CN102833537A - 基于Contourlet变换的压缩感知图像稀疏方法 - Google Patents
基于Contourlet变换的压缩感知图像稀疏方法 Download PDFInfo
- Publication number
- CN102833537A CN102833537A CN2012102656590A CN201210265659A CN102833537A CN 102833537 A CN102833537 A CN 102833537A CN 2012102656590 A CN2012102656590 A CN 2012102656590A CN 201210265659 A CN201210265659 A CN 201210265659A CN 102833537 A CN102833537 A CN 102833537A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- coefficient
- conversion
- low frequency
- 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
Images
Abstract
本发明公开了一种基于Contourlet变换的压缩感知图像稀疏方法,对经过Contourlet变换的图像系数利用随机高斯矩阵进行观测,得到少量系数,根据这些少量系数,利用正交匹配追踪算法进行重构,再进行Contourlet逆变换得到重构图像。该方法处理图像时,所需数据量少,且恢复图像质量好,对纹理、轮廓等细节信息具有较好的保持能力。采用本发明的基于Contourlet变换的压缩感知图像稀疏方法,相对于基于改进层式DCT的压缩感知编码仍具有多分辨力特性,且图像的压缩效果有显著改善。能有效地捕捉图像的纹理及轮廓细节信息。压缩率较高时对512×512测试图Lena压缩的信噪峰值比可提高4~8dB。
Description
本申请得到天津市自然基金(10JCYBJC00400)的资助。
技术领域
本发明涉及一种数字图像、数字视频压缩编码技术,特别是涉及一种适合于“多路环境”或渐进式传输的具有多分辨力特性的离散余弦变换编码方法。
背景技术
现代社会,人们对信息的需求量剧增,信号从模拟到数字的转换一直严格遵守着乃奎斯特采样定理,即采样速率必须达到信号带宽的2倍以上才能精确重构信号。随着传感系统获取数据能力不断增强,需要处理的数据量也不断增多,这给信号处理的能力提出了更高的要求,也给相应的硬件设备带来极大的挑战。在实际应用中,为了减小存储、传输和处理成本,我们常采用高速采样再压缩的方法,这浪费了大量的采样资源。近年来出现了一种新的理论—Compressed sensing(或compressive sampling),即压缩传感或者压缩采样。这种理论利用其他变换空间描述信号,在保证信息不损失的情况下,用远低于采样定理要求的速率采样信号的同时,又可完全恢复信号。这极大降低了信号的采样频率、信号处理的时间以及数据存储和传输的代价,带领信号处理进入一个新的时代。
利用压缩感知理论进行信号处理分析的前提是信号必须在某个特定的正交空间上具有稀疏性,信号的稀疏性与所选择的正交空间特性密切相关。对于一个给定信号,需要选择一个最合适的稀疏变换域,使其能够有最佳的稀疏表示。具有多分辨率特性的层式DCT变换和小波变换依靠其对信号的时域、频域分析能力以及对一维分段光滑信号优越的非线性逼近性能,在信号处理和图像压缩领域得到了广泛应用。然而,这两种变换在处理一维信号时所具有的优越性在处理二维信号或者更高维信号时并没有体现出来,对于二维图像信号,产生奇异性的主要是边缘和轮廓信息,而由两个正交的一维小波张量积构成的二维小波只具有有限的方向,即水平、垂直、对角。小波变换的有限方向使得其只能捕捉点奇异而无法最优表示线奇异或面奇异,因此不能以最稀疏的方式表示图像的边缘及轮廓信息。因此对于高维空间具有直线或曲线奇异性的信号不能进行很好检测,信号压缩后恢复的效果不好。
发明内容
本发明是为解决现有技术中的问题,而提供了一种简化编码、进一步提高图像的压缩率、解决保持图像轮廓及细节信息、改善压缩效果等问题、用于图像/视频网络传输的一种基于Contourlet变换的压缩感知图像稀疏方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
本发明的基于Contourlet变换的压缩感知图像稀疏方法,对经过Contourlet变换的图像数据的高频部分再经过压缩感知方法处理,低频子带直接作为低频数据传输;在解码过程中做相应的逆变换得到复原图像;其中,
编码过程包括如下步骤:
(1) 编码器读入原图像数据,对编码器第一层的输入数据即原图像,进行拉普拉斯(Laplacian Pyramid,LP)变换即进行多尺度分解,变换后图像分为低频部分与高频细节部分;
(2) 将高频细节部分利用方向滤波器组(Directional Filter Bank, DFB)根据设定的方向数进行多方向分解;
(3) 图像经LP分解后得到的低频部分作为第二层的输入数据;剩下的经过方向分解后的高频数据视为第一层数据输出;
(4) 对第二层的输入数据作相同变换,产生新的数据即第二层数据又作为第三层的输入数据,依次循环变换下去,直到满足要求的层数;
解码过程包括如下步骤:
(1) 利用正交匹配追踪算法(Orthogonal Matching Pursuit, OMP)算法分别对测量后的高低频系数矩阵进行重构,并进行DFB与LP逆变换,得到次高层的低频系数。
(2) 解码器读入接收到的图像数据,对次高层的高频测量系数进行OMP重构,对重构后的系数进行DFB逆变换;
(3) 将变换后的系数与输入的低频系数一起进行LP逆变换得到更低一层的输入数据,依次循环下去,直到最低一层数据;
(4) 对第一层图像数据进行DFB和LP逆变换,得到重构图像,至此解码过程结束。
本发明具有的优点和积极效果是:
采用本发明的基于Contourlet变换的压缩感知图像稀疏方法,相对于基于改进层式DCT的压缩感知编码仍具有多分辨力特性,且图像的压缩效果有显著改善。能有效地捕捉图像的纹理及轮廓细节信息。压缩率较高时对512×512测试图Lena压缩的信噪峰值比可提高4~8 dB。
附图说明
图1是Contourlet 变换LP和DFB分解示意图;
图2是Lena512.bmp图像两种算法重构图像PSNR比较;
图3是Peppers512.bmp图像两种算法重构图像PSNR比较;
图4是Barbara512.bmp图像两种算法重构图像PSNR比较。
具体实施方式
以下参照附图及实施例对本发明进行详细的说明。
本发明的基于Contourlet变换的压缩感知图像稀疏方法,对经过Contourlet变换的图像系数利用随机高斯矩阵进行观测,得到少量系数,根据这些少量系数,利用正交匹配追踪算法进行重构,再进行Contourlet逆变换得到重构图像。该方法处理图像时,所需数据量少,且恢复图像质量好,对纹理、轮廓等细节信息具有较好的保持能力。
编码包括如下步骤:
(1) 编码器读入原图像数据,对编码器第一层的输入数据即原图像,进行拉普拉斯(Laplacian Pyramid,LP)变换即进行多尺度分解,变换后图像分为低频部分与高频细节部分;
(2) 将高频细节部分利用方向滤波器组(Directional Filter Bank, DFB)根据设定的方向数进行多方向分解;
(3) 图像经LP分解后得到的低频部分作为第二层的输入数据;剩下的经过方向分解后的高频数据视为第一层数据输出;
(4) 对第二层的输入数据作相同变换,产生新的数据即第二层数据又作为第三层的输入数据,依次循环变换下去,直到满足要求的层数;
解码包括如下步骤:
(1) 利用OMP算法分别对测量后的高低频系数矩阵进行重构,并进行DFB与LP逆变换,得到次高层的低频系数。
(2) 解码器读入接收到的图像数据,对次高层的高频测量系数进行OMP重构,对重构后的系数进行DFB逆变换;
(3) 将变换后的系数与输入的低频系数一起进行LP逆变换得到更低一层的输入数据,依次循环下去,直到最低一层数据;
(4) 对第一层图像数据进行DFB和LP逆变换,得到重构图像,至此解码过程结束。
利用本发明提出的基于Contourlet变换的压缩感知图像稀疏方法以及基于改进层式DCT的CS算法分别对512×512测试图Lena、Peppers和Barbara进行三层压缩编码,实验结果如表1、表2、表3所示。基于Contourlet变换的CS与基于改进层式DCT的CS对512×512测试图Lena、Peppers和Barbara压缩效果比较曲线分别如图2、图3、图4所示。从这些图表中可以看出对压缩还原后的图像与原始图像的误差进行定量计算得到的结果,表中列出了两种编码方法得到的压缩还原图像的信噪峰值比和均方误差,图中列出了两种编码方法的信噪峰值比对比结果。
表1 两种算法对Lena512.bmp图像的处理结果对比
表2 两种算法对Peppers512.bmp图像的处理结果对比
表3 两种算法对Barbara512.bmp图像的处理结果对比
从表1、表2表3和图2、图3、图4中的数据,我们可以发现,在同等压缩比的情况下对图像进行压缩,基于Contourlet变换的CS算法比基于改进层式DCT的CS算法,PSNR高约4-8dB。由此,得出结论: Contourlet变换对于图像的细节信息具有更优的保持能力,对于图像信号的稀疏性能优于改进层式DCT。
Claims (1)
1.一种基于Contourlet变换的压缩感知图像稀疏方法,该方法对经过Contourlet变换的图像数据的高频部分再经过压缩感知方法处理,低频子带直接作为低频数据传输;在解码过程中做相应的逆变换得到复原图像;其特征在于,
编码过程包括如下步骤:
(1) 编码器读入原图像数据,对编码器第一层的输入数据即原图像,进行拉普拉斯(LP)变换即进行多尺度分解,变换后图像分为低频部分与高频细节部分;
(2) 将高频细节部分利用方向滤波器组(DFB)根据设定的方向数进行多方向分解;
(3) 图像经LP分解后得到的低频部分作为第二层的输入数据;剩下的经过方向分解后的高频数据视为第一层数据输出;
(4) 对第二层的输入数据作相同变换,产生新的数据即第二层数据又作为第三层的输入数据,依次循环变换下去,直到满足要求的层数;
解码过程包括如下步骤:
(1) 利用OMP算法分别对测量后的高低频系数矩阵进行重构,并进行DFB与LP逆变换,得到次高层的低频系数;
(2) 解码器读入接收到的图像数据,对次高层的高频测量系数进行OMP重构,对重构后的系数进行DFB逆变换;
(3) 将变换后的系数与输入的低频系数一起进行LP逆变换得到更低一层的输入数据,依次循环下去,直到最低一层数据;
(4) 对第一层图像数据进行DFB和LP逆变换,得到重构图像,至此解码过程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102656590A CN102833537A (zh) | 2012-07-30 | 2012-07-30 | 基于Contourlet变换的压缩感知图像稀疏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102656590A CN102833537A (zh) | 2012-07-30 | 2012-07-30 | 基于Contourlet变换的压缩感知图像稀疏方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102833537A true CN102833537A (zh) | 2012-12-19 |
Family
ID=47336477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102656590A Pending CN102833537A (zh) | 2012-07-30 | 2012-07-30 | 基于Contourlet变换的压缩感知图像稀疏方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102833537A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872549A (zh) * | 2016-05-16 | 2016-08-17 | 中国科学技术大学 | 基于块搜索和正交匹配追踪的视频变换编码方法 |
CN106600657A (zh) * | 2016-12-16 | 2017-04-26 | 重庆邮电大学 | 基于自适应Contourlet变换的图像压缩方法 |
CN109451314A (zh) * | 2018-04-23 | 2019-03-08 | 杭州电子科技大学 | 一种基于图模型的图像压缩感知方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101193285A (zh) * | 2006-11-22 | 2008-06-04 | 乐金电子(昆山)电脑有限公司 | 影像压缩编码及解码的方法和装置 |
-
2012
- 2012-07-30 CN CN2012102656590A patent/CN102833537A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101193285A (zh) * | 2006-11-22 | 2008-06-04 | 乐金电子(昆山)电脑有限公司 | 影像压缩编码及解码的方法和装置 |
Non-Patent Citations (2)
Title |
---|
MINH N. DO: "The Contourlet Transform: An Efficient Directional Multiresolution Image Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
尹晓慧: "基于改进层式DCT的压缩感知图像处理", 《计算机工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872549A (zh) * | 2016-05-16 | 2016-08-17 | 中国科学技术大学 | 基于块搜索和正交匹配追踪的视频变换编码方法 |
CN105872549B (zh) * | 2016-05-16 | 2018-08-03 | 中国科学技术大学 | 基于块搜索和正交匹配追踪的视频变换编码方法 |
CN106600657A (zh) * | 2016-12-16 | 2017-04-26 | 重庆邮电大学 | 基于自适应Contourlet变换的图像压缩方法 |
CN109451314A (zh) * | 2018-04-23 | 2019-03-08 | 杭州电子科技大学 | 一种基于图模型的图像压缩感知方法 |
CN109451314B (zh) * | 2018-04-23 | 2021-06-08 | 杭州电子科技大学 | 一种基于图模型的图像压缩感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN109816599A (zh) | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 | |
Kumar et al. | A review: DWT-DCT technique and arithmetic-Huffman coding based image compression | |
CN106612435A (zh) | 一种基于svd-dwt-dct的联合图像压缩方法 | |
CN105392014B (zh) | 一种优化的小波变换图像压缩方法 | |
CN102833537A (zh) | 基于Contourlet变换的压缩感知图像稀疏方法 | |
Joshua et al. | Comparison of DCT and DWT image compression | |
Sumalatha et al. | Hierarchical lossless image compression for telemedicine applications | |
CN102281443A (zh) | 基于优化的层式离散余弦变换的压缩感知图像处理方法 | |
CN107948644B (zh) | 一种水下图像压缩方法及传输方法 | |
Ramiz et al. | Hybrid technique for image enhancement | |
Emara et al. | Image compression using advanced optimization algorithms | |
Chinnarao et al. | Improved image de noising algorithm using dual tree complex wavelet transform | |
Lian et al. | Energy preserving QMF for image processing | |
CN110175965B (zh) | 基于自适应采样及平滑投影的分块压缩感知方法 | |
Saini et al. | Performance based analysis of wavelets family for image compression-a practical approach | |
Kumari et al. | Analysis of multi scale features of compressed medical images | |
Dumitrescu et al. | Image compression and noise reduction through algorithms in wavelet domain | |
CN103402043A (zh) | 一种大视场空间tdiccd相机的图像压缩装置 | |
Yang et al. | Low bit rate SAR image coding based on adaptive multiscale Bandelets and cooperative decision | |
Lei et al. | Research of image sparse algorithm based on compressed sensing | |
Du et al. | The application of wavelet-based contourlet transform on compressed sensing | |
Tang et al. | Visual Weighted SPECK Image Coding Based on WBCT | |
Gadha et al. | An image compression and classification method by reducing the blocking effect | |
Bi et al. | Digital watermarking based on interleaving extraction block compressed sensing in Contourlet domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121219 |