CN102523452B - 图像转换压缩传输方法 - Google Patents

Abstract

图像转换压缩传输方法，把原始图像A先转换为另外一幅同大小的图像B，该图像比图像A更容易压缩；发端对图像B进行常规的压缩编码再进行传输；在收端经过解压缩译码，得到恢复图像B；再对图像B采用基于神经网络的非线性变换进行映射，恢复出原始图像A。本发明适合于各种图像的压缩和传输，具有实现简单、压缩比高、信息隐藏的优点。

Description

图像转换压缩传输方法

技术领域

本发明涉及一种图像通信的方法，特别涉及一种图像数据的传输方法，属于通信(如数据通信技术等)领域。

背景技术

随着科技的发展，人们对高分辨率图像的需求越来越大，但高分辨率图像的数据量非常大，给存储和传输带来很大压力；因此，人们总在想方设法提高图像数据压缩的压缩比和压缩质量，同时采取措施提高传输保密性。

目前，不管图像压缩方法如何先进，总存在以下问题：

(1)图像压缩效果随图像特性变化而变化

对一部分图像压缩效果好，对另一部分图像压缩效果却不好。用客观评价准则来说，峰值信噪比PSNR可能相差许多，有些文献报告差距30dB，我们近几年研究中采用了一部分图像，用JPEG2000等数据压缩标准等算法进行压缩，峰值信噪比PSNR差别有10dB-20dB之多。

比如，同样的压缩方法，对某一遥感图像压缩，PSNR为30dB左右，对另外的遥感图像压缩，PSNR可能为35dB左右。对一些人物、景物图像压缩，PSNR可能为40dB，而对另一些人物、景物图像压缩，PSNR可能为45dB甚至50dB。

(2)图像压缩与图像信息隐藏、信息保密没有融为一体。

图像数据压缩本身不能实现常规意义的图像信息的隐藏传输，图像压缩完成后如果要进行信息隐藏，只能采取另外的方法；图像压缩完成后如果要进行信息加密，也只能采取另外的方法进行。总之，不能把二者结合起来，或者与图像压缩无法融为一体。

(3)研制成功的图像压缩设备对大多数图像压缩效果较好，但对一些图像压缩效果却不好，而用户还想继续使用该压缩设备。

因此，如果我们先把原始图像A转换成某图像B，对该图像进行压缩的效果明显优于对原始图像的压缩，传输后再把图像B逆变换为原始图像A。只要变换精度满足要求，就可以克服压缩算法对某些图像压缩效果差的问题。把原始图像A变成某一图像B进行传输，信道中不传输图像A，压缩本身就具有隐藏传输效果。

发明内容

本发明的技术解决问题是：提供一种安全性高、适合于公开信道传输的图像压缩以及隐藏传输方法，该方法把需要压缩(或保密)的原始图像变成公开的图像进行压缩传输，同时具有优越的压缩效果，即使别人截获了信道传输的图像，也无法知道原始图像。这样，不必采用常规保密方法就取得一定保密性，从而降低了图像传输设备的复杂度。本发明可用于地面设备之间、地面对航天器、航天器对地、航天器之间的图像传输。

本发明的技术解决方案是：

方案一：

图像转换压缩传输方法，其特征在于包括以下步骤：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B01，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；所述图像B01大小为M行、N列、Q比特量化，总比特数为MNQ，图像B01的灰度值Gi为介于0到2^Q-1之间的正整数；

(2)对图像A进行以图像B01为目标的非线性变换F1，得到图像B1；

(3)根据所需的压缩比R对图像B1进行压缩编码，然后传输到接收端；

(4)接收端进行解压译码得到恢复图像B2，然后对恢复图像B2进行逆变换F2，得到原灰度图像A。

所述步骤(1)中确定B01图像的方法如下：

根据原灰度图像A的大小，选择相同大小的另外m幅现有图像P1，P2，...，Pm，然后对m幅现有图像分别进行压缩，压缩比均为r，计算各幅图像的峰值信噪比PSNR，峰值信噪比PSNR最大的图像Pk作为B01图像。

所述步骤(2)中的非线性变换F1为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N1-N2-N3，N1为输入层节点数，N2为中间层节点数，N3为输出层节点数，选择图像A1(A1与原始图像A同大小)，该图像对应一个目标图像B01，采用反向传播BP类算法对神经网络进行学习，该图像得到一个与目标图像B01相类似的图像B1，事先设定B01与图像B1之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W1，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原灰度图像A的比特量化；当输入原灰度图像时，多层前馈神经网络按照上述权值W1进行非线性映射，得出图像B1。

所述步骤(4)中的逆变换F2为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择恢复图像B2，该图像对应一个目标图像A，采用反向传播BP类算法对神经网络进行学习，输入该图像后网络得到一个与目标图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W2，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原始图像A的比特量化；当输入恢复图像B2时，多层前馈神经网络按照上述权值W2进行非线性映射，得出的映射图像即为原灰度图像A。

方案二：

图像转换压缩传输方法，其特征在于包括以下步骤：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B02，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；其中，图像B02的确定方法如下：对原灰度图像A进行分块，每块图像的大小为k1＊k2，k1，k2取正整数，k1小于M且能被M整除，k2小于N且能被N整除；计算每块图像的平均灰度值，用平均灰度值分别代替每块图像原来的灰度值，得到一幅图像，则该图像就是选出的图像B02；

(2)将图像B02各分块的灰度值传输到接收端；所述图像B02的各分块是指按照大小为k1＊k2进行分块，每块图像的k1＊k2个灰度值相同，每块图像只传输一个灰度值；

(3)接收端接收数据后，恢复出图像，对恢复出的图像进行非线性变换F4，得到原灰度图像A。

所述步骤(3)中的非线性变换F4为均值图像B02到原始图像A的基于多层前馈神经网络的非线性映射。多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择图像B02，B02与原始图像A同大小，采用反向传播BP类算法对神经网络进行学习，输入该图像，可得到一个与目标图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W3，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原始图像A的比特量化；当输入图像B02时，多层前馈神经网络按照上述权值W3进行非线性映射，得出映射图像即为原灰度图像A。

本发明与现有技术相比的优点在于：

在传统的图像压缩传输中，是对图像直接进行压缩处理，如进行预处理、DCT、小波变换，图像保密靠加密或加扰的方法进行的。或者说传统的变换压缩是把图像变换成变换域中的非图像数据，然后对变换后的数据进行压缩传输。而本发明是把原始图像变成我们选择的另外一幅图像，该图像我们事先研究了压缩性能，当然选择了压缩效果好的图像，该图像比原始图像更方便公开进行传输。传统图像变换传输是基于现有的方法传输，敌方能破译就破译，无法破译就可能进行破坏。采用本发明后，传输前我们进行了特殊的非线性技术处理，把真正要传输的图像转换成另外的不需要保密的公开图像，新图像本身允许敌方知道，即使敌方能破译出该图像，但由于不知道实际传输的图像，因此不会去破译；敌方认为没有加密，故也不会破坏，而我们自己可以通过技术手段进行图像恢复。

(1)本发明采用特殊的处理方法，本身就提高了数据压缩性能。把一幅图像变成另外的图像进行传输，因为新图像是根据本发明精选的，非常容易压缩。即使采用简单的数据压缩也会取得很好的压缩效果。如果采用更先进的压缩方法，压缩效果就会更好。

(2)本发明的转换传输方法，不必采用传统信息加密方法就具有一定保密效果，具有简单、实用的特点，信息伪装技术可以采用简单的易于实现的方法，节省了成本，降低了保密系统复杂性，提高了传输可靠性。

(3)本发明的压缩效果事先是可以知道的，因为图像变换过程是可以控制的；

(4)本发明的传输方法，可以和传统传输方法结合使用。

(5)本发明的传输系统，可以在原来压缩方法不变情况下提高现有压缩设备性能。

附图说明

图1为本发明传输系统框图；

图2a为图像非线性变换(原始图像)例子；

图2b为图像非线性变换(映射图像)例子；

具体实施方式

本发明的图像转换传输方法是为了解决大容量、高分辨率图像安全传输问题而提出的。转换传输是指把需要保密的图像变成公开的图像进行压缩传输，同时具有优越的压缩效果，即使别人截获了信道传输的图像，也无法知道原始图像。这样，不必采用常规保密方法就取得较强保密性，从而降低了图像传输设备的复杂度。

本发明采用的方案是把原始图像先转换为另外一幅同大小图像(以下可称为转换处理)，该图像技术上比原图像更适合压缩、内容上更适合公开；再对新图像采用合适的压缩方法进行压缩，然后进行传输的技术方案。具体转换采用非线性处理方法可以保证保密性，具体压缩可以采用无失真压缩也可采用合适的有失真压缩。

具体实现步骤如下：

方案一：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B01，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；所述图像B01大小为M行、N列、Q比特量化，总比特数为MNQ，图像B01的灰度值Gi为介于0到2^Q-1之间的正整数；

确定图像B01的方法如下：

根据原灰度图像A的大小，选择相同大小的另外m幅现有图像P1，P2，...，Pm，然后对m幅现有图像常规压缩方法(如JPEG2000方法)分别进行压缩，压缩比均为r，计算各幅图像的峰值信噪比PSNR，峰值信噪比PSNR最大的图像Pk作为B01图像。

(2)对图像A进行以图像B01为目标的非线性变换F1，得到图像B1；

所述步骤(2)中的非线性变换F1为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N1-N2-N3，N1为输入层节点数，N2为中间层节点数，N3为输出层节点数，选择图像A1(A1与原始图像A同大小)，该图像对应一个目标图像B01，采用反向传播BP类算法对神经网络进行学习，该图像得到一个与目标图像B01相类似的图像B1，事先设定B01与图像B1之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W1，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原灰度图像A的比特量化；当输入原灰度图像时，多层前馈神经网络按照上述权值W1进行非线性映射，得出图像B1。

例如，一种神经网络结构如下：输入256，隐含层256，输出256。结构可以为其他结构，如输入64，隐含层64，输出64。如输入64，隐含层32，输出64等。

(3)根据所需的压缩比R对图像B1进行压缩编码，然后传输到接收端；

(4)接收端进行解压译码得到恢复图像B2，然后对恢复图像B2进行逆变换F2，得到原灰度图像A。

所述步骤(4)中的逆变换F2为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择恢复图像B2，该图像对应一个目标图像A，采用反向传播BP类算法对神经网络进行学习，输入该图像后网络得到一个与目标图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W2，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原始图像A的比特量化；当输入恢复图像B2时，多层前馈神经网络按照上述权值W2进行非线性映射，得出的映射图像即为原灰度图像A。

方案二：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B02，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；其中，图像B02的确定方法如下：对原灰度图像A进行分块，每块图像的大小为k1＊k2，k1，k2取正整数，k1小于M且能被M整除，k2小于N且能被N整除；计算每块图像的平均灰度值，用平均灰度值分别代替每块图像原来的灰度值，得到一幅图像，则该图像就是选出的图像B02；

(2)将图像B02各分块的灰度值传输到接收端；所述图像B02的各分块是指按照大小为k1＊k2进行分块，每块图像的k1＊k2个灰度值相同，每块图像只传输一个灰度值；

(3)接收端接收数据后，恢复出图像，对恢复出的图像进行非线性变换F4，得到原灰度图像A。

所述步骤(3)中的非线性变换F4为均值图像B02到原始图像A的基于多层前馈神经网络的非线性映射。多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择图像B02，B02与原始图像A同大小，采用反向传播BP类算法对神经网络进行学习，输入该图像，可得到一个与目标图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足要求时，算法结束，形成一套神经网络权值W3，最小均方误差MSE与PSNR的关系如下：

$\mathrm{PSNR}=10\·\log \left(\frac{{(2^Q-1)}^2}{\mathrm{MSE}}\right)\left(\mathrm{dB}\right)$

Q为原始图像A的比特量化；当输入图像B02时，多层前馈神经网络按照上述权值W3进行非线性映射，得出映射图像即为原灰度图像A。

如图1所示，一般情况下，图像转换压缩传输包括发送端处理模块和接收端处理模块，所述的发送端处理模块包括图像预处理单元、图像变换单元以及图像压缩编码单元组成；所述的接收端处理模块包括图像解压译码单元、图像非线性变换单元以及图像后处理单元组成；

图像预处理单元：根据需要发送的原灰度图像A(大小为M行、N列、Q比特量化，总比特数为MNQ)选择另外一幅相同大小的图像(B01或B02)。

图像变换单元：将选择出的图像(B01或B02)根据以下两种变换中的一种进行变换：如果图像为B01，则进行非线性变换F1；或者，如果图像为B02，则进行线性变换(分块处理)；

图像压缩编码单元：进行压缩编码，然后传输到接收端；或不进行常规压缩，直接将分块均值传输到接收端；

图像解压译码单元：进行解压译码；

图像非线性变换单元：对解压译码图像进行非线性变换，将其恢复。

图像后处理单元：对恢复后图像按照需求进行后续处理。

如图2a-图2b所示，为本发明转换压缩方法中原始图像和映射图像的一种示例图。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (2)

1.图像转换压缩传输方法，其特征在于包括以下步骤：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B01，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；所述图像B01大小为M行、N列、Q比特量化，总比特数为MNQ，图像B01的灰度值Gi为介于0到2^Q-1之间的正整数；

(2)对原灰度图像A进行以图像B01为目标的非线性变换F1，得到图像B1；

(3)根据所需的压缩比R对图像B1进行压缩编码，然后传输到接收端；

(4)接收端进行解压译码得到恢复图像B2，然后对恢复图像B2进行逆变换F2，得到原灰度图像A；

所述步骤(1)中确定B01图像的方法如下：

根据原灰度图像A的大小，选择相同大小的另外m幅现有图像P1，P2，...，Pm，然后对m幅现有图像分别进行压缩，压缩比均为r，计算各幅图像的峰值信噪比PSNR，将峰值信噪比PSNR最大的图像作为B01图像；

所述步骤(2)中的非线性变换F1为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N1-N2-N3，N1为输入层节点数，N2为中间层节点数，N3为输出层节点数，选择与原灰度图像A同大小的图像A1，图像A1对应一个目标图像B01，采用反向传播BP类算法对神经网络进行学习，输入图像A1得到一个与目标图像B01相类似的图像B1，事先设定B01与图像B1之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足(dB)时，算法结束，形成一套神经网络权值W1；其中Q为原灰度图像A的比特量化；当输入原灰度图像时，多层前馈神经网络按照上述权值W1进行非线性映射，得出图像B1；

所述步骤(4)中的逆变换F2为基于多层前馈神经网络的非线性映射，多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择恢复图像B2，图像B2对应一个目标图像，即原灰度图像A，采用反向传播BP类算法对神经网络进行学习，输入图像B2后由神经网络得到一个与原灰度图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足(dB)时，算法结束，形成一套神经网络权值W2：其中Q为原灰度图像A的比特量化；当输入恢复图像B2时，多层前馈神经网络按照上述权值W2进行非线性映射，得出的映射图像即为原灰度图像A。

2.图像转换压缩传输方法，其特征在于包括以下步骤：

(1)根据需要发送的原灰度图像A确定另外一幅相同大小的图像B02，所述的原灰度图像A的大小为M行、N列、Q比特量化，总比特数为MNQ；其中，图像B02的确定方法如下：对原灰度图像A进行分块，每块图像的大小为k1＊k2，k1，k2取正整数，k1小于M且能被M整除，k2小于N且能被N整除；计算每块图像的平均灰度值，用平均灰度值分别代替每块图像原来的灰度值，得到一幅图像，则该图像就是选出的图像B02；

(2)将图像B02各分块的灰度值传输到接收端；所述图像B02的各分块是指按照大小为k1＊k2进行分块，每块图像的k1＊k2个灰度值相同，每块图像只传输一个灰度值；

(3)接收端接收数据后，恢复出图像，对恢复出的图像进行非线性变换F4，得到原灰度图像A；

所述步骤(3)中的非线性变换F4为图像B02到原灰度图像A的基于多层前馈神经网络的非线性映射；多层前馈神经网络的网络结构为N4-N5-N6，N4为输入层节点数，N5为中间层节点数，N6为输出层节点数，选择图像B02，B02与原灰度图像A同大小，采用反向传播BP类算法对神经网络进行学习，输入图像B02，可得到一个与目标图像，即原灰度图像A相类似的图像A2，事先设定A与A2之间的峰值信噪比PSNR或最小均方误差MSE，当PSNR或MSE满足(dB)时，算法结束，形成一套神经网络权值W3；其中Q为原灰度图像A的比特量化；当输入图像B02时，多层前馈神经网络按照上述权值W3进行非线性映射，得出映射图像即为原灰度图像A。