CN103475875A - 一种基于压缩感知的图像自适应测量方法 - Google Patents
一种基于压缩感知的图像自适应测量方法 Download PDFInfo
- Publication number
- CN103475875A CN103475875A CN2013102618184A CN201310261818A CN103475875A CN 103475875 A CN103475875 A CN 103475875A CN 2013102618184 A CN2013102618184 A CN 2013102618184A CN 201310261818 A CN201310261818 A CN 201310261818A CN 103475875 A CN103475875 A CN 103475875A
- Authority
- CN
- China
- Prior art keywords
- image
- piecemeal
- compressed sensing
- follows
- measurement
- 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
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于压缩感知的图像自适应测量方法。本方法的操作步骤如下:(1)对输入图像建立恰可辨失真阈值模型,(2)对不同图像区域,自适应采用不同的测量数目进行测量,(3)进行分块正交匹配追踪算法重建,(4)进行反离散余弦变换,生成图像。本发明对图像压缩感知中的测量过程进行了改进,改变了原有的对图像所有的区域进行单一数目测量的方式,而是根据人眼的视觉特性采取对图像不同区域自适应测量。在保证主观质量和客观质量保持不变的情况下,提高了图像的压缩效率。
Description
技术领域
本发明涉及压缩感知的图像压缩领域,特别是一种基于压缩感知的图像自适应测量方法,适用于提高图像的压缩效率。
背景技术
随着信息技术的飞跃发展,信息全球化已成为科技发展的必然趋势。在图像领域,人们对高清图像的要求十分迫切。一方面,为了得到高分辨率的图像,采用传统的不低于原信号带宽两倍的奈奎斯特采样定理对信号进行采样,给硬件设备都来非常大的负担。另一方面,实际应用中,为降低传输和存储成本,采用压缩形式,丢弃了大量非重要的数据信息。这种高采样率后再压缩数据,浪费了大量的采样数据。于是就引入了这样的问题:既然在压缩过程中已经丢弃了很多采样的数据,为什么不直接在采样时就直接采取少量的对我们有用的数据呢?如果能够解决这个问题,我们就能够极大的降低数据的采样频率,同时降低传输代价和数据传输空间。
2006年,Candes,Tao,Donoho等人正式提出压缩感知(Compressed Sensing,CS)理论,为这个问题提出了一种解决方案。CS理论与传统的先采样后压缩的信号获取方式不同,它是将高维的信号投影到一个低维空间,再利用重建算法把这些投射到低维空间的信号恢复出来。由于CS理论所需要的投影测量矩阵远小于传统采样方法所需要的数据,从而降低了数据采集编码端的压力,丰富了信号采样的理论,为相关领域的研究提供了全新的研究思维和方法。
CS理论极大的提高了对有用的数据量利用率,降低了采样数据量,所以在图像压缩中得到了广泛的应用,但是目前的基于CS的图像压缩忽略了人的主观特性。人眼对图像的不同部分的敏感程度不同,在CS中对不同部分采取不同的测量数量,能够进一步降低采样数据量,提高图像的压缩效率。
目前对人眼的主观特性研究最具代表性的是人眼恰可辨失真(Just Noticeable Distortion,JND)模型,在图像应用领域,它主要包含部分:亮度掩盖效应,纹理掩盖效应和空间灵敏度函数效应。
本发明专利申请首次提出将JND模型应用到基于CS图像的自适应测量的过程中,在保证主观质量和客观质量不变的情况下,进一步提高图像的压缩效率。
发明内容
本发明的目的是针对已有技术存在的缺陷,提供一种基于压缩感知的图像自适应测量方法,该方法运用JND模型对图像的不同区域采取不同的测量数目,对人眼不敏感的区域采用较少的测量值,对人眼敏感的区域采用较多的测量值,在保证重建图像主观质量和客观质量不变的情况下,极大提高了图像的压缩效率。
为达到上述目的,本发明采用如下的技术方案:
一种基于压缩感知中的图像自适应测量方法,其特征在于操作步骤如下:
(1) 对输入图像建立恰可辨失真阈值模型,
(2) 对不同图像区域,自适应采用不同的测量数目进行测量,
(3) 进行分块正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)重建,
(4) 进行反离散余弦变换,生成图像。
本发明的一种基于压缩感知中的图像自适应测量方法与已有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:本自适应测量方法在保证重建图像主观和客观质量不变的同时,提高了图像的压缩效率。
附图说明
图1是本发明中的一种基于压缩感知中的图像自适应测量方法的原理框图。
图2是图像的恰可辨失真阈值模型的框图。
图3是自适应采用不同的测量矩阵进行测量的框图。
图4是8×8分块的OMP算法重建框图。
图5是8×8分块的IDCT恢复图像的框图。
图6是固定测量数目和自适应测量数目下的图像PSNR值的结果。
图7是固定测量数目和自适应测量数目下的图像压缩比的结果。
图8是固定测量数目和自适应测量数目下的图像PSNR值的对比结果直方图。
图9是固定测量数目和自适应测量数目下的图像压缩比的对比结果直方图。
图10不同测量数目下图像重建后的效果图。
具体实施方式:
以下结合附图对本发明的优选实施例作进一步的详细说明:
实施例一:
本实施例一种基于压缩感知中的图像自适应测量方法,参见图1,包括以下步骤:
(1) 对输入图像建立恰可辨失真阈值模型,
(2) 对不同图像区域,自适应采用不同的测量数目进行测量,
(3) 进行分块正交匹配追踪算法重建,
(4) 进行反离散余弦变换,生成图像。
实施例二:本实施例与实施例一基本相同,特别之处如下:
上述步骤(1)中对输入图像建立恰可辨失真阈值模型,参见图2:
(1-1)空间对比灵敏度函数模型是根据人眼的带通特性曲线,对于特定空间频率 其基本的JND阈值可表示为:
由于人眼视觉敏感度对水平和垂直方向比较敏感,对其他方向的敏感度相对小些。加上方向的调制因子可得:
最后,空间灵敏度函数的调制因子表示为:
(1-2)亮度掩盖效应是根据人眼对图像不同亮度区域敏感性不同而建立的模型,其表达式为:
(1-3)纹理掩盖效应模型是根据图像纹理性的不同,将图像分为三个区域:边界区,平滑区和纹理区。人眼依次对其敏感度降低。通常利用canny算子对图像的不同区域进行分类。
首先,canny算子求出每个8×8分块的边缘像素密度如下:
对于纹理区域,眼睛对低频部分失真不敏感,但高频部分适当进行保留。故得到对比掩盖的估计因子为:
由于空间对比灵敏度函数效应和亮度效应的重叠效应,得到最终掩盖效应因子为:
(1-4)三种因子的加权乘积即构成当前8x8分块的恰可辨失真阈值,其表达式为:
上述步骤(2) 对不同图像区域,自适应采用不同的测量数目进行测量,参见图3,其具体步骤如下:
其中分别表示图像的宽度和高度。
(2-2)对当前8×8分块使用较多测量值。
(2-3)对当前8×8分块使用较少测量值。
上述步骤(3) 进行分块正交匹配追踪算法重建,参见图4,其具体步骤如下:
对每个8×8分块使用正交匹配算法进行重建。
上述步骤(4) 进行反离散余弦变换,参见图5,其具体步骤如下:
对每个8×8分块进行反离散余弦变换,最后还原出整幅图像。
下面进行大量仿真实验来评估本文所提出的一种基于压缩感知中的图像自适应测量方法的性能。在配置为Intel Pentium 4 CPU 3.00GHz, 512M Internal Memory, Intel 8254G Express Chipset Family, Windows XP Operation System的PC机上选取了多个纹理复杂度不同的测试图像,实验平台选用MATLAB。
图6列出了在固定测量数目和自适应测量数目的两种情况下,各测试图像重建后的PSNR值。图7列出了测试数目不同的情况下,图像的压缩比。两图中,A表示情况下测量矩阵的测量数目,B表示情况下的测量矩阵的测量数目。压缩比是压缩后的数据量和原有数据量的比值。由两图对比可以看出:当固定测量数目为5行时,所有图像的压缩比是62.5%;当自适应测量时如测量数目分别为(7,4)和(6,4)时,其图像的压缩比小于62.5%。而客观质量如Snow在测量数目为5时,重建后图像PSNR为24.27,采用自适应测量的(7,4)和(6,4)两种情况下,重建后的图像PSNR为25.47和25.10,远大于固定测量数目为5的情况。其他测试的几种图像也都表明:采用自适应测量方法,压缩比减小了(压缩效率提高),但客观质量PSNR却有了显著提升。
图8和图9给出了固定测量数目和自适应测量数目两种情况的重建图像PSNR值和压缩比的直方图。从中可以很清晰的看出,自适应测量数目(5,4)和(6,4)的恢复图像PSNR值和固定测量数目为5时的重建图像PSNR值几乎相等,但压缩比却下降多达10%。
图10分别给了Snow和Man108两个图像,在固定测量数目和自适应测量数目两种情况下重建图像的主观效果图对比。其中(a)(b)(c)(d)分别表示固定测量数目为6,自适应测量(6,5),固定测量数目5,自适应测量(5,4)的四种情况的主观重建图像效果图。采用了自适应测量方法不仅大大提高了图像压缩效率,而且由图中可以看出,主观效果几乎一致。
结合以上各图表可以看出,本发明通过JND模型自适应测量图像的不同区域,保持主客质量不变甚至更好的情况下,提高了图像的压缩效率。
Claims (5)
1.一种基于压缩感知的图像自适应测量方法,其特征在于操作步骤如下:
(1) 对输入图像建立恰可辨失真阈值模型,
(2) 对不同图像区域,自适应采用不同的测量数目进行测量,
(3) 进行分块正交匹配追踪算法重建,
(4) 进行反离散余弦变换,生成图像。
2.根据权利要求1所述的一种基于压缩感知的图像自适应测量方法,其特征在于步骤(1)对输入图像建立恰可辨失真阈值模型的操作步骤如下:
其中,为当前8x8分块的平均像素值;
4.根据权利要求1所述的一种基于压缩感知的图像自适应测量方法,其特征在于所述步骤(3) 进行分块正交匹配追踪算法重建的操作步骤如下:
对每个8×8分块分别进行正交匹配追踪算法的重建。
5.根据权利要求1所述的一种基于压缩感知的图像自适应测量方法,其特征在于所述步骤(4) 进行反离散余弦变换,生成图像的操作步骤如下:
对每个8×8分块分别进行反离散余弦变换,恢复出原图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310261818.4A CN103475875B (zh) | 2013-06-27 | 2013-06-27 | 一种基于压缩感知的图像自适应测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310261818.4A CN103475875B (zh) | 2013-06-27 | 2013-06-27 | 一种基于压缩感知的图像自适应测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103475875A true CN103475875A (zh) | 2013-12-25 |
CN103475875B CN103475875B (zh) | 2017-02-08 |
Family
ID=49800553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310261818.4A Active CN103475875B (zh) | 2013-06-27 | 2013-06-27 | 一种基于压缩感知的图像自适应测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103475875B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491391A (zh) * | 2014-09-15 | 2016-04-13 | 联想(北京)有限公司 | 一种图像压缩方法及电子设备 |
WO2017128632A1 (zh) * | 2016-01-27 | 2017-08-03 | 京东方科技集团股份有限公司 | 一种图像压缩方法、图像重构方法、装置及系统 |
CN108921807A (zh) * | 2018-08-15 | 2018-11-30 | 苏州蛟视智能科技有限公司 | 一种基于自适应滤波的压缩感知方法 |
CN111989915A (zh) * | 2018-04-02 | 2020-11-24 | 幻影人工智能公司 | 用于视觉推断的动态图像区域选择 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094845A1 (en) * | 2003-10-29 | 2005-05-05 | Lee Seon H. | Method for blindly embedding and extracting a watermark by using wavelet transform and an HVS model |
CN102420988A (zh) * | 2011-12-02 | 2012-04-18 | 上海大学 | 一种利用视觉特性的多视点视频编码系统 |
CN102572435A (zh) * | 2012-01-16 | 2012-07-11 | 中南民族大学 | 基于压缩采样的视频编解码系统及其方法 |
CN103124347A (zh) * | 2012-10-22 | 2013-05-29 | 上海大学 | 利用视觉感知特性指导多视点视频编码量化过程的方法 |
-
2013
- 2013-06-27 CN CN201310261818.4A patent/CN103475875B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094845A1 (en) * | 2003-10-29 | 2005-05-05 | Lee Seon H. | Method for blindly embedding and extracting a watermark by using wavelet transform and an HVS model |
CN102420988A (zh) * | 2011-12-02 | 2012-04-18 | 上海大学 | 一种利用视觉特性的多视点视频编码系统 |
CN102572435A (zh) * | 2012-01-16 | 2012-07-11 | 中南民族大学 | 基于压缩采样的视频编解码系统及其方法 |
CN103124347A (zh) * | 2012-10-22 | 2013-05-29 | 上海大学 | 利用视觉感知特性指导多视点视频编码量化过程的方法 |
Non-Patent Citations (1)
Title |
---|
宋允东等: "基于JND的压缩感知图像编码", 《电视技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491391A (zh) * | 2014-09-15 | 2016-04-13 | 联想(北京)有限公司 | 一种图像压缩方法及电子设备 |
WO2017128632A1 (zh) * | 2016-01-27 | 2017-08-03 | 京东方科技集团股份有限公司 | 一种图像压缩方法、图像重构方法、装置及系统 |
CN111989915A (zh) * | 2018-04-02 | 2020-11-24 | 幻影人工智能公司 | 用于视觉推断的动态图像区域选择 |
CN111989915B (zh) * | 2018-04-02 | 2022-06-24 | 幻影人工智能公司 | 用于图像中的环境的自动视觉推断的方法、介质、及系统 |
CN108921807A (zh) * | 2018-08-15 | 2018-11-30 | 苏州蛟视智能科技有限公司 | 一种基于自适应滤波的压缩感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103475875B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102034250B (zh) | 基于边缘结构信息的分块压缩感知重构方法 | |
CN105049851B (zh) | 基于色彩感知的通用无参考图像质量评价方法 | |
Pan et al. | Exposing image splicing with inconsistent local noise variances | |
CN103200421B (zh) | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 | |
CN105678700B (zh) | 基于预测梯度的图像插值方法及系统 | |
CN104219525B (zh) | 基于显著性和最小可察觉失真的感知视频编码方法 | |
CN107451956B (zh) | 一种编码孔径光谱成像系统的重构方法 | |
CN106530258A (zh) | 基于高阶全变分正则化的快速迭代磁共振图像重建方法 | |
CN105528776B (zh) | 针对jpeg图像格式的显著性细节保持的质量评价方法 | |
CN102523477B (zh) | 一种基于双目最小可辨失真模型的立体视频质量评价方法 | |
CN103475875A (zh) | 一种基于压缩感知的图像自适应测量方法 | |
CN104021523B (zh) | 一种基于边缘分类的图像超分辨率放大的方法 | |
CN102393966A (zh) | 基于多尺度显著图的自适应图像压缩采样方法 | |
CN112950596A (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
Dimauro | A new image quality metric based on human visual system | |
CN103686178A (zh) | 一种基于hvs的视频感兴趣区域提取方法 | |
CN107154061B (zh) | 一种分块压缩感知的正则化解码方法 | |
CN106530253B (zh) | 一种sar图像压缩感知重建样本的构建方法 | |
Toprak et al. | A new full-reference image quality metric based on just noticeable difference | |
CN105049835A (zh) | 感知立体图像质量的客观评价方法 | |
CN108416770B (zh) | 一种基于视觉显著性的图像质量评价方法 | |
CN104185022A (zh) | 基于视觉信息失真分解的全参考视频质量评估方法 | |
CN103186891A (zh) | 基于压缩感知的六边形图像重构方法 | |
US20140270567A1 (en) | Selective perceptual masking via scale separation in the spatial and temporal domains using intrinsic images for use in data compression | |
CN107592537B (zh) | 一种面向航拍图像集的自适应压缩采样分配方法 |
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 |