CN110505487B - 基于非凸低秩模型图像量化去块方法、系统及存储介质 - Google Patents

基于非凸低秩模型图像量化去块方法、系统及存储介质 Download PDF

Info

Publication number
CN110505487B
CN110505487B CN201910640852.XA CN201910640852A CN110505487B CN 110505487 B CN110505487 B CN 110505487B CN 201910640852 A CN201910640852 A CN 201910640852A CN 110505487 B CN110505487 B CN 110505487B
Authority
CN
China
Prior art keywords
image
model
quantization
rank
solving
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
CN201910640852.XA
Other languages
English (en)
Other versions
CN110505487A (zh
Inventor
邱小群
关景新
高健
刘炳全
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.)
Zhuhai City Polytechnic
Original Assignee
Zhuhai City Polytechnic
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 Zhuhai City Polytechnic filed Critical Zhuhai City Polytechnic
Priority to CN201910640852.XA priority Critical patent/CN110505487B/zh
Publication of CN110505487A publication Critical patent/CN110505487A/zh
Application granted granted Critical
Publication of CN110505487B publication Critical patent/CN110505487B/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
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H04N19/86—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了基于非凸低秩模型图像量化去块方法、系统及存储介质，方法包括：通过非局部自相似法构建原始图像的相似组块模型；通过交替优化算法对相似组块模型进行求解；通过求解得到的相似组块，对原始图像的原位置进行填充；通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像。本发明采用非凸的低秩模型获得更高质量的图像，通过交替优化算法能够有效地求解相似组块模型；另外，还通过量化估计方法进行最后的量化处理，极大地改善了现有的图像去块质量，可广泛应用于图像处理技术领域。

Description

基于非凸低秩模型图像量化去块方法、系统及存储介质
技术领域
本发明涉及图像处理技术领域，尤其是基于非凸低秩模型图像量化去块方法、系统及存储介质。
背景技术
图像和视频压缩、基于块变换编码由于其具有规律性的特点，容易在硬件中实现，因此已广泛采用于各种当前编码标准，如JPEG，H/AVC和H.265/HEVC。在它们之中，内核变换，块离散余弦变换(BDCT)是最受欢迎的方法之一。但是随着图像码率的降低，量化变得粗糙，在块的边界会出现不连续的情况，在重构图像中形成显著缺陷(即产生块效应)。块效应的存在使得图像质量下降，很多细节信息丢失。特别是是在高压缩比的情况下，块效应更加明显，严重影响了图像的视觉效果。
为了抑制块效应产生的不良视觉效果，现有技术提出了不同的方法；其中主要可以分为前处理和后处理两类。前处理的方法是通过对变化框架本身进行改变来消除块效应；后处理的方法是在解码端对图像进行处理，以改善图像质量。
目前，块效应产生的主要原因，是由于基于DCT压缩编码(如JPEG压缩编码)对图像的每个子块(例如8×8子块)单独处理，破坏了图像在子块边缘固有的相关性，因此当压缩比(compression ratio)较高(即低于0.5bit/pixel)及图像损伤严重时，在图像子块的边缘部分就会出现不连续的虚假边界。离散余弦变换(DCT)理论上是无损的或误差可以控制的，但在对(DCT)系数进行编码时，每块(DCT)系数会通过丢弃一些能量较小的频率分量，达到降低码率的目的，这就是产生块效应的主要因素。若压缩码率较低，量化步长受到可编码比特数的制约而加长，则原本两个子块之间平滑变化的像素值在量化后会落入不同的量化区间，在重建图像块的边界处便会出现不连续的跳变，形成伪块边界。因此压缩比越高，量化步长越大，块效应越明显。
发明内容
有鉴于此，本发明实施例提供一种基于非凸低秩模型图像量化去块方法、系统及存储介质，以补救自然图像在压缩过程中经量化导致损失的图像信息，有效去除压缩图像块效应。
第一方面，本发明实施例提供了一种基于非凸低秩模型图像量化去块方法，包括以下步骤：
通过非局部自相似法构建原始图像的相似组块模型；
通过交替优化算法对相似组块模型进行求解；
通过求解得到的相似组块，对原始图像的原位置进行填充；
通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像。
进一步，所述通过非局部自相似法构建原始图像的相似组块模型这一步骤，包括以下步骤：
确定组块的大小参数；
根据组块的大小参数，确定搜索区域；
根据搜索区域和滤波窗口，计算所述搜索区域内每个搜索点的窗口与滤波窗口之间的绝对差值的和；
根据绝对差值的和，通过指数函数计算搜索点的权值；
对计算得到的所有搜索点的权值进行归一化处理，得到相似组块模型。
进一步，所述通过交替优化算法对相似组块模型进行求解这一步骤，包括以下步骤：
根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；
通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；
通过优化问题对原始图像中每个图像块进行重建，得到相似组块。
进一步，所述最小化非凸秩的模型的表达式为：
Figure BDA0002131801130000021
其中，
Figure BDA0002131801130000022
代表噪声方差；Zl代表第l个待恢复的图像块；Rl代表第l个抽取算子；x代表观测的图像；
Figure BDA0002131801130000023
代表块匹配项；λ代表正则化参数；R(Zl)代表正则化项；
所述通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型这一步骤中，求解公式具体为：
Zl＝USυ(∑Xl)VT
其中，Zl代表第l个待恢复的图像块；U代表左酉矩阵；Sυ代表奇异值收缩算子；Xl代表第l个观测的图像块；VT代表右酉矩阵。
进一步，所述通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像这一步骤，包括以下步骤：
根据图像压缩过程确定量化范围的表达模型；
对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
第二方面，本发明实施例提供了一种基于非凸低秩模型图像量化去块系统，包括：
构建模块，用于通过非局部自相似法构建原始图像的相似组块模型；
交替优化模块，用于通过交替优化算法对相似组块模型进行求解；
填充模块，用于通过求解得到的相似组块，对原始图像的原位置进行填充；
量化处理模块，用于通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像。
进一步，所述交替优化模块包括：
最小化单元，用于根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；
求解单元，用于通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；
重建单元，用于通过优化问题对原始图像中每个图像块进行重建，得到相似组块。
进一步，所述量化处理模块包括：
量化范围确定单元，用于根据图像压缩过程确定量化范围的表达模型；
量化约束确定单元，用于对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
量化处理单元，用于根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
第三方面，本发明实施例提供了一种基于非凸低秩模型图像量化去块系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于非凸低秩模型图像量化去块方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于非凸低秩模型图像量化去块方法。
上述本发明实施例中的一个或多个技术方案具有如下优点：本发明的实施例首先通过非局部自相似法构建原始图像的相似组块模型；接着通过交替优化算法对相似组块模型进行求解；然后通过求解得到的相似组块，对原始图像的原位置进行填充；最后通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像；相较于传统核范数模型，本发明采用非凸的低秩模型获得更高质量的图像，通过交替优化算法能够有效地求解相似组块模型；另外，本发明通过量化估计方法进行最后的量化处理，极大地改善了现有的图像去块质量。
附图说明
图1为本发明实施例的步骤流程图；
图2为本发明实施例的去块效果比对图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明实施例提供了一种基于非凸低秩模型图像量化去块方法，包括以下步骤：
通过非局部自相似法构建原始图像的相似组块模型；
通过交替优化算法对相似组块模型进行求解；
通过求解得到的相似组块，对原始图像的原位置进行填充；
通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像。
其中，非局部自相似法是指：将图像分割成块，寻找这些块总相似的块，并将这些块总相似的块构建成组矩阵；
交替优化算法是指：当目标函数同时需要优化多个变量，在优化时固定其它所有变量，而相应地子优化问题进行优化；
对原始图像的原位置进行填充是指：将求解后得到的相似块放回原始图像的位置；
量化估计方法是指：丢弃一些能量较小的频率分量，达到降低码率的效果。
进一步作为优选的实施方式，所述通过非局部自相似法构建原始图像的相似组块模型这一步骤，包括以下步骤：
确定组块的大小参数；
根据组块的大小参数，确定搜索区域；
根据搜索区域和滤波窗口，计算所述搜索区域内每个搜索点的窗口与滤波窗口之间的绝对差值的和；
根据绝对差值的和，通过指数函数计算搜索点的权值；
对计算得到的所有搜索点的权值进行归一化处理，得到相似组块模型。
本实施例中，对于一幅图像选取块大小为7×7，并以该块为中心，在该块的周围区域大小为15×15进行搜索，并计算该块与搜索的滤波窗口之间的对差值的和，其中指数函数为高斯核函数，权值为方差。
其中，本实施例确定的组块大小为7×7；搜索区域大小为15×15；
进一步作为优选的实施方式，所述通过交替优化算法对相似组块模型进行求解这一步骤，包括以下步骤：
根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；
通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；
通过优化问题对原始图像中每个图像块进行重建，得到相似组块。
进一步作为优选的实施方式，所述最小化非凸秩的模型的表达式为：
Figure BDA0002131801130000051
其中，σe 2代表噪声方差；Zl代表第l个待恢复的图像块；Rl代表第l个抽取算子；x代表观测的图像；
Figure BDA0002131801130000052
代表块匹配项；λ代表正则化参数；R(Zl)代表正则化项；
所述通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型这一步骤中，求解公式具体为：
Zl＝USυ(∑Xl)VT
其中，Zl代表第l个待恢复的图像块；U代表左酉矩阵；Sυ代表奇异值收缩算子；Xl代表第l个观测的图像块；VT代表右酉矩阵。
进一步作为优选的实施方式，所述通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像这一步骤，包括以下步骤：
根据图像压缩过程确定量化范围的表达模型；
对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
与图1的方法相对应，本发明实施例提供了一种基于非凸低秩模型图像量化去块系统，包括：
构建模块，用于通过非局部自相似法构建原始图像的相似组块模型；
交替优化模块，用于通过交替优化算法对相似组块模型进行求解；
填充模块，用于通过求解得到的相似组块，对原始图像的原位置进行填充；
量化处理模块，用于通过量化估计方法对填充后的图像进行量化处理，得到去块后的图像。
进一步作为优选的实施方式，所述交替优化模块包括：
最小化单元，用于根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；
求解单元，用于通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；
重建单元，用于通过优化问题对原始图像中每个图像块进行重建，得到相似组块。
进一步作为优选的实施方式，所述量化处理模块包括：
量化范围确定单元，用于根据图像压缩过程确定量化范围的表达模型；
量化约束确定单元，用于对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
量化处理单元，用于根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
与图1的方法相对应，本发明实施例提供了一种基于非凸低秩模型图像量化去块系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于非凸低秩模型图像量化去块方法。
与图1的方法相对应，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于非凸低秩模型图像量化去块方法。
下面详细描述本发明的基于非凸低秩模型图像量化去块方法的实施步骤：
本发明的目的在于克服现有技术的缺点和不足，提供一种基于非凸低秩模型的图像去块效应方法，本发明将lp(0<p<1)范数函数代替传统的核范数作为先验信息。相较于传统核范数模型，本发明采用非凸的低秩模型获得更高质量的图像。此外，本发明开发了一种新的量化噪声模型，通过交替最小化策略有效地解决了所提出的目标函数。值得强调的是，所提出的图像去块效应算法中的参数是自适应的，这使得整个方法更有效和有吸引力。广泛实验表明，所提出的图像解块算法在PSNR指标和视觉感知方面均优于当前最先进的方法，并且极大地改善了现有的图像解块质量。
首先，本发明在最大后验概率框架下构建相应代价函数，求解压缩图像去块效应问题具体表示为：
Figure BDA0002131801130000071
其中，x代表待恢复图像；y代表观测图像；p(x|y)代表条件概率分布；
Figure BDA0002131801130000072
代表最大化；
根据贝叶斯公式，上述公式可以转化为：
Figure BDA0002131801130000073
其中，lg代表底为10的对数；lgp(x|y)代表对数p(x|y)的条件概率分布；lgp(x)代表对数p(x)的概率分布。上述(2)式中的前一项为数据保真项，经过量化噪声模型来约束x和y之间的对应关系；后一项为正则化项约束解空间。
在高斯量化噪声模型的假设下，最大后验概率模型中的第一项(数据保真项)表示为
Figure BDA0002131801130000074
其中，||x-y||代表匹配项；
Figure BDA0002131801130000075
代表噪声方差；
上述式(3)中
Figure BDA0002131801130000076
根据不同的量化因子q和量化矩阵计算得到；
Figure BDA0002131801130000077
其中，Mq是量化因子为q时的量化矩阵，其大小为8×8；是量化矩阵左上角3×3个数的均值，相对应的是DCT变换的低频部分；
Figure BDA0002131801130000078
代表为
Figure BDA0002131801130000079
的均值；
Figure BDA00021318011300000710
代表噪声方差；
Figure BDA00021318011300000711
代表量化因子；
启发于lp(0<p<1)范数的稀疏正则化，本发明利用非凸lp(0<p<1)的秩函数在矩阵的奇异值来代替凸的核范数模型。为了进一步提高图像的低秩性质，基于矩阵块的非局部自相似被应用于提出的方法。具体地说，对于每一矩阵块，提出的秩函数可以通过以下函数解决:
Figure BDA0002131801130000081
其中，σi(Zl)是矩阵Zl的第i个奇异值；|σi(Zl)|p代表Zl的第i个奇异值；c代表奇异值个数；R(Zl)代表正则化项；
这样，对于每一矩阵块Xl＝Rlx，基于非局部低秩模型可表示为：
Figure BDA0002131801130000082
其中，
Figure BDA0002131801130000083
代表匹配项；
Figure BDA0002131801130000084
代表正则化项；
这样，对于每一副完整的图像，提出的图像去块效应模型为；
Figure BDA0002131801130000085
其中，
Figure BDA0002131801130000086
代表最小化；
Figure BDA0002131801130000087
代表噪声的方差；
Figure BDA0002131801130000088
代表误差匹配项；
Figure BDA0002131801130000089
代表块匹配项；
Figure BDA00021318011300000810
代表正则化项；
对于图像去块效应问题，量化约束X∈Ω是个至关重要的先验信息，根据JPEG压缩的过程，本实施例得到：
Figure BDA00021318011300000811
其中，Y(k-1)×N+l代表在(k-1)×N+l位置的观测图像块；X(k-1)×N+l代表在(k-1)×N+l位置的待恢复图像块；Mk,l代表在(k,l)位置的量化因子；
Figure BDA0002131801130000091
代表四舍五入取整；
经过简化后得到：
Figure BDA0002131801130000092
其中，l≤k，l≤N以及w为一个松弛参数。因此，量化约束被设定为
Figure BDA0002131801130000093
其中，
Figure BDA0002131801130000094
和
Figure BDA0002131801130000095
Figure BDA0002131801130000096
中的符号“＜”为像素点的比较运算符；
Figure BDA0002131801130000097
代表量化下界；
Figure BDA0002131801130000098
代表量化上界；
为了有效的求解提出的模型(7)，本发明提出一种交替优化算法用于求解模型(7)。
首先，本实施例将模型分解为两部分：
1、在给定一个原始图像x，对于每一图像块Zl的非凸的秩进行最小化处理，得到：
Figure BDA0002131801130000099
令
Figure BDA00021318011300000910
后，得到：
Figure BDA00021318011300000911
该模型可通过权重的奇异值阈值进行求解，得到：
Xl＝USυ(∑Zl)VT
2、对每一块Zl，图像x可通过下面优化问题被重建：
Figure BDA0002131801130000101
由于x∈Ω是凸的，所以上式(13)可有效地被解决，即：
Figure BDA0002131801130000102
式(14)的解为：
Figure BDA0002131801130000103
其中，
Figure BDA0002131801130000104
代表去块后的图像；
Figure BDA0002131801130000105
代表矩阵相乘；
Figure BDA0002131801130000106
代表方差比；I代表单位矩阵；y代表观测的图像；
Figure BDA0002131801130000107
代表矩阵块Zl的计算；
本实施例将通过投影操作来量化上述结果：
Figure BDA0002131801130000108
Figure BDA0002131801130000109
其中，
Figure BDA00021318011300001010
代表量化后最终的图像；
Figure BDA00021318011300001011
和
Figure BDA00021318011300001012
分别为JPEG的编码器和解编码器。
Figure BDA00021318011300001013
代表量化函数；Lk代表下界；xk代表第k次去块后的图像；
将上述1和2的最小化子问题进行交替处理，迭代直到收敛。
下面结合说明书附图，对本发明的方法带来的图像去块效果进行进一步说明：
实验条件：本发明采用图像去块效应进行算法比较；所用编程平台为MatlabR2010b；经过恢复后的核共振成像的的质量通过使用由下式来衡量：
Figure BDA0002131801130000111
Figure BDA0002131801130000112
其中,x为原始图像,
Figure BDA0002131801130000113
为恢复出来的图像，
Figure BDA0002131801130000114
为
Figure BDA0002131801130000115
在位置(m,n)的像素点；xm,n为x在位置(m,n)的像素点。
图2中(a)-(d)分别表示原始的JPEG方法、BM3D方法、WNNM方法和本发明对图像压缩去块效应的仿真结果示意图。
图2所显示的人脑图像的恢复结果可以看出,本发明提出的非凸低秩模型生成的图像比其他方法恢复出来的图像更干净，清晰，图像边缘更锐利，能够很好的去除块效应。
综上所述，相较于现有技术，本发明基于非凸低秩模型图像量化去块方法、系统及存储介质具有以下优点：
1、本发明采用非凸的低秩模型获得更高质量的图像，通过交替优化算法能够有效地求解相似组块模型；
2、通过交替优化算法能够有效地求解相似组块模型；
3、本发明通过量化估计方法进行最后的量化处理，极大地改善了现有的图像去块质量。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.基于非凸低秩模型图像量化去块方法，其特征在于：包括以下步骤：
通过非局部自相似法构建原始图像的相似组块模型；
通过交替优化算法对相似组块模型进行求解；
通过求解得到的相似组块，对原始图像的原位置进行填充；
通过量化估计方法对填充后的图像进行量化处理，去除能量小的频率分量，得到去块后的图像；
所述通过交替优化算法对相似组块模型进行求解这一步骤，包括以下步骤：根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；通过优化问题对原始图像中每个图像块进行重建，得到相似组块；
所述最小化非凸秩的模型的表达式为：
Figure FDA0002676846680000011
其中，
Figure FDA0002676846680000012
代表噪声方差；Zl代表第l个待恢复的自相似块；Rl代表第l个抽取算子；x代表观测的图像；
Figure FDA0002676846680000013
代表块匹配项；λ代表正则化参数；R(Zl)代表正则化项。
2.根据权利要求1所述的基于非凸低秩模型图像量化去块方法，其特征在于：所述通过非局部自相似法构建原始图像的相似组块模型这一步骤，包括以下步骤：
确定组块的大小参数；
根据组块的大小参数，确定搜索区域；
根据搜索区域和滤波窗口，计算所述搜索区域内每个搜索点的窗口与滤波窗口之间的绝对差值的和；
根据绝对差值的和，通过指数函数计算搜索点的权值；
对计算得到的所有搜索点的权值进行归一化处理，得到相似组块模型。
3.根据权利要求1所述的基于非凸低秩模型图像量化去块方法，其特征在于：
所述通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型这一步骤中，求解公式具体为：
Zl＝USυ(∑Xl)VT
其中，Zl代表第l个待恢复的图像块；U代表左酉矩阵；Sυ代表奇异值收缩算子；Xl代表第l个观测的图像块；VT代表右酉矩阵。
4.根据权利要求1所述的基于非凸低秩模型图像量化去块方法，其特征在于：所述通过量化估计方法对填充后的图像进行量化处理，去除能量小的频率分量，得到去块后的图像这一步骤，包括以下步骤：
根据图像压缩过程确定量化范围的表达模型；
对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
5.基于非凸低秩模型图像量化去块系统，其特征在于：包括：
构建模块，用于通过非局部自相似法构建原始图像的相似组块模型；
交替优化模块，用于通过交替优化算法对相似组块模型进行求解；
填充模块，用于通过求解得到的相似组块，对原始图像的原位置进行填充；
量化处理模块，用于通过量化估计方法对填充后的图像进行量化处理，去除能量小的频率分量，得到去块后的图像；
所述通过交替优化算法对相似组块模型进行求解这一步骤，包括以下步骤：根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；通过优化问题对原始图像中每个图像块进行重建，得到相似组块；
所述最小化非凸秩的模型的表达式为：
Figure FDA0002676846680000021
其中，
Figure FDA0002676846680000022
代表噪声方差；Zl代表第l个待恢复的自相似块；Rl代表第l个抽取算子；x代表观测的图像；
Figure FDA0002676846680000023
代表块匹配项；λ代表正则化参数；R(Zl)代表正则化项。
6.根据权利要求5所述的基于非凸低秩模型图像量化去块系统，其特征在于：所述交替优化模块包括：
最小化单元，用于根据原始图像，确定原始图像中每个图像块的最小化非凸秩的模型；
求解单元，用于通过基于权重的奇异值阈值求解方法，求解最小化非凸秩的模型；
重建单元，用于通过优化问题对原始图像中每个图像块进行重建，得到相似组块。
7.根据权利要求5所述的基于非凸低秩模型图像量化去块系统，其特征在于：所述量化处理模块包括：
量化范围确定单元，用于根据图像压缩过程确定量化范围的表达模型；
量化约束确定单元，用于对量化范围的表达模型进行简化处理，确定量化约束的表达模型；
量化处理单元，用于根据量化约束的表达模型，通过投影操作对交替优化算法中迭代生成的图像进行量化处理，得到去块后的图像。
8.基于非凸低秩模型图像量化去块系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-4中任一项所述的基于非凸低秩模型图像量化去块方法。
9.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-4中任一项所述的基于非凸低秩模型图像量化去块方法。
CN201910640852.XA 2019-07-16 2019-07-16 基于非凸低秩模型图像量化去块方法、系统及存储介质 Active CN110505487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640852.XA CN110505487B (zh) 2019-07-16 2019-07-16 基于非凸低秩模型图像量化去块方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640852.XA CN110505487B (zh) 2019-07-16 2019-07-16 基于非凸低秩模型图像量化去块方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN110505487A CN110505487A (zh) 2019-11-26
CN110505487B true CN110505487B (zh) 2020-11-10

Family

ID=68585409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640852.XA Active CN110505487B (zh) 2019-07-16 2019-07-16 基于非凸低秩模型图像量化去块方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110505487B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8989465B2 (en) * 2012-01-17 2015-03-24 Mayo Foundation For Medical Education And Research System and method for medical image reconstruction and image series denoising using local low rank promotion
CN104933683B (zh) * 2015-06-09 2018-12-04 南昌大学 一种用于磁共振快速成像的非凸低秩重建方法
CN109712205A (zh) * 2018-12-10 2019-05-03 重庆邮电大学 一种基于非局部自相似模型的图像压缩感知重建方法

Also Published As

Publication number Publication date
CN110505487A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
Liu et al. A comprehensive benchmark for single image compression artifact reduction
CN108781281B (zh) 用于有损和无损图像压缩的基于形状自适应模型的编解码器
EP3354030B1 (en) Methods and apparatuses for encoding and decoding digital images through superpixels
US10469876B2 (en) Non-local adaptive loop filter combining multiple denoising technologies and grouping image patches in parallel
WO2009033119A1 (en) Learning-based image compression
Lai et al. Artifact reduction of JPEG coded images using mean-removed classified vector quantization
Aytekin et al. Block-optimized variable bit rate neural image compression
EP3759917A1 (en) A spectrally adaptive noise filling tool (sanft) for perceptual transform coding of still and moving images
CN110505487B (zh) 基于非凸低秩模型图像量化去块方法、系统及存储介质
CN116710962A (zh) 图像填充方法及装置、解码方法及装置、电子设备及介质
Amaranageswarao et al. Deep dilated and densely connected parallel convolutional groups for compression artifacts reduction
CN105096351B (zh) 图像去块效应处理方法和装置
Ameer et al. Image compression using plane fitting with inter-block prediction
Awad et al. Improving Reconstructed Image Quality via Hybrid Compression Techniques.
Amaranageswarao et al. Blind compression artifact reduction using dense parallel convolutional neural network
Ouyang et al. Towards quantized DCT coefficients restoration for compressed images
Neethu et al. Improved quality of JPEG compressed image using approximate K-SVD algorithm
CN112104878B (zh) 图像编码方法、装置、编码端设备及存储介质
Baluja et al. Learning to render better image previews
Borkowski et al. Reduction of JPEG artifacts using BSDEs
Fu et al. Asymmetric Learned Image Compression with Multi-Scale Residual Block, Importance Map, and Post-Quantization Filtering
Zhao et al. Virtual Codec Supervised Re-Sampling Network for Image Compression
Gadha et al. An image compression and classification method by reducing the blocking effect
Ballé et al. Component-based image coding using non-local means filtering and an autoregressive texture model
Krishnamoorthy et al. Reduction of blocking artifact in JPEG images with orthogonal polynomials

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