CN110097497B - 基于residual multismoothlets的多尺度图像变换和逆变换方法 - Google Patents
基于residual multismoothlets的多尺度图像变换和逆变换方法 Download PDFInfo
- Publication number
- CN110097497B CN110097497B CN201910401619.6A CN201910401619A CN110097497B CN 110097497 B CN110097497 B CN 110097497B CN 201910401619 A CN201910401619 A CN 201910401619A CN 110097497 B CN110097497 B CN 110097497B
- Authority
- CN
- China
- Prior art keywords
- transformation
- residual
- original image
- image
- image block
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 91
- 238000011426 transformation method Methods 0.000 title claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 abstract description 16
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000006835 compression Effects 0.000 abstract 1
- 238000007906 compression Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于residual multismoothlets的多尺度图像变换和逆变换方法,属于图像处理技术领域,解决传统的多尺度几何方法不能拟合复杂边缘或者模糊边缘以及现有的multismoothlets变换方法不能很好地平衡高质量的变换结果与合理的处理时间的问题。本发明输入需进行变换的原始图像C,设置变换的级数M和图像分解尺度j,其中,M≥2;将原始图像平均分成2^j×2^j个图像块,即得到N=2^j×2^j个原始图像块;基于residual multismoothlets变换,计算各原始图像块的M级smoothlets变换系数{Snm|m=1,...,mn};以N个原始图像块对应的自适应M级smoothlets变换系数作为原始图像C的residual multismoothlets变换结果{Snm|n=1,...,N,m=1,...,mn};并基于变换结果进行图像逆变换。本发明可用于图像变换、拟合、压缩、去噪、边缘提取等场合。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于residual multismoothlets的多尺度图像变换和逆变换方法,用于图像变换和拟合。
背景技术
寻找一种高效的数字图像表示方法是现在很多图像处理课题中很重要的一项任务。高效的图像表示可以理解为用尽可能简单的表示方法获得更准确的图像内容。尽管图像表示方法在不断的创新和更新,但现有的表示方法还是在或多或少的方面存在不同的缺点。因此,更好的图像变换方法仍然需要被发现。
超小波分析是基于小波分析基础上的新的多尺度分析,这些多尺度分析方法可分为两大类:一类是常见的基于框架的非自适应计算方法,如Curvelet、Ridgelet、Contourlet、Brushlet、Shearlet;另外一类是自适应的逼近算法,其大部分的表示方法是基于字典的,如Beamlet、Wedgelet、Smoothlet、Platelet、Surflet等。近年来,出现了一些基于框架的自适应算法,如Bandelet、Tetrolet。其中,Smoothlet通过在基准线(宏块中的拟合线)上设置一条过渡带使得重建图像基准线两侧的灰度值实现了缓慢过渡,更符合自然图像灰度渐变的特点。
当图像的边缘信息比较复杂时,一个图像块仅用一条基准线是很难有效的表示出图像的的纹理特征的,因此Multiwedgelets和Multismoothlets被提出,即在一个图像块中用多条基准线表示其复杂的边缘,而现有的Multismoothlets变换方法因在变换效率和变换质量之间难以平衡,如serial multismoothlets理论上可以实现高质量的变换效果,但是是在牺牲很大时间效率的前提下,且实现难度很大;而parallel multismoothlets在一个可以接受的时间范围(交换效率)内进行变换,但变换效果(变换质量)差强人意。综上所述,现有技术已不能满足现代对图像质量和效率的高要求,对传统的Multismoothlets进行改进迫在眉睫。
发明内容
针对上述研究的问题,本发明的目的在于提供一种基于residualmultismoothlets的多尺度图像变换和逆变换方法,解决传统的多尺度几何方法不能拟合复杂边缘或者模糊边缘以及现有的multismoothlets变换方法不能很好地平衡高质量的变换结果与合理的处理时间的问题。
为了达到上述目的,本发明采用如下技术方案:
一种基于residual multismoothlets的多尺度图像变换方法,如下步骤:
步骤1、输入需进行变换的原始图像C,设置变换的级数M和图像分解尺度j,其中,M≥2;
步骤2、将原始图像平均分成2^j×2^j个图像块,即得到N=2^j×2^j个原始图像块;
步骤3、基于residual multismoothlets变换,计算各原始图像块的M级smoothlets变换系数{Snm|m=1,…,mn},n=1,…,N,n代表图像块编号,对应具体图像块位置,m代表smoothlets的具体层级集合;
步骤4、以N个原始图像块对应的自适应M级smoothlets变换系数作为原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N;m=1,…,mn}。
进一步,所述步骤3的具体步骤为:
步骤3.1、从N个原始图像块中选取一个未变换的原始图像块Cn,n=1~N,未变换是指未基于residual multismoothlets变换;
步骤3.2、基于residual multismoothlets变换,计算原始图像块Cn的M级近似图像块;
步骤3.3、判断N个原始图像块是否都已完成M级residual multismoothlets变换,若都完成变换,执行步骤4,否则转到步骤S3.1。
进一步,所述步骤3.2的具体步骤为:
步骤3.22、对Rnm进行smoothlets变换,得到第m级smoothlets变换系数Snm;
步骤3.24、若m<M,更新m=m+1,基于更新后的m,更新残差图像并转到步骤S 3.22,否则,计算原始图像块Cn与第m级近似图像块/>的峰值信噪比pnm,得到{pnm|m=1,…,M},并从{pnm|m=1,…,M}中选取最大峰值信噪比pnm对应的m值,记作mn,并令原始图像块Cn的最终变换系数为Sn={Snm|m=1,…,mn}。
一种基于residual multismoothlets的多尺度图像逆变换方法,基于原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N,m=1,…,mn},进行residualmultismoothlets逆变换,具体步骤为:
步骤4.1、从N个变换结果中选取一个未逆变换的变换结果Sn,未逆变换是指未基于residual multismoothlets逆变换;
本发明同现有技术相比,其有益效果表现在:
一、本发明有效利用原始图像与各级变换图像之间的残差,解决了传统的多尺度几何方法不能拟合复杂边缘或者模糊边缘以及现有的multismoothlets变换方法不能很好地平衡高质量的变换结果与合理的处理时间的问题,即在保证变换质量提高的情况下,与现有技术相比,还可减少40%的时间。
附图说明
图1是本发明中原始图像实施基于residual multismoothlets的图像变换方法的流程图;
图2是本发明中的一个变换实例,其中,(a)是一个32×32的原始图像块;(b)是传统多尺度几何FEEST的变换结果;(c)是现有的parallel multismoothlets transform(PMT)的变换结果,即对(a)进行现有的PMT的结果,psnr=22.40dB;(d)是本发明residualmultismoothlets transform(RMT)的变换结果,即对(a)进本发明RMT的结果,psnr=25.47dB。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种基于residual multismoothlets的多尺度图像变换方法,如下步骤:
步骤1、输入需进行变换的原始图像C,设置变换的级数M和图像分解尺度j,其中,M≥2;
步骤2、将原始图像平均分成2^j×2^j个图像块,即得到N=2^j×2^j个原始图像块;
步骤3、基于residual multismoothlets变换,计算各原始图像块的M级smoothlets变换系数{Snm|m=1,…,mn},n=1,…,N,n代表图像块编号,对应具体图像块位置,m代表smoothlets的具体层级集合;
具体步骤为:
步骤3.1、从N个原始图像块中选取一个未变换的原始图像块Cn,n=1~N,未变换是指未基于residual multismoothlets变换;
步骤3.2、基于residual multismoothlets变换,计算原始图像块Cn的M级近似图像块;
步骤3.3、判断N个原始图像块是否都已完成M级residual multismoothlets变换,若都完成变换,执行步骤4,否则转到步骤S3.1。
具体步骤为:
步骤3.22、对Rnm进行smoothlets变换,得到第m级smoothlets变换系数Snm;
步骤3.24、若m<M,更新m=m+1,基于更新后的m,更新残差图像并转到步骤S 3.22,否则,计算原始图像块Cn与第m级近似图像块/>的峰值信噪比pnm,得到{pnm|m=1,…,M},并从{pnm|m=1,…,M}中选取最大峰值信噪比pnm对应的m值,记作mn,并令原始图像块Cn的最终变换系数为Sn={Snm|m=1,…,mn}。
步骤4、以N个原始图像块对应的自适应M级smoothlets变换系数作为原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N;m=1,…,mn}。
一种基于residual multismoothlets的多尺度图像逆变换方法,基于原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N,m=1,…,mn},进行residualmultismoothlets逆变换,具体步骤为:
步骤4.1、从N个变换结果中选取一个未逆变换的变换结果Sn,未逆变换是指未基于residual multismoothlets逆变换;
实施例
一种基于residualmultismoothlets的图像变换方法,输入需进行变换的原始图像(分辨率32×32),设置multismoothlets变换的级数M=3和图像分解尺度j=2;将原图像平均分成4×4个图像块,即N=4×4个原始图像块;
从4×4个原始图像块中选取一个未变换的原始图像块,未变换是指未基于smoothlets变换,计算原始图像块的M级近似图像块;
对Rn1进行smoothlets变换,得到第1级smoothlets变换系数Sn1;
原始图像块Cn的3级smoothlets变换系数,计算原始图像块Cn与第m级近似图像块的峰值信噪比pnm,得到{pnm|m=1,…,3},并从{pnm|m=1,…,3}中选取最大峰值信噪比pnm对应的m值,记作mn,并令最终变换系数Sn={Snm|m=1,…,mn}作为原始图像Cn的residualmultismoothlets变换结果。
根据上述步骤,最终得到4×4个原始图像块的3级smoothlets变换系数,即原始图像C的M=3级residual multismoothlets变换结果为{Snm|n=1,…,16;m=1,…,mn}。
综上所述的方式,对10幅256×256的原始图像,设置变换级数m=3,图像分解尺度j={3,4,5},应用现有技术中的parallel multismoothlets变换(PMT)和本发明的residual multismoothlets变换(RMT),结果证明本方法减少了变换时间,相比parallelmultismoothlets减少了40%的时间,且smoothlets逆变换结果(逆变质量)的psnr也实现了提高,具体如下表所示:
m=3时,一种基于residual multismoothlets的多尺度图像逆变换方法的具体步骤为:
从N个变换结果中选取一个未逆变换的变换结果Sn,未逆变换是指未基于residual multismoothlets逆变换;
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (1)
1.一种基于residual multismoothlets的多尺度图像变换和逆变换方法,其特征在于,如下步骤:
步骤1、输入需进行变换的原始图像C,设置变换的级数M和图像分解尺度j,其中,M≥2;
步骤2、将原始图像平均分成2^j×2^j个图像块,即得到N=2^j×2^j个原始图像块;
步骤3、基于residual multismoothlets变换,计算各原始图像块的M级smoothlets变换系数{Snm|m=1,…,mn},其中n=1,…,N,n代表图像块编号,对应具体图像块位置,m代表smoothlets的具体层级集合;
步骤4、以N个原始图像块对应的自适应M级smoothlets变换系数作为原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N;m=1,…,mn};
所述步骤3的具体步骤为:
步骤3.1、从N个原始图像块中选取一个未变换的原始图像块Cn,n=1~N,未变换是指未基于residual multismoothlets变换;
步骤3.2、基于residual multismoothlets变换,计算原始图像块Cn的M级近似图像块;
步骤3.3、判断N个原始图像块是否都已完成M级residual multismoothlets变换,若都完成变换,执行步骤4,否则转到步骤S3.1;
所述步骤3.2的具体步骤为:
步骤3.22、对Rnm进行smoothlets变换,得到第m级smoothlets变换系数Snm;
步骤3.24、若m<M,更新m=m+1,基于更新后的m,更新残差图像并转到步骤S 3.22,否则,计算原始图像块Cn与第m级近似图像块的峰值信噪比pnm,得到{pnm|m=1,…,M},并从{pnm|m=1,…,M}中选取最大峰值信噪比pnm对应的m值,记作mn,并令原始图像块Cn的最终变换系数为Sn={Snm|m=1,…,mn};
基于原始图像C的residual multismoothlets变换结果{Snm|n=1,…,N,m=1,…,mn},进行residual multismoothlets逆变换,具体步骤为:
步骤4.1、从N个变换结果中选取一个未逆变换的变换结果Sn,未逆变换是指未基于residual multismoothlets逆变换;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401619.6A CN110097497B (zh) | 2019-05-14 | 2019-05-14 | 基于residual multismoothlets的多尺度图像变换和逆变换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401619.6A CN110097497B (zh) | 2019-05-14 | 2019-05-14 | 基于residual multismoothlets的多尺度图像变换和逆变换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097497A CN110097497A (zh) | 2019-08-06 |
CN110097497B true CN110097497B (zh) | 2023-03-24 |
Family
ID=67448112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401619.6A Active CN110097497B (zh) | 2019-05-14 | 2019-05-14 | 基于residual multismoothlets的多尺度图像变换和逆变换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097497B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477679A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于轮廓波Contourlet变换的图像去噪方法 |
CN105023257A (zh) * | 2015-08-24 | 2015-11-04 | 西南石油大学 | 基于N-Smoothlets的图像去噪方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6944350B2 (en) * | 1999-12-17 | 2005-09-13 | Utah State University | Method for image coding by rate-distortion adaptive zerotree-based residual vector quantization and system for effecting same |
DE102004059993B4 (de) * | 2004-10-15 | 2006-08-31 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und Verfahren zum Erzeugen einer codierten Videosequenz unter Verwendung einer Zwischen-Schicht-Bewegungsdaten-Prädiktion sowie Computerprogramm und computerlesbares Medium |
JP4737665B2 (ja) * | 2005-03-31 | 2011-08-03 | 株式会社リコー | 符号処理装置、符号処理方法、プログラム及び情報記録媒体 |
CN100543497C (zh) * | 2007-06-29 | 2009-09-23 | 中国石油大学(华东) | 核测井数据多尺度处理方法 |
CN102158637B (zh) * | 2011-04-01 | 2012-12-05 | 西安电子科技大学 | 基于Surfacelet变换域的空间自适应阈值视频去噪方法 |
CN103501437B (zh) * | 2013-09-29 | 2016-06-22 | 北京航空航天大学 | 一种基于分形和h.264的高光谱图像压缩方法 |
CN105100812B (zh) * | 2014-05-23 | 2019-01-04 | 成都市高博汇科信息科技有限公司 | 一种图像发送、接收方法和装置 |
FR3026261A1 (fr) * | 2014-09-22 | 2016-03-25 | Orange | Procede de codage et de decodage d'images integrales, dispositif de codage et de decodage d'images integrales et programmes d'ordinateur correspondants |
CN106251307B (zh) * | 2016-08-02 | 2018-12-04 | 电子科技大学 | 基于Extended Smoothlets变换的图像近似方法 |
CN107154064B (zh) * | 2017-05-04 | 2019-07-23 | 西安电子科技大学 | 基于深度稀疏编码的自然图像压缩感知重建方法 |
CN107194905A (zh) * | 2017-05-22 | 2017-09-22 | 阜阳师范学院 | 一种基于非下采样Cotourlet变换的图像处理方法及系统 |
EP3639063A1 (en) * | 2017-06-08 | 2020-04-22 | Downunder Geosolutions Pty Ltd. | Method for improved processing of data with time overlapping recordings of energy sources |
-
2019
- 2019-05-14 CN CN201910401619.6A patent/CN110097497B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477679A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于轮廓波Contourlet变换的图像去噪方法 |
CN105023257A (zh) * | 2015-08-24 | 2015-11-04 | 西南石油大学 | 基于N-Smoothlets的图像去噪方法 |
Non-Patent Citations (4)
Title |
---|
3D多尺度几何分析研究进展;宋传鸣等;《软件学报》;20150515;第26卷(第05期);12113-1236 * |
Shear Smoothlet -- Anisotropic Multiscale Functions for Adaptive Representation of Images;Meirong Chen等;《 2014 Seventh International Symposium on Computational Intelligence and Design》;20150409;391-394 * |
基于小波变换的图像增强新算法;吴桑等;《现代电子技术》;20130215;第36卷(第04期);89-91 * |
基于阈值改进Contourlet变换的图像融合算法;吴鹏等;《华南理工大学学报(自然科学版)》;20170115;第45卷(第01期);35-41,52 * |
Also Published As
Publication number | Publication date |
---|---|
CN110097497A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN110045419B (zh) | 一种感知器残差自编码网络地震资料去噪方法 | |
CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
CN110163815B (zh) | 基于多阶段变分自编码器的低照度还原方法 | |
CN109242799B (zh) | 一种变阈值的小波去噪方法 | |
CN114049283A (zh) | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN111563854B (zh) | 用于水下图像增强处理的粒子群优化方法 | |
CN116188325A (zh) | 一种基于深度学习和图像颜色空间特性的图像去噪方法 | |
CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及系统 | |
CN101957984B (zh) | 基于非局部萎缩因子参数估计的图像去噪方法 | |
CN111915518A (zh) | 基于三重低秩模型的高光谱图像去噪方法 | |
WO2021042270A1 (zh) | 基于双流多路径递归残差网络的压缩伪影去除方法 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
CN110097497B (zh) | 基于residual multismoothlets的多尺度图像变换和逆变换方法 | |
Yuan et al. | Gradient-guided residual learning for inverse halftoning and image expanding | |
CN113436101A (zh) | 基于高效通道注意力机制的龙格库塔模块去雨的方法 | |
CN111292267B (zh) | 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法 | |
CN110599426B (zh) | 一种优化clahe的水下图像增强方法 |
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 |