CN107920250B - 一种压缩感知图像编码传输方法 - Google Patents

一种压缩感知图像编码传输方法 Download PDF

Info

Publication number
CN107920250B
CN107920250B CN201711131617.7A CN201711131617A CN107920250B CN 107920250 B CN107920250 B CN 107920250B CN 201711131617 A CN201711131617 A CN 201711131617A CN 107920250 B CN107920250 B CN 107920250B
Authority
CN
China
Prior art keywords
image
enhancement layer
quantization
random
random 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.)
Active
Application number
CN201711131617.7A
Other languages
English (en)
Other versions
CN107920250A (zh
Inventor
侯兴松
陈赞
邹屹洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201711131617.7A priority Critical patent/CN107920250B/zh
Publication of CN107920250A publication Critical patent/CN107920250A/zh
Application granted granted Critical
Publication of CN107920250B publication Critical patent/CN107920250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/184—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being bits, e.g. of the compressed video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
    • H04N21/64784—Data processing by the network
    • H04N21/64792—Controlling the complexity of the content stream, e.g. by dropping packets

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明提供了一种压缩感知图像编码传输方法，包括步骤：1)在发送端，将输入图像像素随机置乱重排；2)对像素置乱的图像分成大小相同不重叠的图像块；3)将每个图像块用部分哈达玛矩阵做可分离式的测量；4)随机测量值量化和分层；5)量化比特位传输；6)接收信息，得到量化比特位；7)量化比特位反量化；8)采用重建方法得到初始重建图像；9)初始重建图像估计增强层随机测量值；10)利用最大后验概率估计算法更新增强层随机测量值，得到增强层随机测量值更新值；11)采用重建方法得到最终重建图像。该压缩感知图像编码传输方法，其编码器复杂度低、抗丢包能力强，率失真性能高。

Description

一种压缩感知图像编码传输方法
技术领域
本发明属于图像传输领域，特别涉及一种压缩感知图像编码传输方法。
背景技术
在无线视频传感器网络中，大量视频传感器节点以自组织或有限受控的方 式布置在应用场景中，这些传感器节点不间断地获得应用场景的图像或视频数 据，并通过无线方式传回终端平台，终端平台对回传的节点数据做分析和决策。 无线视频传感器网络中的图像和视频数据存在大量冗余，需要在传感器上对图 像数据做压缩处理；考虑到无线信道传输的不可靠性，需要在传感器上对压缩 后的数据做信道编码以增强其对丢包的鲁棒性。然而，传感器片上微处理器、 存储器、无线模块和传感器等硬件模块在能量上供给不足、运算性能上受限， 虽然传统联合信源信道编码标准虽然已经取得巨大成功，但是这些传输标准面 临着编码复杂，不能自适应信道变化等问题，对无线视频传感器网络并不适用。 无线传感器网络图像编码传输存在巨大的挑战，现有的图像传输方案无法同时 满足其编码器简单、抗丢包能力强、率失真性能高的要求。基于压缩感知理论 的图像编码传输方案具有编码器简单、抗丢包能力强的优点，在无线多媒体网 络中具有巨大的应用前景。
发明内容
本发明的目的在于提供一种压缩感知图像编码传输方法，其编码器复杂度 低、抗丢包能力强，率失真性能高。
本发明是通过以下技术方案来实现：
一种压缩感知图像编码传输方法，包括步骤：
1)在发送端，将输入图像像素随机置乱重排，得到像素置乱的图像；
2)对像素置乱的图像分成大小相同不重叠的图像块；
3)将每个图像块用部分哈达玛矩阵做可分离式的测量，得到随机测量值；
4)将随机测量值分为基本层和增强层两部分，并将这两部分分别送入非 均匀量化器中，得到基本层的量化比特位和增强层的量化比特位；
5)将基本层所有量化比特位和增强层低量化比特位打包，发送；
6)在接收端，接收步骤5)发送的数据包并解包，提取包头信息，根据包 头信息将包内数据重新组包，得到基本层所有量化比特位和增强层低量化比特 位；
7)对基本层所有量化比特位反量化得到还原的基本层随机测量值；对增 强层低量化比特位反量化得到包含增强层随机测量值可能值的集合；
8)对还原的基本层随机测量值，采用重建方法得到初始重建图像；
9)用初始重建图像估计增强层随机测量值，得到增强层随机测量值估计 值；
10)利用最大后验概率估计算法更新增强层随机测量值，得到增强层随机 测量值更新值；
11)用还原的基本层随机测量值与增强层随机测量值更新值，采用重建方 法得到最终重建图像。
优选地，步骤4)可以替换为：
将随机测量值送入非均匀量化器中，得到量化比特位；将量化比特位分为 基本层的量化比特位和增强层的量化比特位。
优选地，在步骤3)中，用部分哈达玛矩阵做可分离式的测量的过程为：
yi＝ΦSi(x)ΦT；
其中，yi为随机测量值；Si(x)是像素置乱后的图像分成的图像块，表 示第i个图像块；Φ是部分哈达玛矩阵，ΦT是Φ的转置矩阵；
优选地，在步骤4)中，所述非均匀量化器采用Lloyd-Max方法针对标准 高斯分布设计量化台阶和量化电平，并制成表格。
优选地，在步骤4)中，所述随机测量值先做零均值归一化，然后将归一 化结果输入非均匀量化器，得到量化比特位。
优选地，在步骤9)中，用初始重建图像估计增强层随机测量值的公式为：
Figure BDA0001469672650000031
其中，
Figure BDA0001469672650000032
为还原的基本层随机测量值；
Figure BDA0001469672650000033
为增强层随机测量值 估计值；
Figure BDA0001469672650000034
是初始重建图像；是初始重建图像像素置乱后的图像分成的 图像块，表示第i个图像块；Φ是步骤3)中用到的部分哈达玛矩阵。
优选地，在步骤10)中，采用最大后验概率估计算法更新增强层随机测量 值估计值的公式为：
Figure BDA0001469672650000036
其中，
Figure BDA0001469672650000037
为增强层随机测量值更新值；
Figure BDA0001469672650000038
为包含增强层随机测量值可能值的集合；为增强层随机测量值估计值。
优选地，在步骤8)和步骤11)中，所述重建方法为非局部低秩逼近重建 方法。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的压缩感知图像编码传输方法，对像素置乱后的图像块用部分 哈达玛矩阵做可分离的随机测量，这种随机测量过程既保证低运算复杂度(仅 需要加减运算)，又可以保证对丢包的鲁棒性(随机测量值同等重要)。在编码 端将随机测量值分为基本层和增强成两部分，然后分别将基本层随机测量值和 增强层随机测量值送入所设计量化器中量化，然后打包传输基本层所有量化比 特位和增强层低量化比特位。在解码端设计了一种逼近重建方法，通过利用基 本层和增强层间的相关性，利用基本层随机测量值估计、更新增强层随机测量 值的未传输的高位量化比特，在没有增加编码器运算复杂度的基础上，大大提 升了方案的率失真性能。本发明采用像素分块随机测量、渐进式非均匀量化、 重建技术，在低编码复杂度的条件下，实现了较高的率失真性能，同时随机测 量值具有独立性和平等性，解码端图像重构质量仅与接收到的测量值的个数有 关，因而本发明还具有抗信道丢包误码的鲁棒特性。
进一步地，量化器采用Lloyd-Max方法针对标准高斯分布设计量化台阶和 量化电平，能够利用随机测量值的统计分布特性提升方案的率失真性能；量化 过程可以通过查表方式实现，计算量低。
附图说明
图1为本发明的总流程图。
图2为像素随机置乱分块测量示意图。
图3是低秩逼近重建示意图。
图4是本发明采用的8幅测试图像，其中(a)为Barbara，(b)为Lena，(c) 为Monarch，(d)为Pepper，(e)为Boats，(f)为Parrot，(g)为Foreman，(h)为House。
图5是不同的图像编码传输方案在1bpp码率，不同丢包率下，Lena图像 的重建视觉质量结果。
图6是不同的图像编码传输方案在1bpp码率，不同丢包率下，8幅测试图 像的平均重建PSNR结果。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的 解释而不是限定。
本发明的技术思路如下：在编码端，首先将输入图像的像素随机置乱；然 后将像素随机置乱后的图像分成大小相同不重叠的图像块；再对每个图像块用 部分哈达玛矩阵做可分离的随机测量(部分哈达玛矩阵是从N维哈达玛矩阵随 机选取M行得到的)；将随机测量值分为基本层和增强层两部分，并分别对这 两部分随机测量值零均值归一化后送入非均匀量化器中得到基本层量化比特 位和增强层量化比特位(或者将随机测量值零均值归一化后送入非均匀量化器 中得到量化比特位，量化比特位分为基本层量化比特位和增强层量化比特位)； 对基本层量化比特位和增强层量化比特位打包传输。在接收端，首先将接受到 的数据进行组包，得到相应的基本层的量化比特位和增强层的量化比特位；对 基本层量化比特位反量化得到基本层随机测量值，对增强层量化比特位反量化 得到一个包含增强层随机测量值可能值的集合；用基本层随机测量值初步重建 原始图像，并用得到的图像估计增强层随机测量值；利用增强层测量的估计值 和前一步得到的增强层随机测量值可能值的集合，更新得到一个较为精确的增 强层测量值；利用基本层随机测量值和更新的增强层随机测量值重建出一个更 加清晰的原始图像；采用非局部低秩逼近压缩感知重建方法重建原始图像。
参照图1，本发明由编码器与解码器构成，其中编码器包括像素随机置乱 分块测量模块和渐进式非均匀量化模块两部分；解码器包括渐进式非局部低秩 逼近重建模块。同时参照图1、图2和图3，具体实施步骤如下：
第一步，像素随机置乱：在编码端将输入的原始图像x做像素随机打乱重 新排序，得到像素随机置乱后的图像S(x)；
第二步，分块：将像素随机置乱后的图像S(x)按照从左到右，从上到下的 顺序，分成M个大小相同的小图像块，其中第i个块记为Si(x)；
第三步，部分哈达玛测量：对Si(x)做可分离式部分哈达玛矩阵测量， 得随机测量值yi，部分哈达玛测量过程可以表示为yi＝ΦSi(x)ΦT，其中 Φ是部分哈达玛矩阵，ΦT是Φ的转置矩阵；
第四步：将随机测量值yi分为基本层与增强层两部分，分别记为
Figure RE-GDA0001575929700000061
与
Figure RE-GDA0001575929700000062
用
Figure RE-GDA0001575929700000063
表示yi的前
Figure RE-GDA0001575929700000064
个测量值(
Figure RE-GDA0001575929700000065
是可改参数，用来表 示基本层随机观测值的个数)，
Figure RE-GDA0001575929700000066
表示yi剩余的测量值，既
第五步：对基本层与增强层随机测量值
Figure BDA0001469672650000068
与
Figure BDA0001469672650000069
分别做零均值 归一化后送入非均匀量化器查表量化，分别得到基本层量化比特位和增强层量 化比特位；非均匀量化器采用Lloyd-Max方法针对标准高斯分布设计量化台阶 和量化电平，并制成表格；
第六步：将基本层的全部量化比特位和增强层的低位量化比特位打包传输 (量化位数和低位量化比特的位数是可改的参数，以5比特量化为例，每一个 基本层的随机观测值用5个比特表示并传输；而每一个增强层的随机观测值用 5个比特表示，但其中只有低位的3个比特被传输)；
第七步：在接收端，提取包头信息，根据包头信息将包内数据重新组包， 得到相应的基本层的量化比特位和增强层的量化比特位；
第八步：对基本层量化比特位反量化得到还原的基本层随机测量值
Figure BDA0001469672650000071
对增强层量化比特反量化得到一个包含增强层随机测量值可能值的 集合
Figure BDA0001469672650000072
第九步：用还原的基本层随机测量值
Figure BDA0001469672650000073
采用压缩感知非局部低秩 逼近重建算法重建出初始重建图像
第十步：利用初始重建图像
Figure RE-GDA0001575929700000075
估测增强层随机测量值估计值
Figure RE-GDA0001575929700000076
既 根据
Figure RE-GDA0001575929700000077
得到增强层随机测量值估计值
Figure RE-GDA0001575929700000078
第十一步：采用最大后验概率估计算法更新增强层随机测量值估计值得到增强层随机测量值更新值根据为
Figure RE-GDA00015759297000000711
第十二步：用还原的基本层随机测量值
Figure BDA0001469672650000081
和增强层随机测量值更 新值
Figure BDA0001469672650000082
采用压缩感知重建算法得到最终重建图像
Figure BDA0001469672650000083
压缩感知重建 算法可以采用非局部低秩逼近重建算法。
编码端包括第一步到第六步，解码端包括第七步到第十二步。从第一步到 第三步是图像做像素随机置乱分块测量部分，其过程如图2所示；从第四步到 第六步渐进式非均匀量化、打包传输部分；第七步到第十二步是渐进式非局部 低秩逼近部分，其中第九步和第十二步用到压缩感知非局部低秩逼近重建过 程。
其中，在一种可行的实现方式中，在渐进式非均匀量化模块中，可以先对 随机测量值yi送入非均匀量化器查表量化，然后再将得到的量化比特位分为基 本层量化比特位和增强层量化比特位，即步骤四和步骤五的先后顺序可以改 变。
压缩感知非局部低秩逼近重建过程，定义图像块pi,j为图像块pi的第j 个相似块，针对pi可以找到q个相似图像块记为Pi＝[pi,1,pi,2,...,pi,q]， 这组相似的图像块具有低秩特性，可以用一组稀疏基稀疏表示，这组稀疏基用 奇异值分解(SVD)方式得到。通过对相似图像块的低秩逼近，原始模糊的图 像被更新为更清晰的图像块记为
Figure BDA0001469672650000084
低秩逼近过程如 图3所示。利用这种相似块的低秩特性做压缩感知重建可以获得比其它压缩感 知重建算法更好的重建质量，能够有效提升基于压缩感知图像编码传输方案的 率失真性能。
A、对比实验方案：
实验一：本发明SBCS-PNQ-NLR与MS-BCS-SPL、CCSDS-IDC+Rpator、 JPEG2000+Raptor、HEVC-intra+Raptor在不同丢包率下，图像重建质量的对比。
实验二：本发明SBCS-PNQ-NLR与MS-BCS-SPL、CCSDS-IDC+Rpator、 JPEG2000+Raptor、HEVC-intra+Raptor编码复杂度的对比。
其中SBCS-PNQ-NLR(Scramble Block Compressive Sensing with ProgressiveNon-uniform Quantization and Non-local Low-rank Reconstruction)是 本发明方案；MS-BCS-SPL(Multiscale Block Compressive Sensing with Smoothed ProjectedLandweber)是一种可以作为基于压缩感知的图像编码传输 方案类基准的方案；CCSDS-IDC(Consultative Committee for Space Data Systems-Image Data Compression)+Raptor，JPEG2000(Joint Photographic Experts Group 2000)+Raptor和HEVC-intra(High Efficiency Video Coding-intra)+Rpator 是传统信源信道图像编码传输方案。
B、实验条件：
测试图像为8幅8比特位深256×256大小的图像，如图4所示。本发明将 像素随机置乱后分为16×16大小的图像块，采用部分哈达矩阵作为测量矩阵。 随机测量值送入量化位数5的非均匀量化器中，对于基本层所有5量化比特被 打包传输，而增强层只有后三位量化比特被打包传输，而通过改变随机测量值 的个数改变压缩比率。在实验一中，图像编码传输编码码率为1bpp，信道仿真 丢包测试范围为0％-50％，峰值信噪比(PSNR:PeakSiganl to Noise Ratio)作 为重建图像质量评价标准。在实验二中，测试环境为配置为3.3GHzi5处理器， 8GB内存的个人电脑；编码时间(单位：秒)作为编码复杂度的评价标准，实 验二测试比较了不同压缩传输方法在不同编码传输编码码率下(0.5bpp-3.0bpp)的编码时间。
传统信源信道编码传输方案中，分别采用CCSDS-IDC，JPEG2000， HEVC-intra作为信源编码，Raptor作为信道编码。因为没有信道估计过程，试 验测试Raptor码率分别固定为4/5、2/3和1/2；4/5表示每5个比特中有4个 比特分配给信源编码，一个比特分配给了信道编码。
C、实验结果与分析
根据实验一结果展示在图5和图6中，从实验结果可以看出，本发明的抗 丢包的鲁棒性能优于传统信源信道编码传输方式，并且重建图像PSNR远远高 于基于压缩感知的MS-BCS-SPL方法。传统信源信道编码传输方式对信道丢包 敏感，当丢包个数超过信道编码对丢包保护的上限时，Cliff效应发生，解码出 的图像重构质量急剧下降。而本发明对信道丢包并不敏感，随着丢包的发生， 解码出图像质量缓慢下降，即使丢包达到50％的水平，仍能重建出较高PSNR 的图像。如图5所示，丢包率(PLR:Packet Loss Rate)即使达到50％，本发明 仍能重建出30.97dB的图像，而MS-BCS-SPL只能重建出27.45dB的图像，而 CCSDS-IDC+Raptor已经无法重建出图像。图6给出了8幅测试图像在1bpp 压缩码率，不同丢包率下，平均重建PSNR结果，虽然将信道编码CCSDS-IDC 换成更编码复杂度高、压缩效果好的HEVC-intra可以提升没有丢包情况下的 重建图像的PSNR，但是仍然存在Cliff效应。本发明是基于压缩感知的图像编 码传输方案，丢包过程等效为采样率下降，由于随机测量值之间是等重要的， 图像重建PSNR与丢包率呈近似的线性关系。
实验二的结果展示在表1中，通过表1可以看出，本发明的编码传输发明 复杂度极低，编码耗时大大低于传统图像压缩方案(CCSDS-IDC，JPEG200， HEVC-intra)，相近于其他基于压缩感知的编码传输方案(MS-BCS-SPL)：在0.5bpp压缩码率下，编码时间只有CCSDS-IDC的三分之一，MS-BCS-SPL的 二分之一。编码器编码单幅图像花费时间可以用来反映算法的复杂度：单幅图 像编码用时越少，编码运算复杂度越低，对前端传感器能量、计算资源要求越 低。
表1各压缩传输方案的编码时间
Figure BDA0001469672650000111

Claims (8)

1.一种压缩感知图像编码传输方法，其特征在于，包括步骤：
1)在发送端，将输入图像像素随机置乱重排，得到像素置乱的图像S(x)；
2)将像素随机置乱后的图像S(x)分成M个大小相同的小图像块，其中第i个块记为Si(x)；
3)对Si(x)做可分离式部分哈达玛矩阵测量，得随机测量值yi；
4)将随机测量值yi分为基本层与增强层两部分，分别记为
Figure FDA0002251841830000011
与
Figure FDA0002251841830000012
用
Figure FDA0002251841830000013
表示yi的前
Figure FDA0002251841830000014
个测量值，表示基本层随机观测值的个数，
Figure FDA0002251841830000016
表示yi剩余的测量值，即并将这两部分分别送入非均匀量化器中，得到基本层的量化比特位和增强层的量化比特位；
5)将基本层所有量化比特位和增强层低量化比特位打包，发送；
6)在接收端，接收步骤5)发送的数据包并解包，提取包头信息，根据包头信息将包内数据重新组包，得到基本层所有量化比特位和增强层低量化比特位；
7)对基本层所有量化比特位反量化得到还原的基本层随机测量值；对增强层低量化比特位反量化得到包含增强层随机测量值可能值的集合；
8)对还原的基本层随机测量值，采用重建方法得到初始重建图像；
9)用初始重建图像估计增强层随机测量值，得到增强层随机测量值估计值；
10)利用最大后验概率估计算法更新增强层随机测量值，得到增强层随机测量值更新值；
11)用还原的基本层随机测量值与增强层随机测量值更新值，采用重建方法得到最终重建图像。
2.如权利要求1所述的压缩感知图像编码传输方法，其特征在于，步骤4)可以替换为：
将随机测量值送入非均匀量化器中，得到量化比特位；将量化比特位分为基本层的量化比特位和增强层的量化比特位。
3.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤3)中，用部分哈达玛矩阵做可分离式的测量的过程为：
yi＝ΦSi(x)ΦT；
其中，yi为随机测量值；Si(x)是像素置乱后的图像分成的图像块，表示第i个图像块；Φ是部分哈达玛矩阵，ΦT是Φ的转置矩阵。
4.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤4)中，所述非均匀量化器采用Lloyd-Max方法针对标准高斯分布设计量化台阶和量化电平，并制成表格。
5.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤4)中，所述随机测量值先做零均值归一化，然后将归一化结果输入非均匀量化器，得到量化比特位。
6.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤9)中，用初始重建图像估计增强层随机测量值的公式为：
Figure FDA0002251841830000021
其中，
Figure FDA0002251841830000031
为还原的基本层随机测量值；
Figure FDA0002251841830000032
为增强层随机测量值估计值；
Figure FDA0002251841830000033
是初始重建图像；
Figure FDA0002251841830000034
是初始重建图像像素置乱后的图像分成的图像块，表示第i个图像块；Φ是步骤3)中用到的部分哈达玛矩阵。
7.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤10)中，采用最大后验概率估计算法更新增强层随机测量值估计值的公式为：
Figure FDA0002251841830000035
其中，
Figure FDA0002251841830000036
为增强层随机测量值更新值；
Figure FDA0002251841830000037
为包含增强层随机测量值可能值的集合；
Figure FDA0002251841830000038
为增强层随机测量值估计值。
8.如权利要求1或2所述的压缩感知图像编码传输方法，其特征在于，在步骤8)和步骤11)中，所述重建方法为非局部低秩逼近重建方法。
CN201711131617.7A 2017-11-15 2017-11-15 一种压缩感知图像编码传输方法 Active CN107920250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711131617.7A CN107920250B (zh) 2017-11-15 2017-11-15 一种压缩感知图像编码传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711131617.7A CN107920250B (zh) 2017-11-15 2017-11-15 一种压缩感知图像编码传输方法

Publications (2)

Publication Number Publication Date
CN107920250A CN107920250A (zh) 2018-04-17
CN107920250B true CN107920250B (zh) 2020-01-10

Family

ID=61895621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711131617.7A Active CN107920250B (zh) 2017-11-15 2017-11-15 一种压缩感知图像编码传输方法

Country Status (1)

Country Link
CN (1) CN107920250B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743571B (zh) * 2018-12-26 2020-04-28 西安交通大学 一种基于并行压缩感知多层残差系数的图像编码方法
CN110248190B (zh) * 2019-07-03 2020-10-27 西安交通大学 一种基于压缩感知的多层残差系数图像编码方法
CN115604486A (zh) * 2021-07-09 2023-01-13 华为技术有限公司（Cn） 视频图像的编解码方法及装置
CN114882133B (zh) * 2022-05-07 2024-04-26 西安交通大学 一种图像编解码方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101742313A (zh) * 2009-12-10 2010-06-16 北京邮电大学 基于压缩感知技术的分布式信源编码的方法
CN102148986A (zh) * 2011-03-24 2011-08-10 太原科技大学 基于自适应块压缩传感的渐进图像编码方法
CN105357536A (zh) * 2015-10-14 2016-02-24 太原科技大学 基于残差分布式压缩感知的视频软组播方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10785496B2 (en) * 2015-12-23 2020-09-22 Sony Corporation Video encoding and decoding apparatus, system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101742313A (zh) * 2009-12-10 2010-06-16 北京邮电大学 基于压缩感知技术的分布式信源编码的方法
CN102148986A (zh) * 2011-03-24 2011-08-10 太原科技大学 基于自适应块压缩传感的渐进图像编码方法
CN105357536A (zh) * 2015-10-14 2016-02-24 太原科技大学 基于残差分布式压缩感知的视频软组播方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image compressive sensing reconstruction based on collaboration reduced rank preprocessing;Yun Tan; Xingsong Hou; Zan Chen; Shihang Yu;《Electronic Letters》;20170525;第53卷(第11期);717-718 *
合成孔径雷达图像的贝叶斯压缩感知重构算法;侯兴松，张兰，肖琳;《西安交通大学学报》;20130831;第47卷(第8期);74-78 *

Also Published As

Publication number Publication date
CN107920250A (zh) 2018-04-17

Similar Documents

Publication Publication Date Title
CN107920250B (zh) 一种压缩感知图像编码传输方法
KR102361927B1 (ko) Hdr 이미지들을 인코딩 및 디코딩하기 위한 방법 및 장치
CN105451019B (zh) 一种面向无线视频传感器网络的图像压缩传输方法
Chen et al. Efficient and robust image coding and transmission based on scrambled block compressive sensing
CN110248190B (zh) 一种基于压缩感知的多层残差系数图像编码方法
CN108184118A (zh) 云桌面内容编码与解码方法及装置、系统
CN103501438B (zh) 一种基于主成分分析的内容自适应图像压缩方法
Vimala et al. Improved adaptive block truncation coding for image compression
CN105163130B (zh) 一种基于离散Tchebichef正交多项式的图像无损压缩方法
El Abbadi et al. Image Compression based on SVD and MPQ-BTC.
CN103581677B (zh) 图像加密压缩和解压解密方法及装置
Samra Image compression techniques
Tai et al. A near-lossless compression method based on CCSDS for satellite images
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
EP2927865A1 (en) Method and apparatus for encoding and decoding HDR images
US20190089955A1 (en) Image encoding method, and image encoder and image decoder using same
Li et al. Data hiding based on subsampling and compressive sensing
CN116170596A (zh) 编解码方法及电子设备
Hadi Medical Image Compression using DCT and DWT Techniques
Skosana et al. Performance comparison of video encoding at low sampling rates
BH et al. Overview on machine learning in image compression techniques
Kranthi et al. Enhanced image compression algorithm for image processing applications
CN108257191B (zh) 一种节能的压缩感知图像编码方法
Pavithra et al. An image representation scheme by hybrid compressive sensing
Jain et al. Enhanced SVD Based Image Compression Technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant