CN106612438A - 一种基于重叠分区高级小波变换技术的图像压缩方法 - Google Patents

Abstract

本发明提出了一种基于重叠分区高级小波变换技术的图像压缩方法，本发明采用重叠的图像块作为处理单位，在取得了D5/3高级小波变换后，再对每个块使用DPCM结合SPIHT的量化方法。使得该方法不仅具有块效应，并且比直接使用DPCM结合SPIHT的方法能获得更高的图像存储质量。与此同时，它极大地减少了编码器的存储器需求，并且更适合于遥感图像的星载应用。与此同时，它极大地减少了编码器的存储器需求，并且更适合于遥感图像的星载应用。本发明的步骤如下：步骤1：低频无损编码；步骤2：DPCM子带编码；步骤3：马尔科夫模型预测；步骤4：线性预测；步骤5：SPIHT零树滤波；步骤6：重叠分区技术划分图像；步骤7：位平面无损压缩。

Description

一种基于重叠分区高级小波变换技术的图像压缩方法

所属技术领域

本发明涉及计算机信息技术领域，具体地涉及图像压缩传输、遥感图像星载应用领域。

背景技术

随着航天技术的发展，遥感图像数据急剧增加。为了节省存储空间和信道带宽，遥感图像必须在从空间飞行器发射前被压缩。然而，空间条件给图像压缩平台带来了很大的制约，如有限存储器和图像压缩算法的低复杂度。由于星载图像接入速率和传输限制，遥感图像需要被压缩。与常规静止图像压缩相比，遥感图像的相关性较弱，熵较高，冗余较小。所有这些特性提高了图像压缩的难度。一些成熟的图像压缩算法如forecast，arithmetic、run length等等作为无损压缩方法，压缩效率并不理想。作为静止图像压缩标准，JPEG2000具有高的压缩效率，但是计算复杂性也很高，这不适合遥感图像的星载应用程序。在计算复杂性适中的前提下，发现具有高的压缩效率的压缩方法是研究遥感图像压缩的意义。

发明内容

针对上述不足，本发明提供了一种新的图像压缩方法。

本发明的目的是使算法不仅能够应用于一般图像的无损压缩，也能应用于遥感图像星载应用领域，使图像能够高保真压缩，并且使压缩后的图像所占内存小。

本发明为实现上述目的，所采用的的技术方案是：1、采用以重叠块为处理单位的高级小波变换方法,，在变换中采用多级并行分解；2、对重叠块提升小波变换后的子带进行统计分析；3、再对每个块使用DPCM与SPIHT相结合的方法。

本发明的有益效果是：本发明采用重叠的图像块作为处理单位，在取得了D5/3高级小波变换后，再对每个块使用DPCM结合SPIHT的量化方法。使得该方法不仅具有块效应，并且比直接使用DPCM结合SPIHT的方法能获得更高的图像存储质量。与此同时，它极大地减少了编码器的存储器需求，并且更适合于遥感图像的星载应用。

附图说明

图1表示本发明的流程图

图2表示重叠块的三种边界扩展类型

图3表示图像信号分解流程图

具体实施方式

本发明采用以重叠块为处理单位的高级小波变换，在变换中采用多级并行分解的方法，再对每个块使用DPCM与SPIHT相结合的方法。本发明不仅能应用于一般图像压缩领域也能应用于遥感图像的星载应用，该不仅能提高压缩质量，还能减小编码器的存储器要求。

下面，结合附图，对本发明进行详细说明。

一种基于重叠分区高级小波变换技术的图像压缩方法，该方法的实现步骤

结合图1，如下：

步骤1：低频无损编码

先将一幅原始图象转换为自己的色彩系统,按照人眼特点对其中各个色彩分量取不同的向量集,经DCT转换从时域变为频域,接着将变换后的数据量化以丢弃无用信息,然后用哈夫曼算术公式对量化后的系数进行计算得到压缩数据,最后将色彩分量信息,量化表,编码表和各个色彩分量的压缩数据等混合成一个整体数据流,即低频无损编码。

步骤2：DPCM子带编码

将步骤1得到的数据流基于一个包括3个邻域像素的模板，根据这3个邻值的组合提供了7种常见的预测器模式：预测器1、2和3称为“1维的”，而预测器4、5、6和7则是“2维的”。选择预测器对图像进行处理。设一幅分辨率为M×N的图像F，首先保留图像矩阵的第一行的灰度值p。

e(1,j)＝p(1,j)-p(1,j-1) for j＝N,N-1,...,2,1

e(1,j)＝p(i,1)-p(i-1,1) for i＝M,M-1,...,2,1

步骤3：马尔科夫模型预测

获取灰度值P后，根据图像中连续相同的像素值，使用一个起始像素代表具有相同值的一连续像素串，用一整数代表这个串的长度，游程分为定长游程和变长游程，若灰度连续相同的个数超过了固定位数所能表示的最大值，则进入下一轮游程；变长游程编码是指对不同范围的游程使用不同位数的编码。将输入字符串映射成定长的码子输出，把数字图像当作一个一维的比特串，算法在产生输出串的同时动态地更新编码表。

步骤4：线性预测

对步骤3产生的马尔科夫输出比特串P1,P2,P3进行线性预测，按照如下线性预测公式得到线性回归值P：

P＝0.4P1+0.3P2+0.3P3

步骤5：SPIHT零树滤波

在获得线性回归值P后，采用零树结构，输入信号被采样以恒定的取样频率(两次输入频率和回归值P相乘得到)。然后这些示例使用PAM进程被调整。这时，DPCM进程接管。被采样的输入信号存储称为预报器。预报器采取存储的示例信号并且通过微分器发送它，然后此区别信号被添加到示例信号中并存储在预报器和寄发到重建原始输入信号的低通滤波器。

步骤6：重叠分区技术划分图像

重叠分块方法把低通滤波器中512×512的图像过滤信号划分为256个32×32的重叠块,对每个小块都分别采用D5/3高级小波3级分解,分解中采用了重叠分块的边界延拓技术及多级并行分解技术。每个小图像块分解后都得到的10个小波子带,随机选出16个小图像块,计算其对应子带的小波系数范围、能量比、行自相关系数、列自相关系数,然后再求出单图像块10个小波子带统计数据的平均值。

步骤7：位平面无损压缩

根据小波子带的系数范围、能量比、行自相关系数、列自相关系数、平均值等参数，对10小波子带进行位平面压缩，其中的每个比特可看作表示了1个二值的平面，将当前平面划分为一个以上的图像平面，并将每个像素的三原色(RGB)格式统一为指定的RGB格式。判断是否有未压缩图像块，如果没有，则将压缩后的数据顺序打包并加入含有图像块编码指示标识的图像格式信息，并发送该数据包。此时数据包中的内容就包含原始图像压缩后的数据。结合图1到到图3，对本发明详细说明。

一、所述高级小波变换，结合图1，是一种新的实现小波变换的方法，即第二代小波变换。与第一代小波变换相比，它不仅具有很多优势，还能够实现就地计算和整个逆变换。

高级小波变换包括三个步骤：

1、分离：分离通常使用惰性小波变换，其分解原始信号成偶数序列和奇数序列

2、预测：预测也被称为双变换是由于偶数序列和奇数序列的高关联性。首先，它使用邻近奇数点的偶数点的线性组合来预测奇数，然后得到奇数点和预测值之间的差

3、更新。更新也被称为使用预测误差的线性组合的原始提升来修正偶数序列。预测和更新可根据具体情况执行多次，这被称为乘积提升。

最后，我们可以分别使用调节因子来调节偶数序列和奇数序列。D5/3提升小波变换在本发明被采取，并用三电平变换。为每个级别的分解，我们通过线前柱法将其转化的一维信号的分辨率。原始信号变成偶数序列和奇数编号序列通过惰性小波变换。在一步提升之后，通过调整因子我们可以得到低频小波系数C(n)和高频小波系数D(n)。

二、所述多级并行分解，考虑到计算的复杂性，本发明选择了D5/3高级小波实现小波分解的三级阻断图像，创建10个子带。LL3表示最低的频率信息；HLi表示垂直高频信息；LHi表示水平高频率的信息。HHi表示对角的高频信息(1≤i≤3)。为了分析对图像质量的每个级别的小波子带是多么重要，我们基于三个层次，为每个级别分解几个遥感图像并分析直方图的小波系数。从遥感图像的子带直方图可以发现，十子带系数阵列可以分为两种，包括最低频率子带系数数组1≤i≤3和高频系数数组HLi、LHi、HHi。最低频率子带系数数组包含原始图像的大部分信息并占有最重要的地位，在各子带中，应尽力减少信息缺失的子带，并且在同一时间的子带熵太大不适合做有损压缩。子带系数的数目是小的，仅仅占总10子带系数的1/64。所以本发明采用最低频率子带无损编码方法。高频子带系数占总10子带系数的63/64，包括许多系数接近于零。他们是被压缩的主要对象。同时，熵随着频率的增加呈下降趋势。最高频率系数的熵是最不能够被轻易压缩的。因此，本发明采用一种基于位平面的高频子带系数的无损压缩方法。

三、所述重叠分区技术，如今，大多数的图像压缩算法基于小波变换。他们通常使用整幅图像作为处理单元，这需要大量的内存来保存整个图像，并且会影响一些优秀算法的实际应用。如果当我们改变每个图像块时我们采用相互独立的对称扩展模式，根据不同的压缩比率，在不同程度上恢复的图像将生成阻塞效应，这随着压缩比的增加而更明显，因为每个小图像块不会利用其他小图像的信息块。在遥感图像压缩中，数据的传输模式通常是逐行扫描。。当我们在图像重建中处理小波逆变换时，对于重叠块图像变换方法，值得注意的是我们应直到相邻块的系数被块需要的反变换重建之后才继续。如果没有特别的需求，最简单的方法是在所有的块系数重建之后，反变换回某一时刻。因为通常遥感图像重建是在地球上，对实时性和内存没有严格要求，反变换是可接受的。重叠块小波变换的关键就是要处理好内外边界的延拓问题,使其变换后的子带经过重新组合后得到与对整幅图像直接作小波变换相同的子带图。

每个小块的边界延拓方式根据位置不同而被分为9种类型,这9种类型包括了个小图像块可能遇到的所有边界延拓方式,编程实现时应区别对待。根据每个小块拥有外边界的数量,这9种类型可进一步分为三种类型,其中1、3,7,9为端点型,有两个外边界,2、8、4、6为一般边界型,分别有上、下、左、右一个外边界,5为中间型,位于图像内部,没有外边界。本发明采用D5/3提升(高级)小波变换,按照延拓长度公式每个图像块的左、上需要延拓的数据长度为28个像素点,每个图像块的右、下需要延拓的数据长度为21个像素点,对于外边界的数据延拓采用对称延拓方法,而对于内边界的数据延拓则采用数据向延拓方向的直接延伸。

上述结合附图对本发明的实施例作了详细描述，应该理解上述只是示例性的，因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (4)

1.一种基于重叠分区高级小波变换技术的图像压缩方法，该方法不仅能应用于图像压缩还能应用于遥感图像星载应用领域，其特征是：该方法的实现步骤如下：

步骤1：低频无损编码

先将一幅原始图象转换为自己的色彩系统,按照人眼特点对其中各个色彩分量取不同的向量集,经DCT转换从时域变为频域,接着将变换后的数据量化以丢弃无用信息,然后用哈夫曼算术公式对量化后的系数进行计算得到压缩数据,最后将色彩分量信息,量化表,编码表和各个色彩分量的压缩数据等混合成一个整体数据流,即低频无损编码；

步骤2：DPCM子带编码

将步骤1得到的数据流基于一个包括３个邻域像素的模板，根据这３个邻值的组合提供了７种常见的预测器模式：预测器１、２和３称为“１维的”，而预测器 ４、５、６和 ７则 是“２维的”，选择预测器对图像进行处理，设一幅分辨率为 Ｍ×Ｎ的图像Ｆ，首先保留图像矩阵的第一行的灰度值ｐ：

e(1,j)=p(1,j)-p(1,j-1) for j=N,N-1,...,2,1

e(1,j)=p(i,1)-p(i-1,1) for i=M,M-1,...,2,1

步骤3：马尔科夫模型预测

获取灰度值P后，根据图像中连续相同的像素值，使用一个起始像素代表具有相同值的一连续像素串，用一整数代表这个串的长度，游程分为定长游程和变长游程，若灰度连续相同的个数超过了固定位数所能表示的最大值，则进入下一轮游程； 变长游程编码是指对不同范围的游程使用不同位数的编码，将输入字符串映射成定长的码子 输出，把数字图像当作一个一维的比特串，算法在产生输出串 的同时动态地更新编码表；

步骤4：线性预测

对步骤3产生的马尔科夫输出比特串P1,P2,P3进行线性预测，按照如下线性预测公式得到线性回归值P：

P = 0.4P1+0.3P2+0.3P3

步骤5：SPIHT零树滤波

在获得线性回归值P后，采用零树结构，输入信号被采样以恒定的取样频率(两次输入频率和回归值P相乘得到)， 然后这些示例使用PAM进程被调整，这时，DPCM进程接管，被采样的输入信号存储称为预报器，预报器采取存储的示例信号并且通过微分器发送它，然后此区别信号被添加到示例信号中并存储在预报器和寄发到重建原始输入信号的低通滤波器；

步骤6：重叠分区技术划分图像

重叠分块方法把低通滤波器中512 ×512的图像过滤信号划分为256 个32 ×32 的重叠块,对每个小块都分别采用D5/3高级小波3 级分解, 分解中采用了重叠分块的边界延拓技术及多级并行分解技术，每个小图像块分解后都得到的10个小波子带, 随机选出16 个小图像块,计算其对应子带的小波系数范围、能量比、行自相关系数、列自相关系数, 然后再求出单图像块10个小波子带统计数据的平均值；

步骤7：位平面无损压缩

根据小波子带的系数范围、能量比、行自相关系数、列自相关系数、平均值等参数，对10小波子带进行位平面压缩，其中的每个比特可看作表示了1个二值的平面，将当前平面划分为一个以上的图像平面，并将每个像素的三原色(RGB)格式统一为指定的RGB格式，判断是否有未压缩图像块，如果没有，则将压缩后的数据顺序打包并加入含有图像块编码指示标识的图像格式信息，并发送该数据包，此时数据包中的内容就包含原始图像压缩后的数据。

2.根据权利要求1所述的一种基于重叠分区高级小波变换技术的图像压缩方法，其特征是：所述步骤6高级小波变换，包括以下三个步骤：

1）、分离：分离通常使用惰性小波变换，其分解原始信号成偶数序列和奇数序列；

2）、预测：预测也被称为双变换是由于偶数序列和奇数序列的高关联性，首先，它使用邻近奇数点的偶数点的线性组合来预测奇数，然后得到奇数点和预测值之间的差；

3）、更新：更新也被称为使用预测误差的线性组合的原始提升来修正偶数序列，预测和更新可根据具体情况执行多次，这被称为乘积提升；

最后，我们可以分别使用调节因子来调节偶数序列和奇数序列，D5/3提升小波变换在本发明被采取，并用三电平变换，为每个级别的分解，我们通过线前柱法将其转化的一维信号的分辨率，原始信号变成偶数序列和奇数编号序列通过惰性小波变换，在一步提升之后，通过调整因子我们可以得到低频小波系数C(n)和高频小波系数D(n)。

3.根据权利要求1所述的一种基于重叠分区高级小波变换技术的图像压缩方法，其特征是：所述多级并行分解，本发明选择了D5/3高级小波实现小波分解的三级阻断图像，创建10个子带，LL3 表示最低的频率信息; HLi 表示垂直高频信息;LHi表示水平高频率的信息， HHi 表示对角的高频信息，为了分析对图像质量的每个级别的小波子带是多么重要，我们基于三个层次，为每个级别分解几个遥感图像并分析直方图的小波系数，从遥感图像的子带直方图可以发现，十子带系数阵列可以分为两种，包括最低频率子带系数数组和高频系数数组 HLi、LHi、HHi，最低频率子带系数数组包含原始图像的大部分信息并占有最重要的地位，在各子带中，应尽力减少信息缺失的子带，并且在同一时间的子带熵太大不适合做有损压缩，子带系数的数目是小的，仅仅占总10个子带系数的1/64，所以本发明采用最低频率子带无损编码方法，高频子带系数占总 10 子带系数的63/64，包括许多系数接近于零，他们是被压缩的主要对象，同时，熵随着频率的增加呈下降趋势，最高频率系数的熵是最不能够被轻易压缩的，因此，本发明采用一种基于位平面的高频子带系数的无损压缩方法。

4.根据权利要求1所述的一种基于重叠分区高级小波变换技术的图像压缩方法，其特征是：所述重叠分区，本发明采用基于重叠块的小波变换，遥感图像具有N*X行和Y列的灰阶，它可以分为N个子图像，每个大小为 X*Y，在边界延拓的条件图中，整幅图像的边界称为外边界，边界的图像内的每个块称为内部边界，重叠块小波变换的关键在于处理好内部和外部边界的扩展问题，通过阻塞小波变换重建的图像应与直接通过整个图像小波变换的重建图像相同，根据不同的边界位置，图像块的边界可以分为三种：第一种是上边界类型，第二种是中边界类型，和第三类是下边界类型，每一种类型有左、右、外边界，同时，上边界类型具有外部上边界、下边界类型具有外部下边界，中边界类型没有外边界，对于外边界的数据扩展，本发明采取对称扩展方法，对于内部边界的数据扩展，采用数据直接扩展到延伸方向的方法。