图像缩略图生成算法 |
CN108200430A (zh) * | 2017-12-27 | 2018-06-22 | 华中科技大学 | 一种基于视觉显著度的自适应下采样深度图压缩方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
CN101276470A (zh) * | 2008-04-25 | 2008-10-01 | 南京航空航天大学 | 一种保护目标图像信息的遥感图像压缩方法 |
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
CN101821775A (zh) * | 2007-07-20 | 2010-09-01 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
-
2011
- 2011-06-15 CN CN 201110161084 patent/CN102393966B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101821775A (zh) * | 2007-07-20 | 2010-09-01 | 爱克发医疗保健公司 | 用于生成多尺度的对比度增强的图像的方法 |
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
CN101276470A (zh) * | 2008-04-25 | 2008-10-01 | 南京航空航天大学 | 一种保护目标图像信息的遥感图像压缩方法 |
US20100183225A1 (en) * | 2009-01-09 | 2010-07-22 | Rochester Institute Of Technology | Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof |
Non-Patent Citations (2)
Title |
---|
杨晓慧,焦李成,李登峰: "基于Multibandelets的自适应图像压缩", 《电子与信息学报》, vol. 31, no. 7, 31 July 2009 (2009-07-31), pages 1615 - 1619 * |
赵彩云,张峰: "基于小波核支持度变换的图像融合改进方法", 《计算机工程与应用》, no. 20116, 14 February 2011 (2011-02-14), pages 172 - 175 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198495A (zh) * | 2013-03-11 | 2013-07-10 | 浙江工业大学 | 重要度驱动的纹理压缩方法 |
CN103366384A (zh) * | 2013-07-08 | 2013-10-23 | 浙江工业大学 | 重要度驱动的面向全局冗余图像压缩方法 |
CN103871041B (zh) * | 2014-03-21 | 2016-08-17 | 上海交通大学 | 基于认知正则化参数构建的图像超分辨率重构方法 |
CN103871041A (zh) * | 2014-03-21 | 2014-06-18 | 上海交通大学 | 基于认知正则化参数构建的图像超分辨率重构方法 |
CN103955681A (zh) * | 2014-05-22 | 2014-07-30 | 苏州大学 | 一种人脸识别方法及系统 |
CN104243987A (zh) * | 2014-09-29 | 2014-12-24 | 刘鹏 | 基于自适应采样率的图像采样方法 |
CN104243987B (zh) * | 2014-09-29 | 2017-10-03 | 刘鹏 | 基于自适应采样率的图像采样方法 |
CN104809748B (zh) * | 2015-05-13 | 2017-10-24 | 西安电子科技大学 | 基于变采样率和线性均值预测的图像压缩感知方法 |
CN104809748A (zh) * | 2015-05-13 | 2015-07-29 | 西安电子科技大学 | 基于变采样率和线性均值预测的图像压缩感知方法 |
CN105676222B (zh) * | 2015-10-30 | 2018-09-21 | 中国人民解放军空军工程大学 | 一种合成孔径雷达数据自适应压缩与快速重构方法 |
CN105676222A (zh) * | 2015-10-30 | 2016-06-15 | 中国人民解放军空军工程大学 | 一种合成孔径雷达数据自适应压缩与快速重构方法 |
CN105761290A (zh) * | 2016-03-01 | 2016-07-13 | 北京理工大学 | 一种自适应的多尺度分块压缩感知采样方法 |
CN105761290B (zh) * | 2016-03-01 | 2018-11-27 | 北京理工大学 | 一种自适应的多尺度分块压缩感知采样方法 |
CN106651974A (zh) * | 2016-11-03 | 2017-05-10 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN106651974B (zh) * | 2016-11-03 | 2019-08-16 | 中南民族大学 | 利用加权结构组稀疏规则的图像压缩感知重构系统及方法 |
CN106901941A (zh) * | 2017-02-21 | 2017-06-30 | 哈尔滨医科大学 | 一种脊柱关节减压系统 |
CN107767329A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于显著性检测的内容感知图像缩略图生成算法 |
CN107767329B (zh) * | 2017-10-17 | 2021-04-27 | 天津大学 | 基于显著性检测的内容感知图像缩略图生成方法 |
CN108200430A (zh) * | 2017-12-27 | 2018-06-22 | 华中科技大学 | 一种基于视觉显著度的自适应下采样深度图压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102393966B (zh) | 2013-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102393966B (zh) | 基于多尺度显著图的自适应图像压缩采样方法 | |
Cheng et al. | Inpainting for remotely sensed images with a multichannel nonlocal total variation model | |
CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN103020993B (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
DE102017009276A1 (de) | Erzeugen eines dreidimensionalen modells aus einem gescannten gegenstand | |
CN107977661B (zh) | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 | |
CN103985130B (zh) | 一种针对复杂纹理图像的图像显著性分析方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN103020965A (zh) | 一种基于显著性检测的前景分割方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
CN103632153B (zh) | 一种基于区域的图像显著图提取方法 | |
CN103854268A (zh) | 基于多核高斯过程回归的图像超分辨重建方法 | |
CN104809461A (zh) | 结合序列图像超分辨率重建的车牌识别方法及系统 | |
CN102426653B (zh) | 基于第二代Bandelet变换和星型模型的静态人体检测方法 | |
CN104754340A (zh) | 一种无人机侦察图像压缩方法 | |
CN103544488B (zh) | 一种人脸识别方法及装置 | |
CN103839234A (zh) | 一种基于可控核的双几何非局部均值图像去噪方法 | |
CN105741309A (zh) | 一种基于卡方变换和样本选择的遥感影像变化检测方法 | |
CN103810729A (zh) | 一种基于等高线的光栅图像矢量化方法 | |
CN105007488A (zh) | 基于变换域和空间域的通用无参考图像质量评价方法 | |
CN103617413B (zh) | 一种在图像中识别物体的方法 | |
CN106846253A (zh) | 一种基于反向传播神经网络的图像超分辨率重建方法 | |
CN104392233A (zh) | 一种基于区域的图像显著图提取方法 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |