CN104427349A - 一种Bayer图像压缩方法 - Google Patents

Abstract

本发明公开了一种Bayer图像压缩方法，涉及图像处理技术领域，主要包括步骤，包括如下步骤：S1、将Bayer图像的RGB颜色空间变换到新的颜色空间Bayer-YCgCo，以消除RGB颜色空间的相关性；S2、分别对所述Bayer-YCgCo颜色空间的各个分量矩阵进行正交变换，得到频率系数矩阵，对所述频率系数矩阵进行量化处理；S3、对量化后的频率系数矩阵进行重新编排，转化为一维向量，对所述一维向量进行熵编码后转化为帧数据，并发送；S4、接收帧数据，进行反量化以及反变换，重构图像。本发明所记载的图像压缩方法，能够提供较高的图像压缩比，降低运算复杂度，硬件功耗小，同时又能提高还原图像的主观质量，方便查阅。

Description

一种Bayer图像压缩方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种Bayer图像压缩方法。

背景技术

无线内窥镜系统是用于在生物体腔内采集图像的重要系统，它的出现不仅给胃肠道的检查带来了极大方便，同时还消除了接受检查的患者的痛苦，并且可以检查常规内窥镜检查的无法检查的盲区小肠部位。

在无线内窥镜系统中，图像压缩技术可以有效地提高系统的性能瓶颈，例如，提高图像采集的帧率以及降低体内系统的功耗等等。现有的应用于图像压缩的技术主要包括以下两类：一是无损/准无损图像压缩，该类图像压缩方法能够提供较高的还原图像质量，但其压缩比较低；二是基于分块变换、量化以及熵编码的有损图像压缩方法，该类图像压缩方法可提供较高的图像压缩比，虽然一定程度上提高了图像压缩比，但是提高了体内系统的运算复杂度，与此同时，在压缩比较高的情况下，还原图像引入了块效应，降低了还原图像的主观质量。

同时，由于内窥镜所采集的图像在RGB颜色空间中R、G、B颜色分量互相之间相关性很高，所以直接在RGB颜色空间进行颜色空间进行压缩和编码是效率较低的，转换到图像处理中常用的YCbCr空间需要对每个像素进行浮点运算，颜色空间转换公式如下：

$\left[\begin{array}{c}Y\\ C_b\\ C_r\end{array}\right]=\left[\begin{array}{ccc}0.257& 0.564& 0.098\\ -0.148& -0.291& 0.439\\ 0.439& -0.368& -0.071\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]+\left[\begin{array}{c}16\\ 128\\ 128\end{array}\right]$

对于要求低计算复杂度、低功耗的胶囊内窥镜来说这种浮点运算是致命的，而且由于内窥镜采集的为Bayer格式图像，需要插值成全彩才能进行颜色空间变换。

综上所述，一种既能够提供较高的图像压缩比，又能够提高还原图像的主观质量的，基于合适颜色空间的图像压缩方法是亟待提供的。

发明内容

（一）要解决的技术问题

本发明所要解决的技术问题是：如何提供一种Bayer图像压缩方法，以克服现有技术不能以较小的计算复杂度同时获得较高的压缩比以及较好的还原图像质量的问题。

（二）技术方案

为了解决上述技术问题，本发明提供了一种Bayer图像压缩方法，包括如下步骤：

S1、将Bayer图像的RGB颜色空间变换到新的颜色空间，以消除RGB颜色空间的相关性，记新的颜色空间为Bayer-YCgCo颜色空间；

S2、分别对所述Bayer-YCgCo颜色空间的各个分量矩阵进行正交变换，得到频率系数矩阵，对所述频率系数矩阵进行量化处理；

S3、对量化后的频率系数矩阵进行重新编排，转化为一维向量，对所述一维向量进行熵编码后转化为帧数据，并发送；

S4、接收帧数据，进行反量化以及反变换，重构图像。

进一步地，所述步骤S1具体包括：

S11、对Bayer图像进行扩展，使其行数为8或16的倍数且列数也为8或16的倍数；

S12、对扩展后的Bayer图像进行三色分离，将其分解为四个分量矩阵：

R(m,n)＝S(2m-1,2n-1)

G₁(m,n)＝S(2m-1,2n)

G₂(m,n)＝S(2m,2n-1)

B(m,n)＝S(2m,2n)

其中S表示原Bayer图像矩阵，R表示红色分量矩阵，G₁表示奇数行偶数列的绿色分量矩阵，G₂表示偶数行奇数列的绿色分量矩阵，B表示蓝色分量矩阵；

S13、对四个分量矩阵进行如下矩阵运算，

$Y=\frac{R+G_1+G_2+B}{4}$

$C_{g1}=\frac{1}{2}(G_1-\frac{R+B}{2})+128$

$C_{g2}=\frac{1}{2}(G_2-\frac{R+B}{2})+128$

$C_o=\frac{1}{2}(R-B)+128$

获得四个新的分量矩阵Y、C_g1、C_g2、C_o，从而将RGB颜色空间变换到Bayer-YCgCo颜色空间。

采用Bayer-YCgCo颜色空间去除了RGB颜色空间的相关度，能够大大提高压缩比率。

进一步地，所述步骤S2具体包括：

S21、将Y、C_g1、C_g2、C_o分量矩阵中的每一个分割成多个维数相同的单元方阵；

S22、对每一个单元方阵进行正交变换，得到该单元方阵的频率系数矩阵Ｆ，正交变换公式为：

F＝MIM^T

其中，I为一个单元方阵，Ｍ为变换矩阵，M^T为Ｍ的转置矩阵；

S23、对上述步骤得到的每个频率系数矩阵进行量化处理：

F_Q＝F⊙Q

得到量化后的频率系数矩阵F_Q，其中⊙表示矩阵对应位置元素相除，Q表示量化表矩阵，Q的维数与F相同。

进一步地，所述正交变换为离散余弦变换或者整数变换。

进一步地，步骤S3中所述对量化后的频率系数矩阵进行重新编排具体为：

对量化后的频率系数矩阵中的所有元素按照Zig-Zag规则重新排列成一维向量形式。

优选地，步骤S3所述的熵编码为算术编码或者哈夫曼编码。

进一步地，所述步骤S4具体包括：

S41、接收到步骤S3发送的帧数据之后，对所述帧数据进行解码，重构量化后的频率系数矩阵F′_Q；

S42、对F′_Q进行与步骤S2中的量化对应的反量化，恢复频率系数矩阵F′，对F′进行反正交变换恢复单元方阵，对单元方阵进行组合得到Bayer-YCgCo空间的各个分量矩阵；

S43、进行颜色空间反变换，将重建的Bayer-YCgCo空间的各个分量矩阵反变换回RGB空间，重构图像。

（三）有益效果

上述技术方案有如下优点：

本发明所记载的技术方案通过将Bayer图像的RGB颜色空间变换到Bayer-YCgCo空间，再进行正交变换、量化处理、熵编码等步骤，消除了RGB颜色空间的相关性，能够大大提高压缩比例，计算复杂度低，硬件功耗小，解压的图片还原质量好。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明实施例的一种Bayer图像压缩方法的流程示意图；

图2是Bayer格式图像各个像素点颜色示意图；

图3是本发明实施例扩展后的8×8Bayer格式图片示意图；和提取出的四个颜色空间分量矩阵的示意图；

图4是从图3中提取出的RGB颜色空间四个分量矩阵的示意图；

图5是本发明实施例所使用的Zig-Zag扫描规则示意图。

具体实施方式

下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例给出了本发明提出的一种Bayer图像压缩方法的具体实施方式，主要包括以下步骤：

步骤S1、将Bayer图像的RGB颜色空间变换到新的颜色空间，以消除RGB颜色空间的相关性，记新的颜色空间为Bayer-YCgCo颜色空间。

具体地，本步骤主要包括：

S11、对Bayer图像进行扩展，使其行数为8或16的倍数且列数也为8或16的倍数。这样在下面的步骤中，得到颜色空间的各个分量矩阵后，可以根据图像规模的大小将其分割成4×4或者8×8的单元方阵。

对于行或者列不是8或者16倍数的，可以增加全零行或者全零列进行补齐，也可以取与原Bayer图像最后一行像素点值相同的行来补齐行数或者取与原Bayer图像最后一列像素点值相同的列来补齐列数，其目的是尽量降低由于补齐对图像所带来的高频分量。值得注意的是，本领域的普通技术人员应当明白，其他补齐方式只要能保证图像压缩后的恢复质量，也应该理解为属于本发明的保护范围。

S12、对扩展后的Bayer图像进行三色分离，将其分解为四个分量矩阵。

如图2所示，由Bayer格式图像的特性可知，红色像素样本点位于Bayer图像的奇数行奇数列，占总样本点的1/4，绿色像素样本点位于奇数行偶数列和偶数行奇数列，占总样本点的1/2，蓝色像素样本点位于偶数行偶数列，占总样本点1/4。基于该特性，设所述扩展后的Bayer图像矩阵为S，则将颜色按照红色像素点、奇数行偶数列绿色像素点、偶数行奇数列绿色像素点、蓝色像素点分类，分别置于四个矩阵R、G₁、G₂和B中。图3和图4以尺寸为8×8的图片为例，展示了各个颜色分量矩阵的获得过程。对于包含m行n列元素的Bayer矩阵来说，按照公式组(1)进行分类：

R(m,n)＝S(2m-1,2n-1)

G₁(m,n)＝S(2m-1,2n)                   (1)

G₂(m,n)＝S(2m,2n-1)

B(m,n)＝S(2m,2n)

其中R表示红色分量矩阵，G₁表示奇数行偶数列的绿色分量矩阵，G₂表示偶数行奇数列的绿色分量矩阵，B表示蓝色分量矩阵。这四个颜色分量矩阵的行数和列数均相同，且行数和列数均为扩展后的Bayer图像的二分之一。

S13、对上述步骤得到的四个分量矩阵进行如下矩阵运算：

$Y=\frac{R+G_1+G_2+B}{4}$

$C_{g1}=\frac{1}{2}(G_1-\frac{R+B}{2})+128$

$C_{g2}=\frac{1}{2}(G_2-\frac{R+B}{2})+128$

$C_o=\frac{1}{2}(R-B)+128$

获得四个新的分量矩阵Y、C_g1、C_g2、C_o，四个新的分量矩阵与原分量矩阵的行数和列数完全相同。Y、C_g1、C_g2、C_o四个矩阵代表着新颜色空间的四个分量，新颜色空间命名为Bayer-YCgCo空间。

采用Bayer-YCgCo颜色空间能够去除RGB颜色空间的相关度，大大提高压缩比率。

步骤S2、分别对所述Bayer-YCgCo颜色空间的各个分量矩阵进行正交变换，得到频率系数矩阵，对所述频率系数矩阵进行量化处理。

具体步骤如下：

S21、将上述步骤得到的Y、C_g1、C_g2、C_o分量矩阵中的每一个分割成多个维数相同的单元方阵。

在步骤S11的基础上，扩展后的Bayer图像的行和/或列为8的奇数倍时，颜色空间的各个分量矩阵只能被分割成4×4的单元方阵，当扩展后的Bayer图像的行和列均为16的倍数（即8的偶数倍）时，颜色空间的各个分量矩阵既能被分割成4×4的单元方阵也能被分割成8×8的单元矩阵。分割的方法可以是从矩阵的左上角开始从左到右，从上到下的顺序分割。

下面步骤以Y、C_g1、C_g2、C_o分量矩阵中的每一个都分割成多个4×4的单元方阵为例。

S22、对每一个单元方阵进行正交变换，得到该单元方阵的频率系数矩阵Ｆ，正交变换公式为：

F＝MIM^T

其中，I为一个单元方阵，Ｍ为变换矩阵，M^T为Ｍ的转置矩阵。

正交变换目的是去除矩阵I内相邻值间的相关性，一般可将空域变量变换到频域，比如离散余弦变换，使得单元方阵中代表各个空间位置幅度值的元素变换为代表不同频率分量。也就是说，单元方阵I的各个元素代表空间位置幅度值，而正交变换后得到的矩阵F，其各个元素代表频率分量，并且对于F(m,n)，m与n越大代表越高的频率成分。例如F(1,1)代表I中像素的直流成分的强度，也就是16个像素的均值，而F(4,4)代表I中最高频率分量的强度。对于一幅图来说，直流和低频分量表征这幅图的基本特征，高频分量表征这幅图的细节。

此处所述正交变换可以是离散余弦变换或者整数变换。离散余弦变换和整数变换都是将空域变量变换到频域变量的办法，但是离散余弦变换涉及浮点数操作，精度高复杂度也高；整数变换只涉及整数之间的运算，所以复杂度低，硬件资源开销小，功耗也小，而且适用于在嵌入式系统进行。本实施例以整数变换为例，变换矩阵M具体为：

$M=\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& 0& 0& -1\\ 1& -1& -1& 1\\ 0& -1& 1& 0\end{array}\right].$

S23、对上述步骤得到的每个频率系数矩阵进行量化处理：

F_Q＝F⊙Q

得到量化后的频率系数矩阵F_Q，其中⊙表示矩阵对应位置元素相除，Q表示量化表矩阵，Q的维数与F相同。在本实施例中Q具体为：

$Q=\left[\begin{array}{cccc}4& 4& 8& 16\\ 4& 8& 8& 16\\ 8& 8& 16& 16\\ 16& 16& 16& 16\end{array}\right].$

量化实际上就是在编码前，将频率系数矩阵中的每个元素除以一个相应的量化步长。进一步地，可以看出，Q中对高频分量的量化值会更大一些，也就是说更多的高频分量经过量化后会变成0，而这些高频分量代表图像的细节，这样牺牲一些图像细节然后进行编码，可以提高图像的压缩比，而又不太影响图片恢复后的效果（仅仅损失一些细节，直流成分和低频成分得以保留）。同时，又因为Q的元素值均为2的整数次方，运算时只需进行简单的移位运算而非浮点数除法，大大降低了运算复杂度和功耗。

步骤S3、对量化后的频率系数矩阵进行重新编排，转化为一维向量，对所述一维向量进行熵编码后转化为帧数据，并发送。

在本实施例中，所述对量化后的频率系数矩阵F_Q进行重新编排的具体规则为：

[F_Q（1,1）,F_Q（1,2）,F_Q（2,1）,F_Q（2,2）,F_Q（1,3）,F_Q（3,1）,F_Q（2,3），F_Q（3,2），F_Q（1,4），F_Q（4,1），F_Q（3,3），F_Q（2,4），F_Q（4,2），F_Q（3,4），F_Q（4,3），FQ（4,4）]

将其转换为一维向量。其中F_Q（i,j）表示F_Q矩阵中的第i行第j列对应的元素。

在本发明的其他实施例中，若单元矩阵的尺寸为8×8，那么量化后的频率系数矩阵F_Q按照Zig-Zag规则转换为一维向量，Zig-Zag规则也就是“之”字型规则，可以保证低频分量先出现，高频分量后出现。Zig-Zag规则的具体方式如图4所示。

优选地，所述熵编码为算术编码或者哈夫曼编码。一个单元方阵对应一个帧数据。

以本发明应用在无线内窥镜系统采集的Bayer图像为例，无线内窥镜系统需要将采集的生物腔体的Bayer图像以上述方法转换成的帧数据发送到体外的接收机。

体外接收机，接收到帧数据之后执行以下步骤，还原生物腔体图像：

步骤S4、接收帧数据，进行反量化以及反变换，重构图像。具体包括：

S41、接收到步骤S3发送的帧数据之后，对所述帧数据进行解码，重构量化后的频率系数矩阵F′_Q。

S42、对F′_Q进行与步骤S2中的量化对应的反量化，恢复频率系数矩阵F′，对F′进行反正交变换恢复单元方阵，对单元方阵进行组合恢复Bayer-YCgCo空间的各个分量矩阵Y′、C′_g1、C′_g2、C′_o；

S43、根据下式，进行颜色空间反变换：

$R^{\′}=Y^{\′}-\frac{1}{2}(C_{g1}^{\′}-128)+(C_o^{\′}-128)-\frac{1}{2}(C_{g2}^{\′}-128)$

$C_1^{\′}=Y^{\′}+\frac{3}{2}(C_{g1}^{\′}-128)-\frac{1}{2}(C_{g2}^{\′}-128)$

$C_2^{\′}=Y^{\′}-\frac{1}{2}(C_{g1}^{\′}-128)+\frac{3}{2}(C_{g2}^{\′}-128)$

$B^{\′}=Y^{\′}-\frac{1}{2}(C_{g1}^{\′}-128)-(C_o^{\′}-128)-\frac{1}{2}(C_{g2}^{\′}-128)$

将重建的Bayer-YCgCo颜色空间的各个分量矩阵反变换回RGB颜色空间的四个分量矩阵R′、G′₁、G′₂、B′，再根据下式恢复扩展后的Bayer格式图像：

S′(2m-1,2n-1)＝R′(m,n)

S′(2m-1,2n)＝G′₁(m,n)

S′(2m,2n-1)＝G′₂(m,n)

S′(2m,2n)＝B′

获得恢复的原始Bayer图像。

本发明所记载的方法，能够达到90%的图像压缩比率，而重构图像的客观质量可达到39.2dB，而且重构图像内不存在块效应。综上所述，本发明所记载的图像压缩方法，能够提供较高的图像压缩比，降低运算复杂度，同时又能提高还原图像的主观质量，方便查阅。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范畴。

Claims (7)

1.一种Bayer图像压缩方法，其特征在于，包括如下步骤：

S1、将Bayer图像的RGB颜色空间变换到新的颜色空间，以消除RGB颜色空间的相关性，记新的颜色空间为Bayer-YCgCo颜色空间；

S2、分别对所述Bayer-YCgCo颜色空间的各个分量矩阵进行正交变换，得到频率系数矩阵，对所述频率系数矩阵进行量化处理；

S3、对量化后的频率系数矩阵进行重新编排，转化为一维向量，对所述一维向量进行熵编码后转化为帧数据，并发送；

S4、接收帧数据，进行反量化以及反变换，重构图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：

S11、对Bayer图像进行扩展，使其行数为8或16的倍数且列数也为8或16的倍数；

S12、对扩展后的Bayer图像进行三色分离，将其分解为四个分量矩阵：

R(m,n)＝S(2m-1,2n-1)

G₁(m,n)＝S(2m-1,2n)

G₂(m,n)＝S(2m,2n-1)

B(m,n)＝S(2m,2n)

其中S表示原Bayer图像矩阵，R表示红色分量矩阵，G₁表示奇数行偶数列的绿色分量矩阵，G₂表示偶数行奇数列的绿色分量矩阵，B表示蓝色分量矩阵；

S13、对四个分量矩阵进行如下矩阵运算，

$Y=\frac{R+G_1+G_2+B}{4}$

$C_{g1}=\frac{1}{2}(G_1-\frac{R+B}{2})+128$

$C_{g2}=\frac{1}{2}(G_2-\frac{R+B}{2})+128$

$C_o=\frac{1}{2}(R-B)+128$

获得四个新的分量矩阵Y、C_g1、C_g2、C_o，从而将RGB颜色空间变换到Bayer-YCgCo颜色空间。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括：

S21、将Y、C_g1、C_g2、C_o分量矩阵中的每一个分割成多个维数相同的单元方阵；

S22、对每一个单元方阵进行正交变换，得到该单元方阵的频率系数矩阵Ｆ，正交变换公式为：

F＝MIM^T

其中，I为一个单元方阵，Ｍ为变换矩阵，M^T为Ｍ的转置矩阵；

S23、对上述步骤得到的每个频率系数矩阵进行量化处理：

F_Q=F⊙Q

得到量化后的频率系数矩阵F_Q，其中⊙表示矩阵对应位置元素相除，Q表示量化表矩阵，Q的维数与F相同。

4.根据权利要求3所述的方法，其特征在于，所述正交变换为离散余弦变换或者整数变换。

5.根据权利要求1-4任一项所述的方法，其特征在于，步骤S3中所述对量化后的频率系数矩阵进行重新编排具体为：

对量化后的频率系数矩阵中的所有元素按照Zig-Zag规则重新排列成一维向量形式。

6.根据权利要求1-4任一项所述的方法，其特征在于，步骤S3所述的熵编码为算术编码或者哈夫曼编码。

7.根据权利要求1-4任一项所述的方法，其特征在于，所述步骤S4具体包括：

S41、接收到步骤S3发送的帧数据之后，对所述帧数据进行解码，重构量化后的频率系数矩阵F′_Q；

S42、对F′_Q进行与步骤S2中的量化对应的反量化，恢复频率系数矩阵F′，对F′进行反正交变换恢复单元方阵，对单元方阵进行组合得到Bayer-YCgCo空间的各个分量矩阵；

S43、进行颜色空间反变换，将重建的Bayer-YCgCo空间的各个分量矩阵反变换回RGB空间，重构图像。