CN102917157A - 一种基于人体视觉系统的图片压缩系统及方法 - Google Patents

Abstract

本发明涉及一种基于人体视觉系统的图片压缩系统及方法，该系统包括系统控制器、图片再编码器和质量评价分析器，所述系统控制器用于控制图片处理的迭代过程，并根据质量评价分析器传来的图片的质量分值向图片再编码器发送图片的质量参数；所述图片再编码器根据系统控制器传来的图片的质量参数对图片进行压缩处理，并将压缩后的图片发送给质量评价分析器；所述质量评价分析器接收图片再编码器发来的图片，并对接收的图片进行质量评分，得出图片的质量分值，并将图片的质量分值发送给系统控制器；该方法计算复杂度低，能够显著减小图片的大小，且不改变图片的空间分辨率和视觉感知质量。

Description

一种基于人体视觉系统的图片压缩系统及方法

技术领域

本发明涉及一种图片压缩系统及方法，尤其涉及一种基于人体视觉系统的图片压缩系统及方法。

背景技术

近年来，随着移动终端的摄像头品质的提高，其拍摄的照片文件大小也显著增大，这为移动终端的存储能力带来了挑战。而当用户需要通过社交网络或者在线照片库与家人、朋友分享这些照片时，又为网络上行带宽带来了重大负担。同时，随着网站内容越来越丰富，网页也越来越大，平均大小已达到1M字节，其中60%以上都是图片内容。可以说，图片的大小严重影响着网页的加载速度。

存储容量和网络带宽的限制，以及移动数据成本的增加，使得移动终端拍摄的照片及网站提供的图片的文件压缩十分必要。这方面的需求也存在于数码相机市场，虽然这些相机的照片通常是被下载到电脑，然后通过固网上传，但是存储容量和数据成本仍然是问题所在。此外，许多用户在发送电子邮件时由于邮件大小的限制，只能够在每封邮件中发送少数的全分辨率照片。因此，压缩图片有着很大需求及广泛应用范围。

对图片进行下采样以降低空间分辨率，理论上可以显著减小图片文件大小。例如，当用户通过电子邮件发送多张照片时，Microsoft Windows操作系统提供了降低照片分辨率的选择。但这种方法的问题是，收件人不能享受完整的原始图片质量，不能在电脑屏幕上查看全尺寸的图片或创建高品质的印刷品。

另一个减少图片文件大小的方法是通过设置较低的质量参数，对图片进行重新压缩，如Adobe Photoshop软件或Pegasus JPEG Wizard软件。这种方法的缺点是需要人工干预，并不能自动处理大量图片。

另外，还出现了各种改进的JPEG压缩方法，希望减小图片文件的大小而不影响他们的空间分辨率和质量。例如，将每个8×8块的乘数乘以该块的量化矩阵，可以提供更好的图片压缩质量，但需要使用改进的非标准JPEG解码器。又例如，提出对于给定的感知误差求取最小比特率，或者对于给定的比特率求取最小感知误差，虽然这种方法可以减小图片文件大小，但其计算复杂度高，且不能保证压缩图片的视觉感知质量与原始图片相同。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于人体视觉系统的图片压缩方法及实现该方法的系统，用于实现不改变图片空间分辨率和视觉感知质量的情况下，能够显著减小图片的大小。

本发明解决上述技术问题的技术方案如下：一种基于人体视觉系统的图片压缩方法，具体步骤如下：

步骤1：选取几十万张图片，并对其属性进行分析得到经验数据，并根据经验数据生成质量参数查找表T-QF和迭代步长查找表T-ISL；

步骤2：根据原始图片的属性在质量查找表T-QF和迭代步长查找表T-ISL中查找相应信息，对原始图片的质量参数及质量参数的迭代步长进行初始化，得到初始质量参数和初始迭代步长；

步骤3：根据原始图片的初始质量参数对原始图片进行初步压缩，得到候选输出图片；

步骤4：对候选输出图片进行质量评分，得到候选输出图片的质量分值；

步骤5：判断候选输出图片的质量分值是否落在预设范围内，其中，预设范围根据原始图片的属性进行设定，如果是则进入步骤9，否则进入步骤6；

步骤6：根据候选输出图片的质量分值的变化调整迭代步长，进而根据调整后迭代步长调整质量参数；

步骤7：根据调整后的质量参数对原始图片进行再次压缩，得到另一候选输出图片；

步骤8：返回步骤4；

步骤9：停止迭代，输出此候选输出图片，此候选输出图片即为最终的压缩图片。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤3中对原始图片进行压缩的步骤如下：

步骤3.1：将原始图片解码至像素级；

步骤3.2：根据原始图片的初始质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

进一步，所述步骤7中对原始图片进行再压缩的步骤如下：

步骤7.1：将原始图片解码至像素级；

步骤7.2：根据调整后的质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

进一步，所述步骤37.2中对已解码的图片进行再编码采用JPEG编码。

进一步，所述步骤4中对候选输出图片进行质量评分的步骤如下：

步骤4.1：根据原始图片和候选输出图片的属性对原始图片和候选输出图片进行分割，得到各自的局部图片；

步骤4.2：将原始图片和候选输出图片的局部图片解码至像素级；

步骤4.3：计算候选输出图片的各局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S；

步骤4.4：将步骤4.3中所述的候选输出图片的局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S进行加权几何平均得到各局部图片的质量分值S，计算公式如下：

S=(S_P)^α·(S_E)^β·(S_T)^γ·(S_S)^λ

其中，α、β、γ、λ分别是S_P、S_E、S_T、S_S的权重,α、β、γ、λ的值分别为0.5、0.5、0.8、0.8；

步骤4.5：将候选输出图片的各局部图片的质量分值S进行加权几何平均，得到整个候选输出图片的质量分值S′。

S'=(S₁)^a·(S₂)^b·(S₃)^c……·

其中，S₁、S₂、S₃……分别是各局部图片的质量分值；a、b、c……分别是S₁、S₂、S₃……的权重，a、b、c……的值根据各局部图片的大小与整幅图片的大小的比值来确定。

进一步，所述步骤4.3计算各局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S的步骤如下：

步骤4.3.1：噪声点评价分值S_P的计算步骤如下：

步骤4.3.1(a):计算候选输出图片的各局部图片的峰值信噪比PSNR；

步骤4.3.1(b)：根据候选输出图片的各局部图片的峰值信噪比PSNR对局部图片的噪声点评价分值S_P进行限幅和放缩，使其处于0到1之间，计算公式如下：

$S_P=\min (\frac{\mathrm{PSNR}}{{\mathrm{THR}}_P},1)$

其中，THR_P为预先设定的峰值信噪比的阈值，THR_P的取值为65dB；

步骤4.3.2：边缘模糊评价分值S_E的计算步骤如下：

步骤4.3.2(a)：用原始图片的局部图片像素点的像素值减去候选输出图片的局部图片对应的像素点的像素值，得到差值图片;

步骤4.3.2(b)：对差值图片的每个码块进行扫描；

步骤4.3.2(c)：通过比较两码块边界处像素点的边界梯度，以及每个码块边界像素点与其内部相邻像素点间的局部梯度，来估计该像素点是否存在边缘模糊，判断条件如下；

$\frac{|\mathrm{Bi}\left(1\right)-\mathrm{Ai}\left(n\right)|}{\left(\right|\mathrm{Bi}\left(2\right)-\mathrm{Bi}\left(1\right)|+|\mathrm{Ai}\left(n\right)-\mathrm{Ai}(n-1)\left|\right)}>{\mathrm{THR}}_E$

其中，将两个相邻的等待判断是否存在边缘模糊的码块定义为第一码块和第二码块；Bi(1)为第二码块第i行或列的第一个素值，Ai(n)为第一码块第i行或列最后一个像素值,Bi(2)为第二码块第i行或列第二个像素值，Bi(1)为第二码块第i行或列第一个像素值，Ai(n)为第一码块第i行或列最后一个像素值，Ai(n-1)为第一码块第i行或列倒数第二个像素值;

其中，THR_E为预先设置的边缘模糊评价分值的阈值，THR_E的取值为1.5；

步骤4.3.2(d)：判断是否满足上述条件，如果是则该像素点的像素值为1，否则为0；

步骤4.3.2(e)：计算候选输出图片的局部图片的边缘模糊评价分值S_E，计算公式如下：

$S_E=1-\frac{1}{P\·Q}{\mathrm{\Σ}}_{p=0}^{P=1}{\mathrm{\Σ}}_{q=1}^{Q-1}\mathrm{AAEmap}(p,q)$

其中，P，Q为存在边缘模糊的局部图片的宽和高，AAEmap(p,q)为存在边缘模糊的局部图的p行q列处的像素点的像素值；

步骤4.3.3：纹理块模糊评价分值S_T的计算步骤如下：

步骤4.3.3(a):分别将原始图片和候选输出图片相对应的局部图片分成M*N大小的块；

步骤4.3.3(b):分别计算原始图片和候选输出图片相对应的局部图片的相对应的M*N大小的块的像素值的方差VAR_I和VAR_O；

步骤4.3.3(c):计算方差VAR_I和VAR_O的比值

步骤4.3.3(d):判断

是否满足下述公式，如果满足则该M*N大小的块的纹理块模糊评价分值取值为1，否则取值为0；

${\mathrm{THR}}_{T1}<\frac{{\mathrm{VAR}}_I}{{\mathrm{VAR}}_O}{<\mathrm{THR}}_{T2}$

其中，THR_T1、THR_T2的取值分别为0.78和15.3；

步骤4.3.3(e)：对局部图片中的各M*N大小的块的纹理块模糊评价分值取均值，得到候选输出图片的局部图片的纹理块模糊评价分值S_T；

步骤4.3.4：结构失真评价分值S_S的计算步骤如下：

步骤4.3.4(a):计算原始图片和候选输出图片对应的各局部图片的结构相似度值SSIM；

步骤4.3.4(b):将各局部图片的结构相似度值SSIM作为各局部图片的结构失真评价分值S_S。

进一步，所述步骤7中前两次压缩的迭代步长不调整，按照初始迭代步长调整质量参数，步骤3中对原始图片进行压缩和步骤7中对候选输出图片进行的两次压缩得到的压缩图片依次为一次压缩图片、二次压缩图片和三次压缩图片，其对应的质量分值分别为S₁、S₂和S₃，依次类推，第i次压缩的图片为i次压缩图片，其质量分值为S_i；

在第四次及以后的压缩之前，判断迭代步长的大小是否合适，判断条件如下：

$\frac{|S_i-S_{i-1}|}{|S_{i-1}-S_{i-1}|}>{\mathrm{THR}}_S$ (i≥3)

其中，THR_S为预先设定的阈值，THR_S的取值为3.5，若满足上述公式，则减小迭代步长。

本发明解决上述技术问题的技术方案如下：一种基于人体视觉系统的图片压缩系统，包括系统控制器、图片再编码器和质量评价分析器，

所述系统控制器用于控制图片处理的迭代过程，并根据质量评价分析器传来的图片的质量分值的变化调整迭代步长，进而调整质量参数，并向图片再编码器发送图片的质量参数；

所述图片再编码器根据系统控制器传来的图片的质量参数对图片进行压缩处理，并将压缩后的图片发送给质量评价分析器；

所述质量评价分析器接收图片再编码器发来的图片，并对接收的图片进行质量评分，得出图片的质量分值，并将图片的质量分值发送给系统控制器。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述系统控制器包括质量查找T-QF和迭代步长查找表T-ISL，所述质量查找表T-QF用于根据图片的属性查找图片的质量参数，所述迭代步长查找表T-ISL用于根据图片的属性查找质量参数的迭代步长。

进一步，所述质量查找表T-QF和迭代步长查找表T-ISL由对大量图片的属性进行分析得到的经验数据生成的。

进一步，所述图片的属性包括文件大小和文件分辨率。

进一步，所述图片再编码器包括图片解码器和图片编码器，所述图片解码器用于将输入到图片再编码器的图片解码至像素级，所述图片编码器用于将已解码的图片进行再编码。

进一步，所述图片编码器采用JPEG编码器。

进一步，所述质量评价分析器包括解码器和分析器，所处解码器用于将输入到质量评价分析器的图片解码至像素级，所述分析器用于对图片进行质量评分。

本发明的有益效果是：本发明通过对海量图片属性进行分析得到经验数据，利用经验数据生成查找表，进而对图片进行压缩，且对压缩后的图片进行质量评分，其质量分值是综合了多方面的指标获得的，进而根据质量分值的变化对迭代过程进行优化，实现了不改变图片空间分辨率和视觉感知质量的情况下，显著减小图片文件的大小，最多可以压缩掉75%的内容；且本发明产生的压缩图片为标准JPEG格式，能被任意软件、浏览器、消费终端浏览和编辑，对解码器没有任何特殊要求。

附图说明

图1为本发明所述一种基于人体视觉系统的图片压缩方法的流程图；

图2为所述步骤4中对候选输出图片进行质量评分的流程图；

图3为所述步骤4.3计算候选输出图片的局部图片的噪声点评价分值S_P的流程图；

图4为所述步骤4.3计算候选输出图片的局部图片的边缘模糊评价分值S_E的流程图；

图5为步骤4.3中局部图片中两个相邻码块的示意图；

图6为所述步骤4.3计算候选输出图片的局部图片的纹理块模糊评价分值S_T的流程图；

图7为所述步骤4.3计算候选输出图片的局部图片的结构失真评价分值S_S的流程图；

图8为实现图1所示方法的系统框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于人体视觉系统的图片压缩方法，具体步骤如下：

步骤1：选取几十万张图片，大约20万张，并对其属性进行分析得到经验数据，并根据经验数据生成质量参数查找表T-QF和迭代步长查找表T-ISL；

步骤2：根据原始图片的属性在质量查找表T-QF和迭代步长查找表T-ISL中查找相应信息，对原始图片的质量参数及质量参数的迭代步长进行初始化，得到初始质量参数和初始迭代步长；

步骤3：根据原始图片的初始质量参数对原始图片进行初步压缩，得到候选输出图片；

步骤4：对候选输出图片进行质量评分，得到候选输出图片的质量分值；

步骤5：判断候选输出图片的质量分值是否落在预设范围内，其中，预设范围根据原始图片的属性进行设定，如果是则进入步骤9，否则进入步骤6；

步骤6：根据候选输出图片的质量分值的变化调整迭代步长，进而根据调整后迭代步长调整质量参数；

步骤7：根据调整后的质量参数对原始图片进行再次压缩，得到另一候选输出图片；

步骤8：返回步骤4；

步骤9：停止迭代，输出此候选输出图片，此候选输出图片即为最终的压缩图片。

其中，质量参数越小，图片压缩程度越大，得到的压缩图片越小，压缩图片的质量越差，质量参数越大，图片压缩程度越小，得到的压缩图片越大，压缩图片的质量越好。

另外，所述步骤3中对原始图片进行压缩的步骤如下：

步骤3.1：将原始图片解码至像素级；

步骤3.2：根据原始图片的初始质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

所述步骤7中对原始图片进行再压缩的步骤如下：

步骤7.1：将原始图片解码至像素级；

步骤7.2：根据调整后的质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

所述步骤7中前两次压缩的迭代步长不调整，按照初始迭代步长调整质量参数，步骤3中对原始图片进行压缩和步骤7中对候选输出图片进行的两次压缩得到的压缩图片依次为一次压缩图片、二次压缩图片和三次压缩图片，其对应的质量分值分别为S₁、S₂和S₃，依次类推，第i次压缩的图片为i次压缩图片，其质量分值为S_i；

在第四次及以后的压缩之前，判断迭代步长的大小是否合适，判断条件如下：

$\frac{|S_i-S_{i-1}|}{|S_{i-1}-S_{i-1}|}>{\mathrm{THR}}_S$ (i≥3)

其中，THR_S为预先设定的阈值，THR_S的取值为3.5，若满足上述公式，则减小迭代步长。

如图2所示，所述步骤4中对候选输出图片进行质量评分的步骤如下：

步骤4.1：根据原始图片和候选输出图片的属性对原始图片和候选输出图片进行分割，得到各自的局部图片；

步骤4.2：将原始图片和候选输出图片的局部图片解码至像素级；

步骤4.3：计算候选输出图片的各局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S；

步骤4.4：将步骤4.3中所述的候选输出图片的局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_s进行加权几何平均得到各局部图片的质量分值S，计算公式如下：

S=(S_P)^α·(S_E)^β·(S_T)^γ·(S_S)^λ

其中，α、β、γ、λ分别是S_P、S_E、S_T、S_S的权重,α、β、γ、λ的值分别为0.5、0.5、0.8、0.8；

步骤4.5：将候选输出图片的各局部图片的质量分值S进行加权几何平均，得到整个候选输出图片的质量分值S′。

S'=(S₁)^a·(S₂)^b·(S₃)^c……·

其中，S₁、S₂、S₃……分别是各局部图片的质量分值；a、b、c……分别是S₁、S₂、S₃……的权重，a、b、c……的值根据各局部图片的大小与整幅图片的大小的比值来确定。

如图3所示，所述步骤4.3中计算各局部图片的噪声点评价分值S_P的步骤如下：

步骤4.3.1(a):计算候选输出图片的各局部图片的峰值信噪比PSNR；

步骤4.3.1(b)：根据候选输出图片的各局部图片的峰值信噪比PSNR对局部图片的噪声点评价分值S_P进行限幅和放缩，使其处于0到1之间，计算公式如下：

$S_P=\min (\frac{\mathrm{PSNR}}{{\mathrm{THR}}_P},1)$

其中，THR_P为预先设定的峰值信噪比的阈值，THR_P的取值为65dB；

如图4所示，所述步骤4.3中计算各局部图片的边缘模糊评价分值S_E的步骤如下：

步骤4.3.2(a)：用原始图片的局部图片像素点的像素值减去候选输出图片的局部图片对应的像素点的像素值，得到差值图片;

步骤4.3.2(b)：对差值图片的每个码块进行扫描；

步骤4.3.2(c)：通过比较两码块边界处像素点的边界梯度，以及每个码块边界像素点与其内部相邻像素点间的局部梯度，来估计该像素点是否存在边缘模糊，判断条件如下；

$\frac{|\mathrm{Bi}\left(1\right)-\mathrm{Ai}\left(n\right)|}{\left(\right|\mathrm{Bi}\left(2\right)-\mathrm{Bi}\left(1\right)|+|\mathrm{Ai}\left(n\right)-\mathrm{Ai}(n-1)\left|\right)}>{\mathrm{THR}}_E$

其中，将两个相邻的等待判断是否存在边缘模糊的码块定义为第一码块和第二码块；Bi(1)为第二码块第i行或列的第一个像素值，Ai(n)为第一码块第i行或列最后一个像素值,Bi(2)为第二码块第i行或列第二个像素值，Bi(1)为第二码块第i行或列第一个像素值，Ai(n)为第一码块第i行或列最后一个像素值，Ai(n-1)为第一码块第i行或列倒数第二个像素值;

其中，THR_E为预先设置的边缘模糊评价分值的阈值，THR_E的取值为1.5；

步骤4.3.2(d)：判断是否满足上述条件，如果是则该像素点的像素值为1，否则为0；

步骤4.3.2(e)：计算候选输出图片的局部图片的边缘模糊评价分值S_E，计算公式如下：

$S_E=1-\frac{1}{P\&CenterDot;Q}{\mathrm{\&Sigma;}}_{p=0}^{P=1}{\mathrm{\&Sigma;}}_{q=1}^{Q-1}\mathrm{AAEmap}(p,q)$

其中，P，Q为存在边缘模糊的局部图片的宽和高，AAEmap(p,q)为存在边缘模糊的局部图的p行q列处的像素点的像素值。

图5为两个相邻码块的示意图，现已两个横向相邻的码块为例进行进一步说明,码块A和码块B相邻，考虑A、B相邻处各像素点是否存在边缘模糊，首先看第一行相邻处A18和B11两个像素点是否存在边缘模糊，根据如下公式判断

$\frac{|B11-A18|}{\left(\right|B12-B11|+|A18-A17\left|\right)}>{\mathrm{THR}}_E$

若满足上述公式，则A18和B11两个像素点存在边缘模糊，这两个像素点的像素值为1，如不满足则这两个像素点的像素值为0。

码块相邻处其他的像素点也按上述方法判断其像素值，码块内部像素点不存在边缘模糊，所以像素值均为0。

如图6为所示，所述步骤4.3中计算各局部图片的纹理块模糊评价分值S_T的步骤如下：

步骤4.3.3(a):分别将原始图片和候选输出图片相对应的局部图片分成M*N大小的块；

步骤4.3.3(b):分别计算原始图片和候选输出图片相对应的局部图片的相对应的M*N大小的块的像素值的方差VAR_I和VAR_O；

步骤4.3.3(c):计算方差VAR_I和VAR_O的比值

步骤4.3.3(d):判断

是否满足下述公式，如果满足则该M*N大小的块的纹理块模糊评价分值取值为1，否则取值为0；

${\mathrm{THR}}_{T1}<\frac{{\mathrm{VAR}}_I}{{\mathrm{VAR}}_O}<{\mathrm{THR}}_{T2}$

其中，THR_T1、THR_T2的取值分别为0.78和15.3；

步骤4.3.3(e)：对局部图片中的各M*N大小的块的纹理块模糊评价分值取均值，得到候选输出图片的局部图片的纹理块模糊评价分值S_T；

如图7所示，述步骤4.3中计算各局部图片的结构失真评价分值S_S的步

骤如下：

步骤4.3.4(a):计算原始图片和候选输出图片对应的各局部图片的结构相似度值SSIM；

步骤4.3.4(b):将各局部图片的结构相似度值SS IM作为各局部图片的结构失真评价分值S_S。

如图8所示，一种基于人体视觉系统的图片压缩系统，包括系统控制器、图片再编码器和质量评价分析器，

所述系统控制器用于控制图片处理的迭代过程，并根据质量评价分析器传来的图片的质量分值的变化调整迭代步长，进而调整质量参数，并向图片再编码器发送图片的质量参数；

所述图片再编码器根据系统控制器传来的图片的质量参数对图片进行压缩处理，并将压缩后的图片发送给质量评价分析器；

所述质量评价分析器接收图片再编码器发来的图片，并对接收的图片进行质量评分，得出图片的质量分值，并将图片的质量分值发送给系统控制器。

其中，所述系统控制器包括质量查找T-QF和迭代步长查找表T-ISL，所述质量查找表T-QF用于根据图片的属性查找图片的质量参数，所述迭代步长查找表T-ISL用于根据图片的属性查找质量参数的迭代步长。

其中，所述质量查找表T-QF和迭代步长查找表T-ISL由对大量图片的属性进行分析得到的经验数据生成的。

其中，所述图片的属性包括文件大小和文件分辨率。

其中，所述图片再编码器包括图片解码器和图片编码器，所述图片解码器用于将输入到图片再编码器的图片解码至像素级，所述图片编码器用于将已解码的图片进行再编码。

其中，所述图片编码器采用JPEG编码器。

其中，所述质量评价分析器包括解码器和分析器，所处解码器用于将输入到质量评价分析器的图片解码至像素级，所述分析器用于对图片进行质量评分。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种基于人体视觉系统的图片压缩方法，其特征在于，具体步骤如下：

步骤1：选取几十万张图片，并对其属性进行分析得到经验数据，并根据经验数据生成质量参数查找表T-QF和迭代步长查找表T-ISL；

步骤2：根据原始图片的属性在质量查找表T-QF和迭代步长查找表T-ISL中查找相应信息，对原始图片的质量参数及质量参数的迭代步长进行初始化，得到初始质量参数和初始迭代步长；

步骤3：根据原始图片的初始质量参数对原始图片进行初步压缩，得到候选输出图片；

步骤4：对候选输出图片进行质量评分，得到候选输出图片的质量分值；

步骤5：判断候选输出图片的质量分值是否落在预设范围内，其中，预设范围根据原始图片的属性进行设定，如果是则进入步骤9，否则进入步骤6；

步骤6：根据候选输出图片的质量分值的变化调整迭代步长，进而根据调整后迭代步长调整质量参数；

步骤7：根据调整后的质量参数对原始图片进行再次压缩，得到另一候选输出图片；

步骤8：返回步骤4；

步骤9：停止迭代，输出此候选输出图片，此候选输出图片即为最终的压缩图片。

2.根据权利要求1所述一种基于人体视觉系统的图片压缩方法，其特征在于，所述步骤3中对原始图片进行压缩的步骤如下：

步骤3.1：将原始图片解码至像素级；

步骤3.2：根据原始图片的初始质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

3.根据权利要求1所述一种基于人体视觉系统的图片压缩方法，其特征在于，所述步骤7中对原始图片进行再压缩的步骤如下：

步骤7.1：将原始图片解码至像素级；

步骤7.2：根据调整后的质量参数对已解码的原始图片进行相应程度的JPEG再压缩。

4.根据权利要求1所述一种基于人体视觉系统的图片压缩方法，其特征在于，所述步骤4中对候选输出图片进行质量评分的步骤如下：

步骤4.1：根据原始图片和候选输出图片的属性对原始图片和候选输出图片进行分割，得到各自的局部图片；

步骤4.2：将原始图片和候选输出图片的局部图片解码至像素级；

步骤4.3：计算候选输出图片的各局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S；

步骤4.4：将步骤4.3中所述的候选输出图片的局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S进行加权几何平均得到各局部图片的质量分值S，计算公式如下：

S=(S_P)^α·(S_E)^β·(S_T)^γ·(S_S)^λ

其中，α、β、γ、λ分别是S_P、S_E、S_T、S_S的权重,α、β、γ、λ的值分别为0.5、0.5、0.8、0.8；

步骤4.5：将候选输出图片的各局部图片的质量分值S进行加权几何平均，得到整个候选输出图片的质量分值S′。

S'=(S₁)^a·(S₂)^b·(S₃)^c……·

其中，S₁、S₂、S3……分别是各局部图片的质量分值；a、b、c……分别是S₁、S₂、S₃……的权重，a、b、c……的值根据各局部图片的大小与整幅图片的大小的比值来确定。

5.根据权利要求4所述一种基于人体视觉系统的图片压缩方法，其特征在于，所述步骤4.3计算各局部图片的噪声点评价分值S_P、边缘模糊评价分值S_E、纹理块模糊评价分值S_T和结构失真评价分值S_S的步骤如下：

步骤4.3.1：噪声点评价分值S_P的计算步骤如下：

步骤4.3.1(a):计算候选输出图片的局部图片的峰值信噪比PSNR；

步骤4.3.1(b)：根据候选输出图片的局部图片的峰值信噪比PSNR对局部图片的噪声点评价分值S_P进行限幅和放缩，使其处于0到1之间，计算公式如下：

$S_P=\min (\frac{\mathrm{PSNR}}{{\mathrm{THR}}_P},1)$

其中，THR_P为预先设定的峰值信噪比的阈值，THR_P的取值为65dB；

步骤4.3.2：边缘模糊评价分值S_E的计算步骤如下：

步骤4.3.2(a)：用原始图片的局部图片像素点的像素值减去候选输出图片的局部图片对应的像素点的像素值，得到差值图片;

步骤4.3.2(b)：对差值图片的每个码块进行扫描；

步骤4.3.2(c)：通过比较两码块边界处像素点的边界梯度，以及每个码块边界像素点与其内部相邻像素点间的局部梯度，来估计该像素点是否存在边缘模糊，判断条件如下；

$\frac{|\mathrm{Bi}\left(1\right)-\mathrm{Ai}\left(n\right)|}{\left(\right|\mathrm{Bi}\left(2\right)-\mathrm{Bi}\left(1\right)|+|\mathrm{Ai}\left(n\right)-\mathrm{Ai}(n-1)\left|\right)}>{\mathrm{THR}}_E$

其中，将两个相邻的等待判断是否存在边缘模糊的码块定义为第一码块和第二码块；Bi(1)为第二码块第i行或列的第一个像素值，Ai(n)为第一码块第i行或列最后一个像素值,Bi(2)为第二码块第i行或列第二个像素值，Bi(1)为第二码块第i行或列第一个像素值，Ai(n)为第一码块第i行或列最后一个像素值，Ai(n-1)为第一码块第i行或列倒数第二个像素值;

其中，THR_E为预先设置的边缘模糊评价分值的阈值，THR_E的取值为1.5；

步骤4.3.2(d)：判断是否满足上述条件，如果是则该像素点的像素值为1，否则为0；

步骤4.3.2(e)：计算候选输出图片的局部图片的边缘模糊评价分值S_E，计算公式如下：

$S_E=1-\frac{1}{P\&CenterDot;Q}{\mathrm{\&Sigma;}}_{p=0}^{P=1}{\mathrm{\&Sigma;}}_{q=0}^{Q=1}\mathrm{AAEmap}(p,q)$

其中，P，Q为存在边缘模糊的局部图片的宽和高，AAEmap(p,q)为存在边缘模糊的局部图的p行q列处的像素点的像素值；

步骤4.3.3：纹理块模糊评价分值S_T的计算步骤如下：

步骤4.3.3(a):分别将原始图片和候选输出图片相对应的局部图片分成若干个M*N大小的块；

步骤4.3.3(b):分别计算原始图片和候选输出图片相对应的局部图片的相对应的M*N大小的块的像素值的方差VAR_I和VAR_O；

步骤4.3.3(c):计算方差VAR_I和VAR_O的比值

步骤4.3.3(d):判断是否满足下述公式，如果满足则该M*N大小的块的纹理块模糊评价分值取值为1，否则取值为0；

${\mathrm{THR}}_{T1}<\frac{{\mathrm{VAR}}_I}{{\mathrm{VAR}}_O}<{\mathrm{THR}}_{T2}$

其中，THR_T1、THR_T2的取值分别为0.78和15.3；

步骤4.3.3(e)：对候选输出图片的局部图片中的各M*N大小的块的纹理块模糊评价分值取均值，得到候选输出图片的局部图片的纹理块模糊评价分值S_T；

步骤4.3.4：结构失真评价分值S_S的计算步骤如下：

步骤4.3.4(a):计算原始图片和候选输出图片对应的各局部图片的结构相似度值SSIM；

步骤4.3.4(b):将各局部图片的结构相似度值SS IM作为各局部图片的结构失真评价分值S_S。

6.根据权利要求1所述一种基于人体视觉系统的图片压缩方法，其特征在于，所述步骤7中前两次压缩的迭代步长不调整，按照初始迭代步长调整质量参数，步骤3中对原始图片进行压缩和步骤7中对候选输出图片进行的两次压缩得到的压缩图片依次为一次压缩图片、二次压缩图片和三次压缩图片，其对应的质量分值分别为S₁、S₂和S₃，依次类推，第i次压缩的图片为i次压缩图片，其质量分值为S_i；

在第四次及以后的压缩之前，判断迭代步长的大小是否合适，判断条件如下：

$\frac{|S_i-S_{i-1}|}{|S_{i-1}-S_{i-2}|}>{\mathrm{THR}}_S$ (i≥3)

其中，THR_S为预先设定的阈值，THR_S的取值为3.5，若满足上述公式，则减小迭代步长。

7.一种实现权利要求1所述图片压缩方法的图片压缩系统，其特征在于，包括系统控制器、图片再编码器和质量评价分析器，

所述系统控制器用于控制图片处理的迭代过程，并根据质量评价分析器传来的图片的质量分值的变化调整迭代步长，进而调整质量参数，并向图片再编码器发送图片的质量参数；

所述图片再编码器根据系统控制器传来的图片的质量参数对图片进行压缩处理，并将压缩后的图片发送给质量评价分析器；

所述质量评价分析器接收图片再编码器发来的图片，并对接收的图片进行质量评分，得出图片的质量分值，并将图片的质量分值发送给系统控制器。

8.根据权利要求7所述的图片压缩系统，其特征在于，所述系统控制器包括质量查找T-QF和迭代步长查找表T-ISL，所述质量查找表T-QF用于根据图片的属性查找图片的质量参数，所述迭代步长查找表T-ISL用于根据图片的属性查找质量参数的迭代步长。

9.根据权利要求8所述的图片压缩系统，其特征在于，所述质量查找表T-QF和迭代步长查找表T-ISL由对大量图片的属性进行分析得到的经验数据生成的。

10.根据权利要求8或9所述的图片压缩系统，其特征在于，所述图片的属性包括文件大小和文件分辨率。

11.根据权利要求7所述的图片压缩系统，其特征在于，所述图片再编码器包括图片解码器和图片编码器，所述图片解码器用于将输入到图片再编码器的图片解码至像素级，所述图片编码器用于将已解码的图片进行再编码。

12.根据权利要求11所述的图片压缩系统，其特征在于，所述图片编码器采用JPEG编码器。

13.根据权利要求7所述的图片压缩系统，其特征在于，所述质量评价分析器包括解码器和分析器，所处解码器用于将输入到质量评价分析器的图片解码至像素级，所述分析器用于对图片进行质量评分。

Images