CN118264818A - 图像压缩方法、装置、设备及存储介质 - Google Patents

图像压缩方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN118264818A
CN118264818A CN202410215260.4A CN202410215260A CN118264818A CN 118264818 A CN118264818 A CN 118264818A CN 202410215260 A CN202410215260 A CN 202410215260A CN 118264818 A CN118264818 A CN 118264818A
Authority
CN
China
Prior art keywords
matrix
image
sparse vector
measurement matrix
reconstructed
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
CN202410215260.4A
Other languages
English (en)
Inventor
李林峰
汪杨刚
欧阳万棋
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.)
Haiwei Intelligent Manufacturing Technology Wuhan Co ltd
Original Assignee
Haiwei Intelligent Manufacturing Technology Wuhan Co ltd
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 Haiwei Intelligent Manufacturing Technology Wuhan Co ltd filed Critical Haiwei Intelligent Manufacturing Technology Wuhan Co ltd
Priority to CN202410215260.4A priority Critical patent/CN118264818A/zh
Publication of CN118264818A publication Critical patent/CN118264818A/zh
Pending legal-status Critical Current

Links

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
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/63—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using sub-band based transform, e.g. wavelets
    • 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
    • H04N19/186—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 a colour or a chrominance component

Landscapes

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

Abstract

本发明公开了一种图像压缩方法、装置、设备及存储介质，属于图像处理技术领域。本发明通过获取原始图像；对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；根据压缩感知理论，得到高斯随机测量矩阵；将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；根据重构算法将所述观测矩阵重构，得到重构稀疏矢量；对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像，通过在图像压缩前对图像进行变换处理，使信号具有较大的稀疏性，提高压缩比，提高重构图像的准确性。

Description

图像压缩方法、装置、设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种图像压缩方法、装置、设备及存储介质。
背景技术
目前数字图像信息占用的空间相当大，这给计算机的存储、访问、处理、以及传输都要带来巨大的负担。图像压缩旨在通过删除冗余的或者是不相干的信息，以尽可能低的数码率来存储和传输数字图像数据。目前针对图像压缩技术方法主要可分为三大方向，其一，传统图像压缩技术，例如基于编码策略的压缩方法和基于压缩感知理论的方法，此类方法对硬件要求较低，但是重构精度较差；其二，深度学习图像压缩技术，此类方法重构精度较高，但对硬件要求较高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像压缩方法、装置、设备及存储介质，旨在解决解压重组图像精度较低的问题。
为实现上述目的，本发明提供一种图像压缩方法，获取原始图像；
对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；
根据压缩感知理论，得到高斯随机测量矩阵；
将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；
根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；
根据重构算法将所述观测矩阵重构，得到重构稀疏矢量；
对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
可选地，所述对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量之前，还包括：
获取所述原始图像的像素值；
对所述像素值进行中心偏移并进行数据归一化，得到处理后的像素值；
对所述处理后的像素值按照格式将RGB格式转换为对应的YUV格式。
可选地，所述对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量，包括：
将原始图像划分为奇数序列和偶数序列；
对所述奇数序列和偶数序列进行小波包分解，得到对应分解级数的低频和多个高频子带；
根据分解级数、子带个数以及对应的子带位置、高宽，得到对应子带中相同位置的系数构成的稀疏矢量；
根据子带个数以及对应子带位置系数值，得到子带的能量；
通过所述子带的能量设置对应权重，得到权重矩阵。
可选地，所述将所述测量矩阵与权重矩阵结合处理，得到改进的测量矩阵，包括：
保持所述权重矩阵中系数值不变，将权重矩阵变为对角矩阵；
将所述测量矩阵和对角矩阵进行矩阵相乘算法，得到改进的测量矩阵。
可选地，所述根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵，包括：
对所述稀疏矢量结合改进的测量矩阵进行线性投影处理，得到观测矩阵；其中观测矩阵是长度为m的向量，改进的测量矩阵是m*n的矩阵，其中m<n，稀疏矢量是长度为n的向量。
可选地，所述根据重构算法将所述观测矩阵重构，得到重构稀疏矢量，包括：
初始化重构稀疏矢量、残差和迭代次数；
计算得到改进的测量矩阵和残差的相关系数矩阵；
从所述相关系数矩阵中选择最大的多个元素及其对应的列向量，得到列集合；
求解最小二乘法问题得到增量值；
根据所述增量值更新所述重构稀疏矢量以及残差；
判断迭代次数是否达到预设最大迭代次数；
若小于预设最大迭代次数，则通过对所述改进的测量矩阵与残差的相关系数矩阵分析选取新的列向量，构建新的列集合；
若大于或等于预设最大迭代次数，则输出得到重构稀疏矢量。
可选地，所述对所述原始稀疏矢量进行小波重构解码，得到压缩后的图像，包括：
得到低频分量和高频分量对应的重构稀疏矢量；
对所述重构稀疏矢量的系数进行缩放；
分别对低频分量和高频分量进行多次预测和更新，得到解码后的图像；
将所述解码后的图像的像素值从YUV格式转换为对应的RGB格式，输出得到压缩后的图像。
此外，为实现上述目的，本发明还提供一种图像压缩装置，所述装置包括：
获取模块，用于获取原始图像；
处理模块，用于对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；
获取模块，还用于根据压缩感知理论，得到高斯随机测量矩阵；
计算模块，用于将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；
编码模块，用于根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；
获取模块，还用于根据重构算法将所述观测矩阵重构，得到重构稀疏矢量；
合成模块，用于对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
此外，为实现上述目的，本发明还提供一种图像压缩设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像压缩程序，所述图像压缩程序配置为实现所述的图像压缩方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有图像压缩程序，所述图像压缩程序被处理器执行时实现所述的图像压缩方法的步骤。
本发明通过获取原始图像；对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；根据压缩感知理论，得到高斯随机测量矩阵；将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；根据重构算法将所述观测值重构，得到重构稀疏矢量；对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像，通过在图像压缩前对图像进行变换处理，使信号具有较大的稀疏性，提高压缩比，提高重构图像的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的图像压缩控制设备的结构示意图；
图2为本发明图像压缩方法第一实施例的流程示意图；
图3为本发明压缩感知预测流程示意图；
图4为本发明图像压缩方法第二实施例的流程示意图；
图5为本发明小波包分解结果图；
图6为本发明稀疏矢量构造流程图；
图7为本发明图像压缩方法第三实施例的流程示意图；
图8为本发明图像压缩方法第四实施例的流程示意图；
图9为本发明图像压缩装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的图像压缩设备结构示意图。
如图1所示，该图像压缩设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对图像压缩设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及图像压缩设备程序。
在图1所示的图像压缩设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明图像压缩设备中的处理器1001、存储器1005可以设置在图像压缩设备中，所述图像压缩设备通过处理器1001调用存储器1005中存储的图像压缩程序，并执行本发明实施例提供的图像压缩方法。
本发明实施例提供了一种图像压缩方法，参照图2，图2为本发明一种图像压缩方法第一实施例的流程示意图。
本实施例中，所述图像压缩方法包括：
步骤S10：获取原始图像。
步骤S20：对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量。
需要说明的是，图像稀疏化处理是一种降低图像数据冗余度的技术，通常用于压缩、特征提取或者降维。在图像处理领域，稀疏表示是指将图像以一个非常稀疏的矩阵或向量形式来表达，其中大部分元素为零或接近零，一小部分非零元素保留了图像的主要特征信息。
需要理解的是，对所述原始图像稀疏化处理之前，需要将原始图像转换为合适处理的图像格式。通常压缩图像时会将图像格式从RGB格式转换为YUV格式，YUV格式是一种色彩空间，可以基于人眼对亮度信息更加敏感的特点，将彩色信息与黑白灰度信息分开。
在本实施例中，所述对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量之前，还包括：获取所述原始图像的像素值；对所述像素值进行中心偏移并进行数据归一化，得到处理后的像素值；对所述处理后的像素值按照格式将RGB格式转换为对应的YUV格式。
具体地，在将原始图像经过小波变换进行稀疏化处理前，得到原始图像的每个像素点颜色分量，包括红绿蓝RGB和色度SUV的具体数值，对具体数值先进行中心偏移，在进行数据归一化，运算公式为：
I'(x,y)＝I(x,y)-2B-1
其中I(x,y)表示颜色分量的具体数字，B表示每个分量占用的二进制位数。颜色变换的转换公式为：
步骤S30：根据压缩感知理论，得到高斯随机测量矩阵。
需要理解的是，在压缩感知理论中，高斯随机测量矩阵是一种常用的观测矩阵，用于对稀疏信号进行非适应性线性投影。当信号会以非常少的非零系数进行有效表示时，即信号是稀疏的，压缩感知通过远小于原始信号维数的测量值来恢复信号。
步骤S40：将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵。
需要理解的是，所述将所述测量矩阵与权重矩阵结合处理，得到改进的测量矩阵，包括：保持所述权重矩阵中系数值不变，将权重矩阵变为对角矩阵；将所述测量矩阵和对角矩阵进行矩阵相乘算法，得到改进的测量矩阵。
具体地，在对稀疏矢量进行观测时，为保证观测到的测量值中重要子带中的系数占比大，不重要子带中的系数占比小，根据设置的权重矩阵对高斯随机测量矩阵进行改进。为了更方便地对高斯随机测量矩阵进行修改，保持权值矩阵中系数值不变，将其变为对角阵，如下公式所示：
其中为对角阵，L表示子带个数，T表示子带均值。然后将生成的高斯随机测量矩阵与改进的权重矩阵进行矩阵乘法，得到改进的测量矩阵。
步骤S50：根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵。
可以理解的是，在本实施例中，对所述稀疏矢量结合改进的测量矩阵进行线性投影处理，得到观测矩阵；其中观测矩阵是长度为m的向量，改进的测量矩阵是m*L的矩阵，其中m<L，稀疏矢量是长度为L的向量。具体压缩感知预测流程如图3所示，其中y为系数矢量，φ为改进的测量矩阵，T为改进的权重矩阵，s为线性向量。
步骤S60：根据重构算法将所述观测矩阵重构，得到重构稀疏矢量。
需要理解的是，在压缩感知框架下，观测矩阵并不进行重构，而是用于从原始信号中获取线性测量值，观测矩阵对高维稀疏信号进行投影，得到低维观测数据，而重构稀疏矢量就是基于观测矩阵和观测数据来恢复原始的系数信号。
步骤S70：对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
需要理解的是，在重构稀疏矢量后，首先根据压缩重构算法从观测数据中恢复出稀疏向量对应于小波域下的系数，然后将重构得到的小波系数应用到小波逆变换过程中，将系数小波系数矩阵转换回与原始图像尺寸相同的像素值矩阵，然后对逆变换结果进一步进行去噪、平滑，得到最后的压缩图像。
本实施例通过获取原始图像；对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；根据压缩感知理论，得到高斯随机测量矩阵；将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；根据重构算法将所述观测值重构，得到重构稀疏矢量；对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像，通过在图像压缩前对图像进行变换处理，使信号具有较大的稀疏性，提高压缩比，提高重构图像的准确性。
参考图4，图4为本发明图像压缩方法第二实施例的流程示意图。
上述第一实施例所述步骤S20，包括：
步骤S201：将原始图像划分为奇数序列和偶数序列。
需要理解的是，在本实施例中，将图像划分为奇数序列x(2n+1)和偶数序列x(2n)进行列像素分解，然后通过分解奇数序列和偶数序列分别生成高频分量和低频分量。
步骤S202：对所述奇数序列和偶数序列进行小波包分解，得到对应分解级数的低频和多个高频子带。
需要理解的是，在图像处理、信号处理等领域，一般用到多分辨率分析和小波变换等技术。这些技术通常涉及到将原始图像分解为多个子带，并在每个子带内部提取特征，例如系数。这种分解过程可以通过滤波器组实现，如Haar小波、Daubechies小波等。在本实施例中，采用四叉树分解，如图5小波包分解结果图所示，图像进行三级小波包分解后，低频水平细节子带LL和三个方向的高频向量分别为高频垂直细节子带HL、高频水平细节子带LH和高频对角线细节子带HH均分解出16个子带块，总共分解出64个子带块，而针对小波包分解采用提升Daubechies 9/7滤波器实现，奇数序列和偶数序列分别生成高频分量和低频分量。
具体地，根据以下式子对奇数序列进行预测以及对偶数序列进行更新，和分解后的像素值的缩放:
第一次预测：y(2n+1)＝x(2n+1)-α[x(2n)+x(2n+2)]
第一次更新：y(2n)＝x(2n)-β[x(2n-1)+x(2n+1)]
第二次预测：y(2n+1)＝y(2n+1)+γ[y(2n)+y(2n+2)]
第二次更新：y(2n)＝x(2n)+δ[y(2n-1)+y(2n+1)]
对高频分量的系数缩放：y(2n+1)＝-Ky(2n+1)
对低频分量的系数缩放：y(2n)＝y(2n)/K
其中，α＝1.586134342,β＝0.052980118,γ＝0.882911075,δ＝1.230174205,K表示分解级数，在本实施例中，分解级数为3。通过两次对奇数序列预测以及两次对偶数序列更新得到的对应频带的分解后的像素值，再通过将提取像素值系数进行缩放，提高压缩后的准确性，更加还原接近原始图像。
步骤S203：根据分解级数、子带个数以及对应的子带位置、高宽，得到对应子带中相同位置的系数构成的稀疏矢量。
可以理解的是，在特定的分解层级上，针对每一个子带，按照其尺寸和位置信息，抽取该子带内所有位置的系数，组合成一个向量，由于系数的稀疏性，这个向量就是稀疏矢量。小波包分解在对图像稀疏表示的同时完成了分块，可利用分解后高频系数的稀疏特性，将每个子带的高频系数堆叠为一维矢量来构造稀疏矢量，但此方式没有考虑不同子带系数之间的相关性，而且也没有考虑将低频子带系数加入到构造稀疏矢量。若将低频子带加入稀疏矢量，如图5左上角的LL3子带为原图的近似，无稀疏特性，无法直接将其堆叠成一维矢量来构造稀疏矢量，但其它LL3子带又具有稀疏性。因此，可将图像小波包分解后，全部子带(包括LL3内子带)中相同位置的系数构成一个稀疏矢量。具体地，构造稀疏矢量的公式如下：
其中，sk表示子带中位于第k个位置的系数构成的稀疏矢量，表示第i个子带中第k个位置系数的幅值，m和n分别代表子带块的高和宽，B代表分解级数，具体的稀疏矢量构造流程图如图6所示。
步骤S204：根据子带个数以及对应子带位置系数值，得到子带的能量。
需要理解的是，在图像处理或信号处理中，可通过子带的能量来判断子带在图像重建中的重要性，并设置相应的权重，而子带的能量一般是子带的均方根，根据下式求得：
其中，Ti表示第i个子带的均值，表示第i个子带中第k个系数值。
步骤S205：通过所述子带的能量设置对应权重，得到权重矩阵。
在本实施例中通过将原始图像划分为奇数序列和偶数序列，对所述奇数序列和偶数序列进行小波包分解，得到对应分解级数的低频和多个高频子带，根据分解级数、子带个数以及对应的子带位置、高宽，得到对应子带中相同位置的系数构成的稀疏矢量，根据子带个数以及对应子带位置系数值，得到子带的能量，通过所述子带的能量设置对应权重，得到权重矩阵，依据子带的能量特性进行有针对性的信息处理，提高了图像压缩的效率和效果。
参考图7，图7为本发明图像压缩方法第三实施例的流程示意图。
上述第一实施例的步骤S60，包括：
步骤S601：初始化重构稀疏矢量、残差和迭代次数。
需要说明的是，重构过程则与分解相反，是从小波域回到空间域的过程。在本实施例中，为了快速重构稀疏矢量，选取广义正交匹配追踪算法。在每次迭代内选取S个原子，初始化残差r0，确定迭代次数k。
步骤S602：计算得到改进的测量矩阵和残差的相关系数矩阵。
具体地，在本实施例中，根据式子：
得到改进的测量矩阵和残差的相关系数矩阵，其中表示改进的测量矩阵。
步骤S603：从所述相关系数矩阵中选择最大的多个元素及其对应的列向量，得到列集合。
可以理解的是，在本实施例中，从所述改进的测量矩阵和残差的相关系数矩阵中，选择最大的S个值放入迭代找到的索引ηk中，然后再将这些最大的S个值对应的的列向量放入按照ηk选出改进的测量矩阵的列集合At中。
步骤S604：求解最小二乘法问题得到增量值。
在本实施例中，按照公式其中，y表示观测向量，改进的测量矩阵是m*n的向量，y是n*1的向量，根据求解最小二乘法问题得到增量值。
步骤S605：根据所述增量值更新所述重构稀疏矢量以及残差。
在本实施例中，按照公式：
通过增量值更新残差，将增量值加到当前的重构稀疏矢量上以减小重构误差。
步骤S606：判断迭代次数是否达到预设最大迭代次数。
步骤S607：若小于预设最大迭代次数，则通过对所述改进的测量矩阵与残差的相关系数矩阵分析选取新的列向量，构建新的列集合。
步骤S608：若大于或等于预设最大迭代次数，则输出得到重构稀疏矢量。
在本实施例中通过初始化重构稀疏矢量、残差和迭代次数；计算得到改进的测量矩阵和残差的相关系数矩阵；从所述相关系数矩阵中选择最大的多个元素及其对应的列向量，得到列集合；求解最小二乘法问题得到增量值；根据所述增量值更新所述重构稀疏矢量以及残差；判断迭代次数是否达到预设最大迭代次数；若小于预设最大迭代次数，则通过对所述改进的测量矩阵与残差的相关系数矩阵分析选取新的列向量，构建新的列集合；若大于或等于预设最大迭代次数，则输出得到重构稀疏矢量，通过利用信号的稀疏性，在较少的观测值下能够实现对稀疏信号的有效和高效的恢复。
参考图8，图8为本发明图像压缩方法第四实施例的流程示意图。
上述第一实施例的步骤S70，包括：
步骤S701：得到低频分量和高频分量对应的重构稀疏矢量。
步骤S702：对所述重构稀疏矢量的系数进行缩放。
需要理解的是，根据分解时获取的不同级别、不同位置(低频或多个高频)的小波包系数，将这些系数按照原来的顺序和结构进行缩放重新组织起来，通过低频分量和高频分量对应的重构稀疏矢量系数缩放减小误差。
在本实施例中，根据下式对低频分量和高频分量对应的重构稀疏矢量系数缩放：
x(2n+1)＝-y(2n+1)/K
x(2n)＝Ky(2n)
步骤S703：分别对低频分量和高频分量进行多次预测和更新，得到解码后的图像。
需要理解的是，重构过程为滤波器的逆运算，利用小波包逆变换算法，将重组后的各子带系数分别转换回原始的空间分辨率数据。这个过程中，低频分量先被重构，然后逐步加入各个层次的高频分量，从而逐步恢复图像的细节。
在本实施例中，按照下式对低频分量和高频分量进行多次预测和更新：
第一次预测：x(2n)＝y(2n)-δ[x(2n-1)+x(2n+1)]
第一次更新：x(2n+1)＝x(2n+1)-γ[x(2n)+y(2n-2)]
第二次预测：x(2n)＝x(2n)+β[y(2n)+y(2n+2)]
第二次更新：x(2n+1)＝x(2n+1)+α[y(2n)+y(2n+2)]
步骤S704：将所述解码后的图像的像素值从YUV格式转换为对应的RGB格式，输出得到压缩后的图像。
需要理解的是，解码过程通常涉及将编码后的数据恢复成原始图像格式。对于YUV到RGB的转换，这是由于在视频编解码过程中，YUV色彩空间因其特性被广泛应用于压缩编码以提高效率。当解码后的图像仍然处于YUV色彩空间时，为了使其能在显示设备上正确显示需要将其转换为RGB格式。
在本实施例中，按照下式进行格式转换：
在本实施例中通过得到低频分量和高频分量对应的重构稀疏矢量；对所述重构稀疏矢量的系数进行缩放；分别对低频分量和高频分量进行多次预测和更新，得到解码后的图像；将所述解码后的图像的像素值从YUV格式转换为对应的RGB格式，输出得到压缩后的图像，对重构后的稀疏矢量系数进行缩放后和对低频分量和高频分量进行多次预测和更新，能够更好地捕捉到图像序列中的空间和时间相关性，进一步优化压缩效率和重建质量。
参考图9，图9为本发明图像压缩装置第一实施例的结构框图。
如图9所示，本发明实施例提出的图像压缩装置包括：
获取模块10，用于获取原始图像；
处理模块20，用于对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；
获取模块10，还用于根据压缩感知理论，得到高斯随机测量矩阵；
计算模块30，用于将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；
编码模块40，用于根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；
获取模块10，还用于根据重构算法将所述观测值重构，得到重构稀疏矢量；
合成模块50，用于对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
本实施例通过获取原始图像；对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；根据压缩感知理论，得到高斯随机测量矩阵；将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；根据重构算法将所述观测值重构，得到重构稀疏矢量；对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像，通过在图像压缩前对图像进行变换处理，使信号具有较大的稀疏性，提高压缩比，提高重构图像的准确性。
在一实施例中，所述处理模块20，还用于获取所述原始图像的像素值；对所述像素值进行中心偏移并进行数据归一化，得到处理后的像素值；对所述处理后的像素值按照格式将RGB格式转换为对应的YUV格式。
在一实施例中，所述处理模块20，还用于将原始图像划分为奇数序列和偶数序列；对所述奇数序列和偶数序列进行小波包分解，得到对应分解级数的低频和多个高频子带；根据分解级数、子带个数以及对应的子带位置、高宽，得到对应子带中相同位置的系数构成的稀疏矢量；根据子带个数以及对应子带位置系数值，得到子带的能量；通过所述子带的能量设置对应权重，得到权重矩阵。
在一实施例中，所述计算模块30，还用于保持所述权重矩阵中系数值不变，将权重矩阵变为对角矩阵；将所述测量矩阵和对角矩阵进行矩阵相乘算法，得到改进的测量矩阵。
在一实施例中，所述编码模块40，还用于对所述稀疏矢量结合改进的测量矩阵进行线性投影处理，得到观测矩阵；其中观测矩阵是长度为m的向量，改进的测量矩阵是m*n的矩阵(m<n)，稀疏矢量是长度为n的向量。
在一实施例中，所述获取模块10，还用于初始化重构稀疏矢量、残差和迭代次数；计算得到改进的测量矩阵和残差的相关系数矩阵；从所述相关系数矩阵中选择最大的多个元素及其对应的列向量，得到列集合；求解最小二乘法问题得到增量值；根据所述增量值更新所述重构稀疏矢量以及残差；判断迭代次数是否达到预设最大迭代次数；若小于预设最大迭代次数，则通过对所述改进的测量矩阵与残差的相关系数矩阵分析选取新的列向量，构建新的列集合；若大于或等于预设最大迭代次数，则输出得到重构稀疏矢量。
在一实施例中，所述合成模块50，还用于得到奇数序列和偶数序列对应的重构稀疏矢量；对所述重构稀疏矢量的系数进行缩放；分别对奇数序列和偶数序列进行多次预测和更新，得到解码后的图像；将所述解码后的图像的像素值从YUV格式转换为对应的RGB格式，输出得到压缩后的图像。
此外，为实现上述目的，本发明还提出一种图像压缩设备，所述图像压缩设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像压缩程序，所述图像压缩程序配置为实现如上文所述的图像压缩方法的步骤。
由于本图像压缩设备采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有图像压缩程序，所述图像压缩程序被处理器执行时实现如上文所述的图像压缩方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的工程模式控制方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像压缩方法，其特征在于，所述方法包括：
获取原始图像；
对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；
根据压缩感知理论，得到高斯随机测量矩阵；
将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；
根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；
根据重构算法将所述观测矩阵重构，得到重构稀疏矢量；
对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
2.如权利要求1所述的方法，其特征在于，所述对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量之前，还包括：
获取所述原始图像的像素值；
对所述像素值进行中心偏移并进行数据归一化，得到处理后的像素值；
将所述处理后的像素值从RGB格式转换为对应的YUV格式。
3.如权利要求1所述的方法，其特征在于，所述对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量，包括：
将原始图像划分为奇数序列和偶数序列；
对所述奇数序列和偶数序列进行小波包分解，得到对应分解级数的低频和多个高频子带；
根据分解级数、子带个数以及对应的子带位置、高宽，得到对应子带中相同位置的系数构成的稀疏矢量；
根据子带个数以及对应子带位置系数值，得到子带的能量；
通过所述子带的能量设置对应权重，得到权重矩阵。
4.如权利要求1所述的方法，其特征在于，所述将所述测量矩阵与权重矩阵结合处理，得到改进的测量矩阵，包括：
保持所述权重矩阵中系数值不变，将权重矩阵变为对角矩阵；
将所述测量矩阵和对角矩阵进行矩阵相乘算法，得到改进的测量矩阵。
5.如权利要求1所述的方法，其特征在于，所述根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵，包括：
对所述稀疏矢量结合改进的测量矩阵进行线性投影处理，得到观测矩阵；其中观测矩阵是长度为m的向量，改进的测量矩阵是m*n的矩阵，其中m<n，稀疏矢量是长度为n的向量。
6.如权利要求1所述的方法，其特征在于，所述根据重构算法将所述观测矩阵重构，得到重构稀疏矢量，包括：
初始化重构稀疏矢量、残差和迭代次数；
计算得到改进的测量矩阵和残差的相关系数矩阵；
从所述相关系数矩阵中选择最大的多个元素及其对应的列向量，得到列集合；
求解最小二乘法问题得到增量值；
根据所述增量值更新所述重构稀疏矢量以及残差；
判断迭代次数是否达到预设最大迭代次数；
若小于预设最大迭代次数，则通过对所述改进的测量矩阵与残差的相关系数矩阵分析选取新的列向量，构建新的列集合；
若大于或等于预设最大迭代次数，则输出得到重构稀疏矢量。
7.如权利要求1所述的方法，其特征在于，所述对所述原始稀疏矢量进行小波重构解码，得到压缩后的图像，包括：
得到低频分量和高频分量对应的重构稀疏矢量；
对所述重构稀疏矢量的系数进行缩放；
分别对低频分量和高频分量进行多次预测和更新，得到解码后的图像；
将所述解码后的图像的像素值从YUV格式转换为对应的RGB格式，输出得到压缩后的图像。
8.一种图像压缩装置，其特征在于，所述装置包括：
获取模块，用于获取原始图像；
处理模块，用于对所述原始图像进行图像稀疏化处理，得到权重矩阵和稀疏矢量；
获取模块，还用于根据压缩感知理论，得到高斯随机测量矩阵；
计算模块，用于将所述高斯随机测量矩阵与权重矩阵结合处理，得到改进的测量矩阵；
编码模块，用于根据所述改进的测量矩阵对所述稀疏矢量进行压缩编码，得到观测矩阵；
获取模块，还用于根据重构算法将所述观测矩阵重构，得到重构稀疏矢量；
合成模块，用于对所述重构稀疏矢量进行小波重构解码，得到压缩后的图像。
9.一种图像压缩设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的图像压缩程序，所述图像压缩程序配置为实现如权利要求1至7中任一项所述的图像压缩方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有图像压缩程序，所述图像压缩程序被处理器执行时实现如权利要求1至7任一项所述的图像压缩方法的步骤。
CN202410215260.4A 2024-02-27 2024-02-27 图像压缩方法、装置、设备及存储介质 Pending CN118264818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410215260.4A CN118264818A (zh) 2024-02-27 2024-02-27 图像压缩方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410215260.4A CN118264818A (zh) 2024-02-27 2024-02-27 图像压缩方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN118264818A true CN118264818A (zh) 2024-06-28

Family

ID=91601658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410215260.4A Pending CN118264818A (zh) 2024-02-27 2024-02-27 图像压缩方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN118264818A (zh)

Similar Documents

Publication Publication Date Title
JPH05500294A (ja) 改良された画像圧縮方法および装置
JPH11163733A (ja) 符号化方法および装置
KR20220027208A (ko) 웨이블릿 변환 기반 이미지 인코딩/디코딩 방법 및 장치
Kumar et al. A review: DWT-DCT technique and arithmetic-Huffman coding based image compression
Zhou et al. Image compression based on discrete cosine transform and multistage vector quantization
US7379500B2 (en) Low-complexity 2-power transform for image/video compression
Kountchev et al. Inverse pyramidal decomposition with multiple DCT
Thakker et al. Lossy Image Compression-A Comparison Between Wavelet Transform, Principal Component Analysis, K-Means and Autoencoders
Arya et al. Medical image compression using two dimensional discrete cosine transform
Alarcon-Aquino et al. Lossy image compression using discrete wavelet transform and thresholding techniques
CN118264818A (zh) 图像压缩方法、装置、设备及存储介质
Taşmaz et al. Image enhancement via space-adaptive lifting scheme exploiting subband dependency
Awad et al. Improving Reconstructed Image Quality via Hybrid Compression Techniques.
JP6684229B2 (ja) ウェーブレット変換行列に適応可能な高精度化及び量子化方法
Lanz et al. Graph-based compensated wavelet lifting for 3-D+ t medical CT data
CN116916034B (zh) 基于safd的图像处理方法、装置、设备及存储介质
Naqvi et al. Sparse representation of image and video using easy path wavelet transform
JP5931747B2 (ja) 画像シーケンスのブロックの符号化および復元の方法
CN116916033B (zh) 一种基于随机自适应傅里叶分解的联合时空视频压缩方法
Nihal et al. A Survey and Study of Image Compression Methods
Phanprasit Compression of medical image using vector quantization
Iriyama et al. Frequency domain-based bit-depth enhancement method and dealing with different bit-depth degradation
CN113393543B (zh) 高光谱图像压缩方法、装置、设备及可读存储介质
CN111246205B (zh) 基于方向双四元数滤波器组的图像压缩方法
Narasimhulu et al. Hybrid LWT and DCT based High-Quality Image Compression

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