CN108447101B - 一种基于jnd模型的图像压缩感知方法 - Google Patents
一种基于jnd模型的图像压缩感知方法 Download PDFInfo
- Publication number
- CN108447101B CN108447101B CN201810061420.9A CN201810061420A CN108447101B CN 108447101 B CN108447101 B CN 108447101B CN 201810061420 A CN201810061420 A CN 201810061420A CN 108447101 B CN108447101 B CN 108447101B
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- sample
- sample number
- compression
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007906 compression Methods 0.000 title claims abstract description 22
- 230000006835 compression Effects 0.000 title claims abstract description 21
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 8
- 230000008447 perception Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000013144 data compression Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 241001504519 Papio ursinus Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明属于图像压缩领域,提供一种基于JND模型的图像压缩感知方法,用以提高图像压缩感知算法的效率。本发明利用JND模型建立感知误差的阈值,将原始图像块划分为人眼敏感的图像块和人眼不敏感的图像块;在压缩感知采样的样本分配过程中,为人眼敏感的图像块分配较多的样本,为人眼不敏感的图像块分配较少的样本,在整体采样率不变的情况下,根据人眼对图像内部特征的敏感程度自适应地分配采样样本,实现采样样本的合理分配,提高了采样效率,从而提高图像的重建质量。
Description
技术领域
本发明属于图像压缩领域,主要涉及一种基于JND模型的图像压缩感知方法。
背景技术
压缩感知理论提供了一种突破奈奎斯特采样定理的高效数据压缩方法,对于稀疏信号,在远低于奈奎斯特采样率的条件下对其进行采样,仍能实现对信号的完整重建;压缩感知理论在图像处理领域的一个重要应用就是对图像信号进行数据压缩。以压缩感知采样为基础,人们可以在对图像信号进行数据采集的同时实现对数据的压缩,因此构成了一种高效的数据处理方法。
现有的基于压缩感知理论的图像压缩算法,忽略了图像内部的纹理特征等信息,对图像内部的不同区域采用相同的采样率进行采样和压缩,因此限制了图像压缩感知算法的效率。图像的内部特征包括边缘特征和纹理特征,而这两种特征对人类的视觉感知十分重要。人类的视觉系统容易觉察到图像中物体边缘的变化以及图像内部的纹理变化;针对人类视觉系统自身的特性,人们提出了最小可觉察误差(Just-Noticeable-Distortion,JND)模型,从而对人类视觉系统的亮度对比度特性和时空域掩藏效应进行模拟,并通过对图像内部边缘信息和纹理信息变化的客观评估,来衡量人眼对图像内部信息变化的敏感度。
发明内容
本发明的目的在于提供一种基于JND模型的图像压缩感知方法,用以提高图像压缩感知算法的效率,本发明以分块式图像压缩采样为基础,以JND模型为指导,定义图像块的纹理复杂度,根据图像的内部特征对图像块进行分类,对于具有不同特征的图像块,分配不同数量的采样样本,在总体采样率不变的前提下,实现高效的样本分配,提高压缩感知采样的效率和图像的重建效率。
为实现上述目的,本发明采用的技术方案为:
一种基于JND模型的图像压缩感知方法,其特征在于,包括以下步骤:
步骤1.预处理
针对分辨率为C×R的图像X,首先计算其压缩感知采样样本数、r为压缩感知采样率、C为原始图像的宽度、R为原始图像的高度,符号表示对符号内的数按照四舍五入的方式取最接近于它的整数;
然后,采用无重叠式图像分块方法将图像X划分为N个互不重叠的、边长为l的正方形图像块,记为x1,x2,…,xi,…,xN,i为图像块的索引:i∈{1,2,…,N},N即为图像块的个数,并且N=(C·R)/l2;
步骤2.计算图像复杂度
首先,对每一个像素点x,定义其梯度为θ(x):Gv(x)为该像素点垂直方向梯度、Gh(x)为该像素点水平方向梯度;
然后,对每一个图像块xi,定义其直方图为Hk(xi):δ(·)为单位冲击函数:
最后,对每一个图像块xi,定义其图像复杂度为cpi:||·||0表示L0范数;
步骤3.初始化每个图像块的采样样本数
对每一个图像块xi,定义其采样样本数为ci:
步骤4.将图像块按类分组
将所有图像块按照采样样本数分成两个集合,记为G0和G1:G0={xi|ci≥l2}和G1={xi|ci<l2},并将集合G0中每个图像块的采样样本数重新记为集合G1中每个图像块的采样样本数重新记为即:
步骤5.调整图像块的采样样本数
将集合G0中每个图像块的采样样本数均设置为l2、并重新标记为 得到新的集合G0′:
步骤6.样本再分配的预判断
计算剩余采样样本数Δ:若剩余采样样本数Δ=0,进入步骤8;否则,则进入步骤7;
步骤7.采样样本的再分配
首先,更新步骤4得到的集合G1中图像块的xi的采样样本数为
得到新的集合G1′:
然后,把集合G1′中采样样本数大于或等于l2的图像块xi选出,组成集合g1:将集合g1放入步骤5得到的集合G0′中,同时将集合g1从集合G1′中删除;
最后,返回步骤5;
步骤8.基于图像复杂度的压缩感知采样
采用标准压缩感知采样方法,根据以上步骤得到的每一个图像块xi的采样样本数对图像块进行压缩感知采样,将得到的数据记为di;
采用标准基于SL0的信号重建法对di进行重建,得到重建图像块;并采用标准图像块合成图像的方法将重建图像块进行合成,得到完整的重建图像。
本发明的基本原理为:利用JND模型建立感知误差的阈值,将原始图像块划分为人眼敏感的图像块和人眼不敏感的图像块;在压缩感知采样的样本分配过程中,为人眼敏感的图像块分配较多的样本,为人眼不敏感的图像块分配较少的样本,在整体采样率不变的情况下,根据人眼对图像内部特征的敏感程度自适应地分配采样样本,实现采样样本的合理分配,提高了采样效率,从而提高图像的重建质量。
本发明的有益效果在于:提供一种基于JND模型的图像压缩感知方法,以人眼对图像块敏感程度为基础定义图像块的样本分配系数,并利用样本分配系数控制图像块的样本分配,通过合理分配每个图像块的采样样本,实现高效的图像压缩感知采样方法;即本发明以人类视觉特性为基础,将JND模型应用于图像压缩感知算法中,有效去除了视觉感知冗余,在保证视觉质量的前提下达到了较高的重建效率。
附图说明
图1为本发明基于JND模型的图像压缩感知方法流程图。
图2为本发明实施例中应用不同压缩感知采样方法在不同采样率下对不同图像进行采样并进行重建后得到的PSNR值。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本实施例提供一种基于JND模型的图像压缩感知方法,其流程如图1所示,包括以下步骤:
步骤1.预处理
首先,用标准的计算压缩感知采样样本数的方法计算分辨率为C×R的图像X的采样样本总数S,这里,r代表压缩感知采样率,C代表原始图像的宽度,R代表原始图像的高度,符号表示对符号内的数按照四舍五入的方式取最接近于它的整数;
其次,用标准的无重叠式图像分块方法将图像X划分为N个互不重叠的、边长为l的正方形图像块,记为x1,x2,…,xi,…,xN,这里,N代表所产生的图像块的个数,并且N=(C·R)/l2,i代表图像块的索引,i∈{1,2,…,N};
步骤2.计算图像复杂度
首先,对每一个像素点x,定义它的梯度为θ(x),这里,Gv(x)代表该像素点垂直方向梯度,Gh(x)代表该像素点水平方向梯度;
其次,对每一个图像块xi,定义它的直方图为Hk(xi),这里,δ(·)是单位冲击函数,该函数定义为
最后,对每一个图像块xi,定义它的图像复杂度为cpi,这里,·||0表示L0范数;
步骤3.初始化每个图像块的采样样本数
对每一个图像块xi,定义它的采样样本数为ci,这里,符号表示对符号内的数按照四舍五入的方式取最接近于它的整数,S代表步骤1中得到的整个图像的采样样本总数,cpi代表图像块xi的图像复杂度,i代表图像块的索引,i∈{1,2,…,N},N是步骤1中所产生的的所有图像块的个数;
步骤4.将图像块按类分组
将所有图像块按照每个图像块xi的采样样本数分成两个集合,记为G0和G1,将集合G0中每个图像块的采样样本数记为将集合G1中每个图像块的采样样本数记为其中
步骤5.调整图像块的采样样本数
修改集合G0中每个图像块的采样样本数将修改后每个图像块的采样样本数记为令将修改后的集合G0记为G'0,这里,
步骤6.样本再分配的判断
首先,计算剩余采样样本数,记为Δ,
其次,判断是否进行样本再分配,具体判断步骤是:如果剩余采样样本数Δ=0,则不需要进行样本再分配,直接进入步骤8;如果剩余采样样本数Δ≠0,则进入步骤7,进行样本再分配。
步骤7.采样样本的再分配
首先,更新步骤4得到的集合G1中图像块的xi的采样样本数定义更新后的样本数为令将更新后的集合G1记为G1',
接着,把集合G1'中采样样本数大于或等于l2的图像块xi选出,组成集合g1,这里,将集合g1放入步骤5得到的集合G'0中,同时将集合g1从集合G1'中删除;将修改后的集合G'0记为G0”,将修改后的集合G1'记为G1”;
最后,返回步骤5,判断是否需要进行样本再分配;
步骤8.基于图像复杂度的压缩感知采样
首先,根据步骤6得到的图像块的采样样本数和标准的压缩感知采样方法对每个图像块xi进行压缩感知采样,将得到的数据记为di;
接着,用标准的基于SL0的信号重建法对di进行重建,将重建后的图像块记为bi;
步骤9.标准的图像块合成图像的方法
用标准的图像块合成图像的方法将步骤8得到的重建图像块bi进行合成,得到完整的重建图像,记为Y。
上述涉及术语定义如下:
定义1、标准的计算压缩感知采样样本数的方法
标准的计算压缩感知采样样本数的方法是用原始数据的总数与采样率相乘后得到采样样本数的方法。
定义2、标准的无重叠式图像分块方法
标准的无重叠式图像分块方法以图像的左上角为起点,按照从左到右、从上到下的顺序,将图像依次划分为多个互不重叠的等尺寸的图像块。
定义3、标准的压缩感知采样方法
标准的压缩感知采样方法,是按照压缩感知采样的定义,用采样矩阵左乘待采样向量而产生采样样本向量的方法。
定义4、标准的基于SL0的信号重建法
标准的基于SL0的信号重建法是运用最陡下降法和梯度投影原理来求解l0范数最小解的方法。矢量的l0范数为一个不连续函数,标准的基于SL0的信号重建法通过使用一个连续函数来近似逼近矢量的l0范数,通过求得的连续函数最优解逼近使l0范数最小的解。
定义5、标准的图像块合成图像的方法
标准的图像块合成图像的方法是将图像块按照从左到右、从上到下的顺序进行拼接以合成完整图像的方法。
本实施例中,应用于Lena、Baboon和Peppers三幅分辨率为512×512的经典图像中,如图2所示为在不同的采样率下,对不同图像应用不同的基于压缩感知理论的方法进行采样和重建后得到的峰值信噪比(peak signal to noise ratio,PSNR);很明显,本发明的方法较现有的方法有明显的性能提升。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.一种基于JND模型的图像压缩感知方法,其特征在于,包括以下步骤:
步骤1.预处理
针对分辨率为C×R的图像X,首先计算其压缩感知采样样本数S:r为压缩感知采样率、C为原始图像的宽度、R为原始图像的高度,符号表示对符号内的数按照四舍五入的方式取最接近于它的整数;
然后,采用无重叠式图像分块方法将图像X划分为N个互不重叠的、边长为l的正方形图像块,记为x1,x2,…,xi,…,xN,i为图像块的索引:i∈{1,2,…,N},N即为图像块的个数,并且N=(C·R)/l2;
步骤2.计算图像复杂度
首先,对每一个像素点x,定义其梯度为θ(x):Gv(x)为该像素点垂直方向梯度、Gh(x)为该像素点水平方向梯度;
然后,对每一个图像块xi,定义其直方图为Hk(xi):
最后,对每一个图像块xi,定义其图像复杂度为cpi:||·||0表示L0范数;
步骤3.初始化每个图像块的采样样本数
对每一个图像块xi,定义其采样样本数为ci:
步骤4.将图像块按类分组
将所有图像块按照采样样本数分成两个集合,记为G0和G1:G0={xi|ci≥l2}和G1={xi|ci<l2},并将集合G0中每个图像块的采样样本数重新记为集合G1中每个图像块的采样样本数重新记为
步骤5.调整图像块的采样样本数
将集合G0中每个图像块的采样样本数均设置为l2、并重新标记为 得到新的集合G0′:
步骤6.样本再分配的预判断
计算剩余采样样本数Δ:若剩余采样样本数Δ=0,进入步骤8;否则,则进入步骤7;
步骤7.采样样本的再分配
首先,更新步骤4得到的集合G1中图像块的xi的采样样本数为
得到新的集合G1′;
然后,把集合G1′中采样样本数大于或等于l2的图像块xi选出,组成集合g1:将集合g1放入步骤5得到的集合G0′中,同时将集合g1从集合G1′中删除;
最后,返回步骤5;
步骤8.基于图像复杂度的压缩感知采样
采用压缩感知采样方法,根据以上步骤得到的每一个图像块xi的采样样本数对图像块进行压缩感知采样,将得到的数据记为di;所述压缩感知采样方法为用采样矩阵左乘待采样向量;
采用基于SL0的信号重建法对di进行重建,得到重建图像块;并采用图像块合成图像的方法将重建图像块进行合成,得到完整的重建图像;所述基于SL0的信号重建法为通过使用一个连续函数来近似逼近矢量的l0范数,通过求得的连续函数最优解逼近使l0范数最小的解;所述图像块合成图像的方法为将图像块按照从左到右、从上到下的顺序进行拼接以合成完整图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810061420.9A CN108447101B (zh) | 2018-01-23 | 2018-01-23 | 一种基于jnd模型的图像压缩感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810061420.9A CN108447101B (zh) | 2018-01-23 | 2018-01-23 | 一种基于jnd模型的图像压缩感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447101A CN108447101A (zh) | 2018-08-24 |
CN108447101B true CN108447101B (zh) | 2019-08-13 |
Family
ID=63191185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810061420.9A Active CN108447101B (zh) | 2018-01-23 | 2018-01-23 | 一种基于jnd模型的图像压缩感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447101B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110072104B (zh) * | 2019-04-12 | 2022-11-18 | 同济大学 | 一种基于图像级jnd预测的感知图像压缩方法 |
CN111986280B (zh) * | 2020-07-22 | 2021-06-01 | 广西交通设计集团有限公司 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
CN115396670B (zh) * | 2022-07-28 | 2024-05-03 | 西安空间无线电技术研究所 | 一种局域处理的图像数据压缩方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700074A (zh) * | 2013-12-23 | 2014-04-02 | 电子科技大学 | 基于离散余弦变换系数分布的自适应压缩感知采样方法 |
CN105976409A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 一种基于压缩感知理论的图像压缩方法 |
CN107146259A (zh) * | 2017-04-05 | 2017-09-08 | 电子科技大学 | 一种基于压缩感知理论的新型图像压缩方法 |
CN107146260A (zh) * | 2017-04-14 | 2017-09-08 | 电子科技大学 | 一种基于均方误差的图像压缩感知采样方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473797B (zh) * | 2013-09-16 | 2016-04-20 | 电子科技大学 | 基于压缩感知采样数据修正的空域可缩小图像重构方法 |
CN106101725B (zh) * | 2016-06-28 | 2018-11-13 | 电子科技大学 | 一种基于压缩感知理论和空域下采样技术的图像压缩方法 |
CN106204670B (zh) * | 2016-07-18 | 2019-04-05 | 电子科技大学 | 一种基于优化下采样算法和压缩感知理论的图像压缩方法 |
-
2018
- 2018-01-23 CN CN201810061420.9A patent/CN108447101B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700074A (zh) * | 2013-12-23 | 2014-04-02 | 电子科技大学 | 基于离散余弦变换系数分布的自适应压缩感知采样方法 |
CN105976409A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 一种基于压缩感知理论的图像压缩方法 |
CN107146259A (zh) * | 2017-04-05 | 2017-09-08 | 电子科技大学 | 一种基于压缩感知理论的新型图像压缩方法 |
CN107146260A (zh) * | 2017-04-14 | 2017-09-08 | 电子科技大学 | 一种基于均方误差的图像压缩感知采样方法 |
Non-Patent Citations (4)
Title |
---|
Color Image Enhancement Based on Single-Scale Retinex With a JND-Based Nonlinear Filter;Doo Hyun Choi 等;《2007 IEEE International Symposium on Circuits and Systems》;20070625;第3948-3951页 * |
Perceptual sparse representation for compressed sensing of image;Jian Wu 等;《2016 Visual Communications and Image Processing (VCIP)》;20161130;第I到V节 * |
基于人眼视觉特性的印刷图像压缩技术研究;姚军财;《液晶与显示》;20121231(第6期);第69-72页 * |
基于成比例归一化最小均方误差算法的压缩感知信号重构;吴莉;《自动化技术与应用》;20161130;第35卷(第11期);第1-5、29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108447101A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447101B (zh) | 一种基于jnd模型的图像压缩感知方法 | |
CN110163246A (zh) | 基于卷积神经网络的单目光场图像无监督深度估计方法 | |
CN109615632B (zh) | 一种基于半监督条件生成式对抗网络的眼底图视盘和视杯分割方法 | |
CN102333233A (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN109671023A (zh) | 一种人脸图像超分辨率二次重建方法 | |
CN108134937B (zh) | 一种基于hevc的压缩域显著性检测方法 | |
CN107545570B (zh) | 一种半参考图的重构图像质量评价方法 | |
Wang et al. | Quaternion representation based visual saliency for stereoscopic image quality assessment | |
CN104023227B (zh) | 一种基于空域和时域结构相似性的视频质量客观评价方法 | |
CN106550244A (zh) | 视频图像的画质增强方法及装置 | |
CN111709914B (zh) | 一种基于hvs特性的无参考图像质量评价方法 | |
CN113192055B (zh) | 一种合成图像的和谐化方法及模型 | |
CN113782190B (zh) | 基于多级时空特征和混合注意力网络的图像处理方法 | |
Huang et al. | A short survey of image super resolution algorithms | |
CN105678697A (zh) | 一种基于dct域本征变换的人脸图像超分辨率重建方法 | |
CN113256494B (zh) | 一种文本图像超分辨率方法 | |
CN110992414A (zh) | 一种基于卷积神经网络的室内单目场景深度估计的方法 | |
CN108470178A (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
CN106993188A (zh) | 一种基于多人脸视频显著性的hevc压缩编码方法 | |
CN114170286A (zh) | 一种基于无监督深度学习的单目深度估计方法 | |
CN117237279A (zh) | 一种非均匀失真全景图像盲质量评价方法及系统 | |
CN107945151A (zh) | 一种基于相似性变换的重定位图像质量评价方法 | |
CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
CN107146260B (zh) | 一种基于均方误差的图像压缩感知采样方法 | |
CN108848365A (zh) | 一种重定位立体图像质量评价方法 |
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 |