CN115022635A - 基于目标检测的星图压缩方法 - Google Patents

基于目标检测的星图压缩方法 Download PDF

Info

Publication number
CN115022635A
CN115022635A CN202210605495.5A CN202210605495A CN115022635A CN 115022635 A CN115022635 A CN 115022635A CN 202210605495 A CN202210605495 A CN 202210605495A CN 115022635 A CN115022635 A CN 115022635A
Authority
CN
China
Prior art keywords
target
coding unit
pixel
detection
divided
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.)
Pending
Application number
CN202210605495.5A
Other languages
English (en)
Inventor
赵岩
李灵珊
王世刚
王学军
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202210605495.5A priority Critical patent/CN115022635A/zh
Publication of CN115022635A publication Critical patent/CN115022635A/zh
Pending legal-status Critical Current

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
    • H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
    • 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
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/94—Vector quantisation

Landscapes

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

Abstract

基于目标检测的星图压缩方法，属于图像处理领域，解决了现有星图编码方法存在的目标检测精度低、图像压缩效率与图像局部细节保留难以权衡的问题。该方法包括：将星图划分为多个像素大小相同的子图像，作为一级编码单元；采用最大类间方差法对多个一级编码单元分别进行自适应阈值目标检测；同时统计检测点周围八邻域内被划分为目标区域和背景区域的像素点数量；根据自适应阈值目标检测结果进行编码单元的细化分；采用自适应量化参数的方法对细化分后的编码单元进行压缩编码。本发明通过自适应阈值目标检测，提高了检测精度；在同等压缩率下，由本发明编解码后图像局部的细节保留效果更好，峰值信噪比更高。

Description

基于目标检测的星图压缩方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于目标检测的星图压缩方法。
背景技术
图像编码也称图像压缩，是图像处理领域中一项非常重要的工作，主要用于在满足一定质量(如信噪比的要求或主观评价得分等)的条件下，以较少比特数表示图像或图像中所包含信息。图像编码是多种图像处理及应用的基础，编、解码的效果直接影响到其后续图像的处理及应用工作。图像编码系统通常是由一个编码器和一个解码器组成的，图像进入编码器后，编码器将输入数据通过映射量化等变换输出码流文件，并用其描绘图像，形成压缩后的图像文件；解码时解码端根据对应反量化等变换将编码出的码流文件解码重建为图像。
星图编码方法可以大致分为两类：一类是基于图像视频编码国际标准的方法，包括JPEG标准、GZIP软件、JPEG-2000标准、HEVC标准等；另一类是基于小波变换、K-L变换以及压缩感知等非图像视频编码标准的方法。基于图像视频编码国际标准的方法是在国际标准的基础上，根据星图像素特点进行针对性改进，因此该方法的重点在于更好地利用星图特点进行针对性的改进。
星图中包含目标区域以及大量的平坦背景区域，目标区域是后续对星图进行分析与处理的主要依据，且平坦背景区域存在大量冗余信息，因此在编码时可以更加注重目标区域的细节保留，将更多的编码比特流花费在目标区域。常用的图像目标检测分割方法有灰度值阈值化方法和边缘检测法等。根据星图目标区域与背景区域之间的像素值差异很大，且望远镜拍摄的星图均为灰度图像等特点，在进行目标检测时可采用灰度值阈值化方法，它适合于目标和背景占据不同灰度级范围的一类图像，只要选取一个适当的灰度级阈值，再将每个像素灰度与阈值进行比较就可以使两者分离，即超过阈值的像素作为目标对象集合中的元素；低于阈值的像素则为背景集合中的元素。灰度值阈值化分割方法的关键在于阈值的选择。全局阈值法包括迭代全局阈值法与最大类间方差法等。迭代全局阈值法是使用一个初始阈值将整幅图像分为两类，将新的阈值迭代为这两类的平均灰度值的平均值，直到迭代阈值的差值小于设定的差值阈值，该方法存在较大的误差性，两个类峰值数目相差越多，偏差越大，导致检测越不精确。最大类间方差法按图像的灰度特征，将图像分为前景区域和背景区域两个部分，得到使两个部分的类间方差最大的阈值，该方法对图像噪声敏感，易将噪声像素归入前景区域而使所求阈值偏高，导致检测结果有误差。
发明内容
针对现有星图编码方法存在的目标检测精度低、图像压缩效率与图像局部细节保留难以权衡的问题，本发明提供一种基于目标检测的星图压缩方法。
本发明为解决技术问题所采用的技术方案如下：
本发明的基于目标检测的星图压缩方法，包括以下步骤：
步骤一、将星图划分为多个像素大小相同的子图像，作为一级编码单元；
步骤二、采用最大类间方差法对多个一级编码单元分别进行自适应阈值目标检测；同时统计检测点周围八邻域内被划分为目标区域和背景区域的像素点数量；
步骤三、根据自适应阈值目标检测结果进行编码单元的细化分；
步骤四、采用自适应量化参数的方法对细化分后的编码单元进行压缩编码。
进一步的，所述子图像的像素大小为64×64。
进一步的，步骤二中，若该检测点周围有大于六个像素点被划分为背景区域，则判定该检测点为噪点，将该检测点划分为背景区域。
进一步的，步骤二中，所述最大类间方差法的公式如下：
N＝n1+n2+...+ni+...+nL
Figure BDA0003671138460000031
Figure BDA0003671138460000032
Figure BDA0003671138460000033
Figure BDA0003671138460000034
Figure BDA0003671138460000035
Figure BDA0003671138460000036
Figure BDA0003671138460000037
式中，N表示图像总的像素点个数，ni表示灰度级为i的像素点个数，i＝1、2…L，L表示星图的最大灰度级，pi表示归一化的灰度级并以此作为这幅图像灰度级为i的像素概率分布，m表示经像素点检测由目标区域判定为背景区域的像素点个数，jm表示经像素点检测由目标区域判定为背景区域的像素点的灰度级，pjm表示经像素点检测由目标区域判定为背景区域的像素点中灰度级为jm的像素概率分布，k表示将图像的像素点划分为背景区域和目标区域的灰度值阈值，ω0与ω(k)均表示划分为背景区域的像素点的像素值累加出现概率，ω1表示划分为目标区域的像素点的像素值累加出现概率，μ0表示划分为背景区域的平均灰度值，μ1表示划分为目标区域的平均灰度值，μ(k)表示划分为背景区域的像素点平均灰度级，μT表示全图的平均灰度级，
Figure BDA0003671138460000041
表示背景区域与目标区域的类间方差。
进一步的，步骤二中，当类间方差取最大值时，则认定此时对应的灰度值阈值k为最佳分割阈值。
进一步的，步骤二中，对灰度值阈值k进行判断，若k大于设置的默认阈值，则认为该一级编码单元中含有目标，否则认为该一级编码单元中没有目标。
进一步的，步骤三的具体操作流程如下：根据自适应阈值目标检测结果，若一级编码单元内未检测到目标，则不对该一级编码单元进行进一步划分；若一级编码单元内检测到目标，则根据率失真代价比较结果判断是否进一步划分；若划分后四个二级编码单元最优预测方案对应的率失真代价之和不大于一级编码单元最优预测方案对应的率失真代价，则决定划分，即将一级编码单元进一步划分为四个像素大小32×32的二级编码单元，并对这四个二级编码单元做自适应阈值目标检测，对未检测到目标的二级编码单元不进行进一步划分，将检测到目标的二级编码单元根据率失真代价比较结果判断是否进一步划分；若划分后四个三级编码单元最优预测方案对应的率失真代价之和不大于二级编码单元最优预测方案对应的率失真代价，则决定划分，即将二级编码单元进一步划分为四个像素大小16×16的三级编码单元，并对这四个三级编码单元做自适应阈值目标检测，对未检测到目标的三级编码单元不进行进一步划分，将检测到目标的三级编码单元根据率失真代价比较结果判断是否进一步划分；若划分后四个四级编码单元最优预测方案对应的率失真代价之和不大于三级编码单元最优预测方案对应的率失真代价，则决定划分，即将三级编码单元进一步划分为四个像素大小8×8的四级编码单元；当编码单元为四级编码单元时，不进行目标检测以及率失真代价比较，停止编码单元的进一步划分。
进一步的，步骤四中，对含有目标的编码单元根据其图像内容的复杂活跃度设置量化参数进行编码；对不含有目标的编码单元则采取较大的量化参数进行编码。
进一步的，步骤四中，所述自适应量化参数的公式如下：
Figure BDA0003671138460000051
Figure BDA0003671138460000052
Figure BDA0003671138460000053
Figure BDA0003671138460000054
Qb＝Qbase+2
式中，aCU表示当前编码单元的平均活动性，σ2(i)表示编码单元第i个亮度子块的方差，
Figure BDA0003671138460000055
表示归一化之后的平均活动性，s表示缩放因子，aavg表示星图中所有与当前编码单元同等大小的编码单元的平均活动性，QPA表示自适应量化参数范围，Qbase表示基础量化参数，QT表示包含目标的编码单元的自适应量化参数，Qb表示不包含目标的编码单元的量化参数。
本发明的有益效果是：
本发明从目标检测入手，对星图的编码单元进行处理，以便后续的编码工作；通过对待编码的星图进行编码单元划分，将星图划分成多个像素大小64×64的一级编码单元，采用改进的最大类间方差法对一级编码单元进行目标检测，在自适应阈值目标检测的过程中，对输入图像块的阈值选取自适应化，以解决星图目标检测精度不高的问题，增强了目标检测的精度与普适性；在对编码单元进行目标检测之后，根据目标检测结果对一级编码单元进行不同细划分，即包含目标的编码单元根据率失真代价结果选择最优的划分方式，以更好地处理图像局部的细节，不包含目标的编码单元，会停止进一步划分，使得编码效率大大提高；后续针对不同区域进行不同的编码方案，即对细划分后的编码单元进行自适应量化参数的选择，以实现对含有目标的编码单元的高质量压缩，对不包含目标的编码单元进行低质量压缩，在同等压缩率的条件下，本发明的编解码后图像局部的细节保留效果更好，峰值信噪比更高，解决了图像压缩效率与图像局部细节保留难以权衡的问题。
附图说明
图1为本发明的基于目标检测的星图压缩方法的流程图。
图2为自适应阈值目标检测结果。图2中，a表示原始星图编码单元，b表示现有最大类间方差法检测结果，c表示本发明的检测结果。
图3为编码单元的细化分结果。图3中，a表示HEVC标准算法的编码单元划分实验结果，b表示本发明的编码单元划分实验结果。
图4为不同压缩方法的解码图像视觉质量对比图。图4中，a表示原始星图，b表示正交匹配追踪算法的解码图像，c表示迭代硬阈值算法的解码图像，d表示本发明的解码图像。
图5为不同压缩方法解码图像的目标区域视觉质量对比图。图5中，a表示原始星图，b表示HEVC标准算法的解码图像，c表示本发明的解码图像。
图6为不同压缩方法解码图像的目标区域视觉质量对比图。图6中，a表示原始星图，b表示HEVC标准算法的解码图像，c表示本发明的解码图像。
图7为HEVC标准算法与本发明的算法对像素大小为256×256的星图编码后的率-失真曲线图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示，本发明的基于目标检测的星图压缩方法，主要包括以下步骤：
步骤一、编码单元划分
不同大小的编码单元对编码效果有不同的影响，大的编码单元可以使得平缓区域的编码效率大大提高，小的编码单元能很好地处理图像局部的细节，从而使得复杂区域的预测更加准确。因此，本发明在进行编码时，首先将所输入的星图划分为多个像素大小为64×64的子图像，分别作为一级编码单元。
步骤二、自适应阈值目标检测
采用改进的最大类间方差法对上述多个一级编码单元分别进行自适应阈值目标检测。在检测过程中，除了简单根据阈值进行判断外，还需要统计检测点周围八邻域内被划分为目标区域的像素点数量和被划分为背景区域的像素点数量；若该检测点周围有大于六个像素点被划分为背景区域，则判定该检测点为噪点，将该检测点划分为背景区域。其中，采用的改进的最大类间方差法的公式如下：
N＝n1+n2+...+ni+...+nL
Figure BDA0003671138460000071
Figure BDA0003671138460000072
Figure BDA0003671138460000073
Figure BDA0003671138460000074
Figure BDA0003671138460000075
Figure BDA0003671138460000076
Figure BDA0003671138460000077
式中，N表示图像总的像素点个数，ni表示灰度级为i的像素点个数，i＝1、2…L，L表示星图的最大灰度级，pi表示归一化的灰度级并以此作为这幅图像灰度级为i的像素概率分布，m表示经像素点检测由目标区域判定为背景区域的像素点个数，jm表示经像素点检测由目标区域判定为背景区域的像素点的灰度级，pjm表示经像素点检测由目标区域判定为背景区域的像素点中灰度级为jm的像素概率分布，k表示将图像的像素点划分为背景区域和目标区域的灰度值阈值，ω0与ω(k)均表示划分为背景区域的像素点的像素值累加出现概率，ω1表示划分为目标区域的像素点的像素值累加出现概率，μ0表示划分为背景区域的平均灰度值，μ1表示划分为目标区域的平均灰度值，μ(k)表示划分为背景区域的像素点平均灰度级，μT表示全图的平均灰度级，
Figure BDA0003671138460000081
表示背景区域与目标区域的类间方差。
当类间方差取最大值时，则认定此时对应的灰度值阈值k为最佳分割阈值。由于自适应阈值分割总会计算出一个阈值将图像分为目标区域与背景区域，但一级编码单元存在全部为背景区域的情况，因此为了更好地判断是否含有目标区域，需要对计算所得的阈值进行判断，若计算所得的灰度值阈值k比设置的默认阈值大，则认为该一级编码单元中含有目标，否则认为该一级编码单元中没有目标。
步骤三、编码单元的细化分
根据步骤二中每个一级编码单元的目标检测结果，若一级编码单元内未检测到目标，则不对该一级编码单元进行进一步划分；若一级编码单元内检测到目标，则根据率失真代价的比较结果判断是否进一步划分。
根据一级编码单元最优预测方案对应的率失真代价与划分后四个二级编码单元最优预测方案对应的率失真代价之和的大小关系，来决定是否将一级编码单元划分为四个二级编码单元。若划分后四个二级编码单元最优预测方案对应的率失真代价之和不大于一级编码单元最优预测方案对应的率失真代价，则决定划分，即将一级编码单元进一步划分为四个像素大小32×32的二级编码单元，并对这四个二级编码单元做自适应阈值目标检测，根据目标检测结果，对未检测到目标的二级编码单元不进行进一步划分，而将检测到目标的二级编码单元根据率失真代价的比较结果判断是否进一步划分。
根据二级编码单元最优预测方案对应的率失真代价和划分后四个三级编码单元最优预测方案对应的率失真代价之和的大小关系，来决定是否将二级编码单元划分为四个三级编码单元。若划分后四个三级编码单元最优预测方案对应的率失真代价之和不大于二级编码单元最优预测方案对应的率失真代价，则决定划分，即将二级编码单元进一步划分为四个像素大小16×16的三级编码单元，并对这四个三级编码单元做自适应阈值目标检测，根据目标检测结果，对未检测到目标的三级编码单元不进行进一步划分，而将检测到目标的三级编码单元根据率失真代价的比较结果判断是否进一步划分。
根据三级编码单元最优预测方案对应的率失真代价和划分后四个四级编码单元最优预测方案对应的率失真代价之和的大小关系，来决定是否将三级编码单元划分为四个四级编码单元。若划分后四个四级编码单元最优预测方案对应的率失真代价之和不大于三级编码单元最优预测方案对应的率失真代价，则决定划分，即将三级编码单元进一步划分为四个像素大小8×8的四级编码单元。当编码单元为四级编码单元时，不进行目标检测以及率失真代价比较，停止编码单元的进一步划分。
步骤四、自适应量化参数的选择
对得到的编码单元进行压缩编码时，采用自适应量化参数的方法，对含有目标的编码单元根据其图像内容的复杂活跃度设置量化参数进行编码；对不含有目标的编码单元则采取较大的量化参数进行编码。其中，采用的自适应量化参数，其计算公式如下：
Figure BDA0003671138460000101
Figure BDA0003671138460000102
Figure BDA0003671138460000103
Figure BDA0003671138460000104
Qb＝Qbase+2
式中，aCU表示当前编码单元的平均活动性，σ2(i)表示编码单元第i个亮度子块的方差，
Figure BDA0003671138460000105
表示归一化之后的平均活动性，s表示缩放因子，aavg表示星图中所有与当前编码单元同等大小的编码单元的平均活动性，QPA表示自适应量化参数范围，Qbase表示基础量化参数，QT表示包含目标的编码单元的自适应量化参数，Qb表示不包含目标的编码单元的量化参数。
本发明对于待压缩的星图，通过自适应阈值目标检测，提高了目标检测精度，后续根据目标检测结果，进行编码单元的细化分以及自适应量化参数的选择，解决了图像压缩效率与图像局部细节保留难以权衡的问题，从而使得在同等压缩率的前提下，编解码后图像局部的细节保留效果更好，峰值信噪比更高。
为了验证本发明的基于目标检测的星图压缩方法的有效性和效果，进行以下实验。
1、工作条件
本实验采用intel core i5-9400F CPU@2.9ghz*6处理器，运行Windows10的PC机，显卡是1块GeForce GTX 1050Ti，编程语言为C++语言。
2、实验内容与结果分析
(1)开始，输入原始星图。
(2)编码单元划分。
(3)自适应阈值目标检测。自适应阈值目标检测结果如图2所示，通过比对原始星图可以看出，本发明所采用的自适应阈值目标检测方法，其目标检测结果更加精确。
(4)编码单元的细化分。编码单元的细化分结果如图3所示，本发明在编码单元包含目标时，会根据率失真代价结果选择最优的划分方式，以达到更好地处理图像局部细节的效果；在编码单元不包含目标区域时，会停止编码单元的进一步划分，使得编码效率大大提高。
(5)自适应量化参数的选择
为了更好地比较本发明所提出的基于目标检测的星图压缩方法对星图压缩编码的性能，将从主观视觉质量与峰值信噪比(PSNR)两个角度进行比较分析。
如图4所示，通过比对原始星图可以看出，本发明的解码图像相比于压缩感知方法中的正交匹配追踪算法与迭代硬阈值算法的解码图像有更好的主观视觉质量，可以使解码图像在很大程度上接近原始星图。
如图5和图6所示，采用本发明的压缩方法与HEVC标准算法对星图进行基础量化参数为33的压缩编码，通过解码图像的局部目标区域与原始星图进行比较，可以发现本发明相较于HEVC标准算法可以更好地保留和重建星图中目标的细节信息。
峰值信噪比(PSNR)是一个表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语，峰值信噪比常用对数分贝单位来表示，数值越大表示失真越小。峰值信噪比通过均方误差(MSE)进行定义，其计算公式如下：
Figure BDA0003671138460000121
Figure BDA0003671138460000122
式中，图像I为原始图像，图像K为解码图像，m为图像的高，n为图像的宽，MAXI为图像点像素的最大数值，MSE为均方误差。
如图7所示，本发明的峰值信噪比要高于HEVC标准算法的峰值信噪比。
因此，通过图4至图7可以看出，在进行星图压缩编码时，本发明不仅在客观上的峰值信噪比(PSNR)要优于现有其他算法，且能更好的保留目标的细节信息，在主观视觉质量上也要优于现有其他算法。
由以上实验结果表明，对于待压缩的星图，本发明通过自适应阈值目标检测，以提高检测精度，根据自适应阈值目标检测结果判断当前编码单元是否含有目标，后续通过是否含有目标选择不同的编码单元划分方式，以及编码时的自适应量化参数，从而实现对含有目标的编码单元的细化分与高质量压缩、对不包含目标的编码单元进行粗划分与低质量压缩，从而使编解码后图像局部细节保留的效果更好，峰值信噪比(PSNR)更高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.基于目标检测的星图压缩方法，其特征在于，包括以下步骤：
步骤一、将星图划分为多个像素大小相同的子图像，作为一级编码单元；
步骤二、采用最大类间方差法对多个一级编码单元分别进行自适应阈值目标检测；同时统计检测点周围八邻域内被划分为目标区域和背景区域的像素点数量；
步骤三、根据自适应阈值目标检测结果进行编码单元的细化分；
步骤四、采用自适应量化参数的方法对细化分后的编码单元进行压缩编码。
2.根据权利要求1所述的基于目标检测的星图压缩方法，其特征在于，所述子图像的像素大小为64×64。
3.根据权利要求1所述的基于目标检测的星图压缩方法，其特征在于，步骤二中，若该检测点周围有大于六个像素点被划分为背景区域，则判定该检测点为噪点，将该检测点划分为背景区域。
4.根据权利要求3所述的基于目标检测的星图压缩方法，其特征在于，步骤二中，所述最大类间方差法的公式如下：
N＝n1+n2+...+ni+...+nL
Figure FDA0003671138450000011
Figure FDA0003671138450000012
Figure FDA0003671138450000013
Figure FDA0003671138450000014
Figure FDA0003671138450000015
Figure FDA0003671138450000021
Figure FDA0003671138450000022
式中，N表示图像总的像素点个数，ni表示灰度级为i的像素点个数，i＝1、2…L，L表示星图的最大灰度级，pi表示归一化的灰度级并以此作为这幅图像灰度级为i的像素概率分布，m表示经像素点检测由目标区域判定为背景区域的像素点个数，jm表示经像素点检测由目标区域判定为背景区域的像素点的灰度级，pjm表示经像素点检测由目标区域判定为背景区域的像素点中灰度级为jm的像素概率分布，k表示将图像的像素点划分为背景区域和目标区域的灰度值阈值，ω0与ω(k)均表示划分为背景区域的像素点的像素值累加出现概率，ω1表示划分为目标区域的像素点的像素值累加出现概率，μ0表示划分为背景区域的平均灰度值，μ1表示划分为目标区域的平均灰度值，μ(k)表示划分为背景区域的像素点平均灰度级，μT表示全图的平均灰度级，
Figure FDA0003671138450000023
表示背景区域与目标区域的类间方差。
5.根据权利要求4所述的基于目标检测的星图压缩方法，其特征在于，步骤二中，当类间方差取最大值时，则认定此时对应的灰度值阈值k为最佳分割阈值。
6.根据权利要求5所述的基于目标检测的星图压缩方法，其特征在于，步骤二中，对灰度值阈值k进行判断，若k大于设置的默认阈值，则认为该一级编码单元中含有目标，否则认为该一级编码单元中没有目标。
7.根据权利要求6所述的基于目标检测的星图压缩方法，其特征在于，步骤三的具体操作流程如下：根据自适应阈值目标检测结果，若一级编码单元内未检测到目标，则不对该一级编码单元进行进一步划分；若一级编码单元内检测到目标，则根据率失真代价的比较结果判断是否进一步划分；若划分后四个二级编码单元最优预测方案对应的率失真代价之和不大于一级编码单元最优预测方案对应的率失真代价，则决定划分，即将一级编码单元进一步划分为四个像素大小32×32的二级编码单元，并对这四个二级编码单元做自适应阈值目标检测，对未检测到目标的二级编码单元不进行进一步划分，将检测到目标的二级编码单元根据率失真代价的比较结果判断是否进一步划分；若划分后四个三级编码单元最优预测方案对应的率失真代价之和不大于二级编码单元最优预测方案对应的率失真代价，则决定划分，即将二级编码单元进一步划分为四个像素大小16×16的三级编码单元，并对这四个三级编码单元做自适应阈值目标检测，对未检测到目标的三级编码单元不进行进一步划分，将检测到目标的三级编码单元根据率失真代价的比较结果判断是否进一步划分；若划分后四个四级编码单元最优预测方案对应的率失真代价之和不大于三级编码单元最优预测方案对应的率失真代价，则决定划分，即将三级编码单元进一步划分为四个像素大小8×8的四级编码单元；当编码单元为四级编码单元时，不进行目标检测以及率失真代价比较，停止编码单元的进一步划分。
8.根据权利要求7所述的基于目标检测的星图压缩方法，其特征在于，步骤四中，对含有目标的编码单元根据其图像内容的复杂活跃度设置量化参数进行编码；对不含有目标的编码单元则采取较大的量化参数进行编码。
9.根据权利要求8所述的基于目标检测的星图压缩方法，其特征在于，步骤四中，所述自适应量化参数的公式如下：
Figure FDA0003671138450000031
Figure FDA0003671138450000032
Figure FDA0003671138450000041
Figure FDA0003671138450000042
Qb＝Qbase+2
式中，aCU表示当前编码单元的平均活动性，σ2(i)表示编码单元第i个亮度子块的方差，
Figure FDA0003671138450000043
表示归一化之后的平均活动性，s表示缩放因子，aavg表示星图中所有与当前编码单元同等大小的编码单元的平均活动性，QPA表示自适应量化参数范围，Qbase表示基础量化参数，QT表示包含目标的编码单元的自适应量化参数，Qb表示不包含目标的编码单元的量化参数。
CN202210605495.5A 2022-05-31 2022-05-31 基于目标检测的星图压缩方法 Pending CN115022635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605495.5A CN115022635A (zh) 2022-05-31 2022-05-31 基于目标检测的星图压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605495.5A CN115022635A (zh) 2022-05-31 2022-05-31 基于目标检测的星图压缩方法

Publications (1)

Publication Number Publication Date
CN115022635A true CN115022635A (zh) 2022-09-06

Family

ID=83070254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605495.5A Pending CN115022635A (zh) 2022-05-31 2022-05-31 基于目标检测的星图压缩方法

Country Status (1)

Country Link
CN (1) CN115022635A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957524A (zh) * 2023-09-21 2023-10-27 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统
CN117557582A (zh) * 2024-01-02 2024-02-13 深圳翰博设计股份有限公司 基于人工智能的建筑景观设计图像处理系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957524A (zh) * 2023-09-21 2023-10-27 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统
CN116957524B (zh) * 2023-09-21 2024-01-05 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统
CN117557582A (zh) * 2024-01-02 2024-02-13 深圳翰博设计股份有限公司 基于人工智能的建筑景观设计图像处理系统
CN117557582B (zh) * 2024-01-02 2024-03-12 深圳翰博设计股份有限公司 基于人工智能的建筑景观设计图像处理系统

Similar Documents

Publication Publication Date Title
US11095902B2 (en) Method for image coding, electronic device and computer-readable storage medium
TWI426774B (zh) 用於針對ｊｐｅｇ壓縮歷史紀錄分類為壓縮影像的方法、及用於針對影像是否已經過jpeg壓縮而分類影像的設備及影像分類方法
CN115022635A (zh) 基于目标检测的星图压缩方法
US11475653B2 (en) Perceptual importance maps for image processing
EP1610563A2 (en) Selecting encoding types and predictive modes for encoding video data
WO2016082277A1 (zh) 一种视频认证方法及装置
CN110147710B (zh) 人脸特征的处理方法、装置和存储介质
CN111988611B (zh) 量化偏移信息的确定方法、图像编码方法、装置及电子设备
US20200372684A1 (en) Image coding apparatus, probability model generating apparatus and image compression system
US9319690B2 (en) Method and system for image analysis
CN114494775A (zh) 视频切分方法、装置、设备及存储介质
CN106664404A (zh) 视频编码中的块分割方式处理方法和相关装置
Cui et al. Image signature based mean square error for image quality assessment
CN108182712B (zh) 图像处理方法、装置及系统
US9659227B2 (en) Detecting object from image data using feature quantities
CN113691811B (zh) 编码块划分方法、装置、系统及存储介质
CN115052146A (zh) 一种基于分类的内容自适应下采样视频编码优化方法
CN113784147A (zh) 一种基于卷积神经网络的高效视频编码方法及系统
WO2015128302A1 (en) Method and apparatus for filtering and analyzing a noise in an image
CN110930287A (zh) 一种图像隐写检测方法、装置及计算机设备、存储介质
Chao Feature-preserving image and video compression.
CN116760983B (zh) 用于视频编码的环路滤波方法及装置
CN116170594B (zh) 一种基于率失真代价预测的编码方法和装置
CN117880516A (zh) 块划分方法、块划分装置、设备以及存储介质
CN116975338A (zh) 图片指纹过滤方法、装置、设备及可读存储介质

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