專利名稱：：用于表現(xiàn)邊緣特征的高倍圖像壓縮方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于計(jì)算機(jī)圖像處理
技術(shù)領(lǐng)域：
，尤其涉及一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法。
背景技術(shù)：
：壓縮技術(shù)包括對聲音、圖像、文本、數(shù)字等的壓縮，而圖像作為當(dāng)今多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)中使用和傳輸最頻繁的一類信息，使得靜態(tài)圖像壓縮技術(shù)在眾多壓縮技術(shù)中占有重要的地位。目前，在圖像壓縮
技術(shù)領(lǐng)域：
采用的主要方法是變換編碼(TransformCoding),該過程主要包括兩個(gè)部分，分別是變換編碼過程和變換解碼過程。壓縮技術(shù)主要研究編碼過程，解碼過程是編碼過程的逆過程。編碼時(shí)，一幅二維圖像經(jīng)過采樣和標(biāo)量量化后在計(jì)算機(jī)中表現(xiàn)為一個(gè)二維數(shù)組。在這個(gè)二維數(shù)組中，一個(gè)系數(shù)與其相鄰多個(gè)系數(shù)之間均存在著相關(guān)性(鄰居相關(guān)性)，即這個(gè)系數(shù)的灰度值高，則其相鄰多個(gè)系數(shù)的灰度值也高的可能性就大；反之，其灰度值低，貝lj相鄰系數(shù)的灰度值也就很可能低。存在著相關(guān)性即說明圖像信息有冗余?？梢詫@個(gè)二維數(shù)組進(jìn)行線性變換，變換后系數(shù)之間的相關(guān)性大大減弱，相應(yīng)地能量也就集中在更少量的系數(shù)上了。然而，經(jīng)過線性變換后變換域中的系數(shù)還是有冗余，進(jìn)一步地去除這些冗余可以達(dá)到更好的壓縮效果，上述是典型的變換編碼過程。而現(xiàn)如今要提高變換編碼的壓縮效率，主要有兩類途徑第一類是研究怎樣使線性變換更加有效，即更好的實(shí)現(xiàn)相關(guān)性和能量集中性。第二類則是研究怎樣對線性變換后變換域中的系數(shù)進(jìn)行更有效的編碼。針對上述第一類途徑，本發(fā)明在編碼過程中引入實(shí)現(xiàn)簡單、運(yùn)算快速的第二代曲波變換(CurveletTransform)。對比JPEG中采用的余弦變換(CosineTransform)和傳統(tǒng)的小波變換(WaveletTransform),曲波變換除了尺度和位移參量，還增加了一個(gè)方向參量，具有更好的方向辨識(shí)能力，曲波變換對圖像的邊緣如曲線、直線等幾何特征的表達(dá)更加優(yōu)于小波。因此，使用曲波變換能更好地避免解碼時(shí)在圖像邊緣和細(xì)節(jié)位置引入模糊和塊效應(yīng)，同時(shí)在運(yùn)算速度上也有很大提高。針對上述第二類途徑，本發(fā)明在編碼曲波域系數(shù)之前加入了機(jī)器學(xué)習(xí)方法，即對量化后的系數(shù)進(jìn)行約減。經(jīng)過CVM(CoreVectorMachine,核心向量機(jī))訓(xùn)練后的系數(shù)不僅能保留圖像的重要信息，而且得到的核心向量的個(gè)數(shù)也比原來系數(shù)的個(gè)數(shù)少，所以本發(fā)明在較高的壓縮倍率下仍能較好的保持重建后圖像的質(zhì)量。
發(fā)明內(nèi)容本發(fā)明的目的在于，提供一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，解決目前計(jì)算機(jī)圖像壓縮技術(shù)中，解碼后重建的圖像在邊緣和細(xì)節(jié)位置產(chǎn)生模糊和塊效應(yīng)，導(dǎo)致圖像不清晰，以及壓縮速度慢的問題。本發(fā)明的技術(shù)方案是，一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述方法包括下列步驟步驟l:將待處理的圖像減去平均值，然后進(jìn)行曲波變換；步驟2:對曲波系數(shù)進(jìn)行符號(hào)、幅值分離，并對所有的系數(shù)幅值進(jìn)行量化;步驟3:采用預(yù)測并算術(shù)編碼的方法對提取的符號(hào)數(shù)據(jù)編碼；步驟4:采用熵編碼方法對得到的低頻系數(shù)直接編碼；步驟5:將得到的高頻系數(shù)直接舍去；步驟6:用不同參數(shù)的CVM對中高頻系數(shù)實(shí)現(xiàn)從低到高的系數(shù)約減；步驟7:排列壓縮后的各子塊系數(shù)和符號(hào)并存儲(chǔ)。所述對所有的系數(shù)幅值進(jìn)行量化包括下列步驟步驟21:將變換后的曲波系數(shù)幅值除以量化權(quán)值；步驟22:而后將步驟22處理后的數(shù)據(jù)與設(shè)定閾值進(jìn)行比較，對大于設(shè)定閾值的數(shù)據(jù)取整，對小于等于設(shè)定閾值的數(shù)據(jù)取零值。所述設(shè)定閾值的大小為50，量化權(quán)值為0.75。所述步驟6包括下列步驟步驟61:將同一頻帶的系數(shù)劃分為固定大小的數(shù)據(jù)塊；步驟62:按設(shè)定的順序掃描每一數(shù)據(jù)塊，得到一維的系數(shù)序列；步驟63:將各個(gè)一維序列歸一化到[O，l]之間；步驟64:計(jì)算當(dāng)前數(shù)據(jù)塊的預(yù)測值，根據(jù)得到的預(yù)測值，選擇合適的CVM模型訓(xùn)練參數(shù)值；步驟65:按一定的順序重排列不同頻帶中具有父子相關(guān)性的一維系數(shù)序列，得到三維的系數(shù)序列；步驟66:用CVM回歸對[O，l]之間的三維序列進(jìn)行訓(xùn)練，得到核心向量和相應(yīng)權(quán)重，把核心向量和權(quán)重排列在一起，進(jìn)行編碼。所述步驟64中，預(yù)測值的計(jì)算公式如下Predict=土(ParentZ|X,|)j=2其中，Predict為預(yù)測值，X,表示在不同頻帶且存在父子相關(guān)性的對應(yīng)數(shù)據(jù)塊中的數(shù)據(jù)。所述步驟64中，選擇合適的CVM模型訓(xùn)練參數(shù)值，具體的實(shí)施方法如下廣7^=60，c=60，s=0.01ifPredict>105210^52=50,c=50,s=0.05if102406^Predict<10521052=40，c=40，f=0.08if53347《Predict<l0240652=20，c=15,￡=0.12ifPredict<53347'6其中S和c為核函數(shù)的參數(shù)，e為小于l的正數(shù)。本發(fā)明的效果在于，使用本發(fā)明提供的方法進(jìn)行圖像壓縮編碼，不僅提高了圖像的壓縮倍率，而且解碼后所得到的重建圖像具有更高的PSNR(PeakSignalNoiseRatio,峰值信噪比)值，同時(shí)較好地消除了重建圖像在邊緣和細(xì)節(jié)位置的模糊和塊效應(yīng)。圖1是用于表現(xiàn)邊緣特征的高倍圖像壓縮方法壓縮過程的示意圖。圖2是連續(xù)曲波變換"楔形"窗示意圖。圖3是離散曲波變換"楔形"窗示意圖。圖4是保留Lena圖像單一頻帶系數(shù)，其他頻帶系數(shù)都置零時(shí)得到的各頻帶重建圖像。圖5(a)是用二維可分離小波逼近圖像中奇異曲線的過程，圖5(b)是用曲波逼近圖像中奇異曲線的過程。圖6是針對Detail層中不同方向的系數(shù)塊而提出的四種掃描順序。具體實(shí)施例方式下面結(jié)合附圖，對優(yōu)選實(shí)施例作詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是，下述說明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。高性能的圖像壓縮編碼算法有助于解決壓縮倍數(shù)與解壓后重建圖象質(zhì)量保真的矛盾。為此，本發(fā)明的解決方法是采用支撐區(qū)間為長條形的曲波基來稀疏表示圖像的奇異曲線，由于曲波變換比常用的小波變換多了一個(gè)方向參量，其系數(shù)表現(xiàn)出來的方向性更強(qiáng)。為更好的利用這種方向性以達(dá)到清楚表現(xiàn)圖像邊緣特征的目的，我們針對不同方向上的系數(shù)選用與之適應(yīng)的系數(shù)掃描順序來掃描數(shù)據(jù)塊。同時(shí)，針對曲波變換后的系數(shù)特點(diǎn)，我們挖掘出了曲波系數(shù)不同頻帶之間的相關(guān)性(父子相關(guān)性)和頻帶內(nèi)的相關(guān)性(鄰居相7關(guān)性)以及系數(shù)符號(hào)之間的相關(guān)性，并充分利用這些相關(guān)性和結(jié)合CVM學(xué)習(xí)模型對系數(shù)進(jìn)行大量約減，最終在保證重建圖像質(zhì)量的前提下，明顯提高了圖像壓縮倍數(shù)。下面結(jié)合本發(fā)明的具體實(shí)現(xiàn)方式。圖1是本發(fā)明所提供的用于表現(xiàn)邊緣特征的高倍圖像壓縮方法壓縮過程示意圖。該方法包括如下的步驟步驟l:將待處理的圖像減去平均值，然后進(jìn)行曲波變換。一幅二維圖像經(jīng)過采樣和標(biāo)量量化后在計(jì)算機(jī)中表現(xiàn)為一個(gè)二維數(shù)組，此處的平均值是指將這個(gè)二維數(shù)組的所有數(shù)值求和后除以數(shù)組包含的數(shù)值總個(gè)數(shù)。MN平均值=W1,M^M*N其中f(i，j)表示原圖像，圖像尺寸為MXN(表示圖像二維數(shù)組的長和寬)。本發(fā)明采用的曲波變換是第二代曲波變換，其理論基礎(chǔ)是(1)連續(xù)的曲波變換曲波(Curvelet)變換和小波變換理論一樣都屬于稀疏理論的范疇，可表示為基函數(shù)與信號(hào)(或函數(shù))的內(nèi)積形式c(力其中^w表示曲波(curvelet)函數(shù)，j、1、k分別表示尺度、方向、位置。曲波(Curvelet)變換在頻域內(nèi)實(shí)現(xiàn)，采用頻率域中的窗函數(shù)U來實(shí)現(xiàn)^在頻率域中的表示。定義一徑向窗函數(shù)r(r)和角度窗函數(shù)F(/)，且滿足容許性條件<formula>formulaseeoriginaldocumentpage8</formula>對所有尺度J々7。，定義傅里葉頻域的頻率窗^為<formula>formulaseeoriginaldocumentpage9</formula>其中，U/2」表示y/2的整數(shù)部分。由定義一可知，f/,為極坐標(biāo)下的一種"楔形"窗，圖2是連續(xù)曲波變換"楔形"窗示意圖。令母曲波(mothercurvelet)為^,.0c)，其傅里葉變換A(w^f/,如)，則在尺度2力上的所有curvelets都可以由^旋轉(zhuǎn)和平移得到。引入相同間隔的旋轉(zhuǎn)角序歹!j&2;z:x2-L〃2」x/，/=0,1,...，0《《<2冗，和位移參數(shù)系列A=(、Z2。定義尺度為2力，方向角為《，位置為4")-《(M2",、x2-^)的curvelet為其中A表示以^為弧度的旋轉(zhuǎn)。由此可將curvelet變換定義為頻率域的curvelet變換定義為c"，")="P(峰、"=★Kk4'"4(2)離散的曲波變換連續(xù)域中的頻率窗口C/,.將頻率域光滑地分成角度不同的環(huán)形，這種分割并不適合圖像的二維笛卡爾積坐標(biāo)系，因此，采用同中心的方塊區(qū)域A來代替。圖3是離散曲波變換"楔形"窗示意圖。設(shè)信號(hào)/[々,d，可以得到離散的curvdet函數(shù)。定義笛卡爾積坐標(biāo)系下的局部窗為其中，r,W-r(2"2、/^)，^被定義為一維低通窗口內(nèi)積引入相同的斜率tane,/x2如2」，/=_2^/2」,...力/2」-1，則化=『化(&,一—tan0其中，剪切矩陣&=分布的。則離散curvelet定義為，角度《不是均勻分布的，但它的斜率是均勻由于剪切的塊《化x2、^x2^2;)不是標(biāo)準(zhǔn)的矩形，為了使用快速傅里葉變換，將上式重新寫為此時(shí)就可以利用局部傅里葉變換實(shí)現(xiàn)，具體實(shí)現(xiàn)步驟如下第一步將/[^]"2W經(jīng)過二維離散傅里葉變換得到/k"」；第二步一個(gè)尺度、方向參數(shù)組(j，1)，對/k]采用插值方法得到/["p"2tan《];第三步用拋物窗^如/6她=^"^2)乘/["1,"2-",tan《]，從而局部化/，第四步對局部化的/作二維逆離散傅里葉變換，得到離散的curvelet系10上述四個(gè)步驟中提到的/h,d為信號(hào)的函數(shù)表示，/lA，d即為表示原始圖像的二維矩陣f(i，j)。步驟2:對曲波域系數(shù)進(jìn)行符號(hào)、幅值分離，并對所有的系數(shù)幅值進(jìn)行量化。曲波變換后，使用符號(hào)函數(shù)sign()來實(shí)現(xiàn)系數(shù)的符號(hào)、幅值分離，其中符號(hào)函數(shù)定義如下sign(x):符號(hào)函數(shù)(Signumfunction)當(dāng)x<0時(shí)，sign(x)二一l;當(dāng)x=0時(shí)，sign(x)=0;當(dāng)x>0時(shí)，sign(x)=1。對變換后的系數(shù)矩陣我們先使用符號(hào)函數(shù)得到系數(shù)的符號(hào)矩陣，然后再對系數(shù)矩陣取絕對值，取絕對值后的數(shù)據(jù)矩陣就是系數(shù)幅值。對分離后的系數(shù)幅值進(jìn)行劃分。根據(jù)圖像的規(guī)格，確定劃分的尺度層次，劃分規(guī)則為nsclaes=log2(n)-3(1)本實(shí)施例選取512像素X512像素的圖像，因此，圖像的尺度劃分按照公式(l)計(jì)算后為6。再將圖像的層次分為三個(gè)部分Coarse,Detail,Fine。從頻率的分布來講，低頻系數(shù)最內(nèi)層分配到Coarse部分，高頻最外層分配到Fine部分，中高頻系數(shù)(中間層次)分配到Detail。對應(yīng)于尺度，Coarse層包含頻帶1，Detail層包含頻帶2、3、4、5，F(xiàn)ine層包含頻帶6。Coarse層經(jīng)曲波變換后系數(shù)包含一個(gè)方向，Detail層經(jīng)曲波變換后系數(shù)包含四個(gè)方向，F(xiàn)ine層經(jīng)曲波變換后系數(shù)包含一個(gè)方向。具體的系數(shù)結(jié)構(gòu)參見下表表l。11<table>tableseeoriginaldocumentpage12</column></row><table>表l:Curvelet系數(shù)分解結(jié)構(gòu)圖一幅單色二維圖像(原始自然圖像)經(jīng)過采樣和量化(指標(biāo)量量化)后在數(shù)字計(jì)算機(jī)中表現(xiàn)為一個(gè)二維數(shù)組，在這個(gè)二維數(shù)組中，一個(gè)系數(shù)與其相鄰多個(gè)系數(shù)之間均存在著相關(guān)性，S卩這個(gè)系數(shù)的灰度值高，則其相鄰多個(gè)系數(shù)的灰度值也高的可能性就大；反之，其灰度值低，則相鄰系數(shù)的灰度值也就很可能低。存在著相關(guān)性即說明圖像信息有冗余(圖像存在冗余信息是進(jìn)行壓縮的前提條件)?？梢詫@個(gè)二維數(shù)組進(jìn)行線性變換(本發(fā)明采用能稀疏地表現(xiàn)曲線的曲波變換)，變換后系數(shù)之間的相關(guān)性大大減弱，相應(yīng)地能量也就集中在更少量的系數(shù)上了。雖然經(jīng)過變換后系數(shù)之間的相關(guān)性減弱了，但是仍然不能消除相關(guān)性(現(xiàn)如今提出的線性變換都不能消除相關(guān)性)，因此各頻帶中和各頻帶之間仍會(huì)出現(xiàn)相關(guān)性。祖先頻帶、父親頻帶、兒子頻帶和孫子頻帶是針對父子相關(guān)性提出的。粗尺度上的曲波系數(shù)頻帶稱為父親頻帶，其下一個(gè)細(xì)尺度上的曲波系數(shù)頻帶稱為兒子頻帶。如表一所示CelU2)是CelU3l的父親頻帶，&11{3}是011{2}的兒子頻帶，CellUl是CelU3l的祖先頻帶，Cell{3}是CellUl的孫子頻帶。圖3是保留Lena圖像單一頻帶系數(shù)，其他頻帶系數(shù)都置零時(shí)得到的各頻帶重建圖像。根據(jù)圖3所示，可以看出相鄰級(jí)對應(yīng)方向頻帶的"圖像"之間有一定的相似性，它們都很像原圖像，只是所包含的信息不同Coarse層主要描述圖像的細(xì)節(jié)特征；Detail層主要描述圖像的邊緣特征；Fine層描述了圖像的輪廓。也就是說相鄰級(jí)對應(yīng)方向頻帶在相同位置上的系數(shù)之間有一定的相關(guān)性，這里稱之為父子相關(guān)性，父子相關(guān)性是一種頻帶間相關(guān)性。類比小波圖像壓縮算法中的"零樹"結(jié)構(gòu)(當(dāng)一個(gè)系數(shù)為零時(shí)，它的子系數(shù)及子系數(shù)的子系數(shù)，一直到最高頻帶，即所有后輩系數(shù)都為零的可能性很大)，我們把滿足這種數(shù)據(jù)特性(當(dāng)一個(gè)系數(shù)為大值或小值時(shí)，它的子系數(shù)及子系數(shù)的子系數(shù)，一直到最高頻帶，即所有后輩系數(shù)都為大值或小值的可能性很大)稱作"類零樹"結(jié)構(gòu)。在編碼曲波系數(shù)時(shí)，本發(fā)明也利用了"類零樹"結(jié)構(gòu)，以求更好地去除圖像冗余，提高壓縮倍數(shù)。同時(shí)結(jié)合曲波域系數(shù)在統(tǒng)計(jì)學(xué)上的分析，得出了Curvdet變換后的系數(shù)特點(diǎn)，總結(jié)如下(1)系數(shù)的能量主要集中于第一層，即低頻系數(shù)上，其余各層次能量分布逐層遞減；(2)最大值主要集中在最低頻，最小值主要集中在最高頻；(3)隨著尺度層次的增加，越是向外層靠近，系數(shù)越是高頻，數(shù)值越向零靠近；(4)當(dāng)一個(gè)系數(shù)為大(小)值時(shí)，在不同頻帶對應(yīng)位置系數(shù)的值也偏大(小)，即不同頻帶的系數(shù)間存在父子相關(guān)性；(5)當(dāng)一個(gè)系數(shù)為大(小)值時(shí)，該系數(shù)周圍的系數(shù)的值也偏大(小)，即相同頻帶的系數(shù)間存在鄰居相關(guān)性。需要說明的是本發(fā)明之所以會(huì)選擇曲波變換作為變換編碼的基礎(chǔ)變換而沒有選擇當(dāng)前廣泛應(yīng)用于圖像壓縮領(lǐng)域的小波變換，是因?yàn)樾〔ㄗ儞Q對于奇異曲線描述有局限性，而曲波變換能更好地獲得曲線的"稀疏"表示。圖4(a)為用二維可分離小波逼近圖像中奇異曲線的過程。由一維小波張成的二維小波基是正方形的支撐區(qū)間，在不同的分辨率下，其支撐區(qū)間為不同尺寸大小的正方形。由于通過邊緣的不連續(xù)性是空間分布的，這種不連續(xù)性會(huì)相當(dāng)廣泛地和小波級(jí)數(shù)展開中的許多項(xiàng)"相交"，最終表現(xiàn)為小波不能"稀疏"表示線狀奇異性。圖4(b)為用曲波逼近圖像中奇異曲線的過程。它的基的支撐區(qū)間表現(xiàn)為長條形，滿足尺度關(guān)系width"length2。將圖4中(a)、(b)兩圖比較可以看出，當(dāng)尺度加細(xì)時(shí)，幾個(gè)"長條形"的基的支撐區(qū)間就可以覆蓋整條奇異曲線，并且這種基還具有方向性，因而可以對曲線奇異進(jìn)行比小波更稀疏的表示。也就是說曲波變換與小波變換不同，除了尺度和位移參量，還增加了一個(gè)方向參量，因此具有更好的方向辨識(shí)能力。本發(fā)明也正是利用了曲波變換的多方向特點(diǎn)，在后續(xù)步驟6.2編碼曲波域系數(shù)時(shí)，對數(shù)據(jù)塊采用了不同的掃描順序，以適應(yīng)不同方向上系數(shù)的特點(diǎn)，以求達(dá)到去除相鄰系數(shù)間不同方向上的相關(guān)性，從而提高數(shù)據(jù)壓縮率。量化的作用是在保持圖像主觀質(zhì)量的前提下，丟掉那些對視覺效果影響不大的信息。為了達(dá)到壓縮數(shù)據(jù)的目的，對經(jīng)過曲波變換后的系數(shù)需要做量化處理，量化處理是一個(gè)多到一的映射，它是進(jìn)行圖像壓縮的一個(gè)步驟。本發(fā)明在數(shù)據(jù)壓縮過程的量化階段采用了死區(qū)量化的方法，其具體的實(shí)現(xiàn)步驟如下首先，將變換后的曲波系數(shù)幅值除以量化權(quán)值(quantizer);然后，將處理后的數(shù)據(jù)與設(shè)定閾值(deadzone)進(jìn)行比較，絕對值在設(shè)定閾值以下(區(qū)間以外)的系數(shù)被舍去(設(shè)為零值)，設(shè)定閾值以上(區(qū)間以內(nèi))的系數(shù)保留；最后，對保留的數(shù)據(jù)取整。這里，設(shè)定閾值的大小優(yōu)選為50，量化權(quán)值(quantizer)優(yōu)選為0.75。步驟3:采用預(yù)測并算術(shù)編碼的方法對提取的符號(hào)數(shù)據(jù)編碼。經(jīng)觀察和統(tǒng)計(jì)分析發(fā)現(xiàn)，一幅二維圖像經(jīng)過曲波變換后的系數(shù)符號(hào)之間也存在相關(guān)性，即正(負(fù))系數(shù)旁邊也為正(負(fù))系數(shù)的可能性要大。為去除符號(hào)之間的相關(guān)性，本發(fā)明采用預(yù)測并算術(shù)編碼的方法。編碼開始時(shí)對頻率分布表進(jìn)行初始化，即將頻率分布表的所有項(xiàng)都置為1，每次算術(shù)編碼后根據(jù)當(dāng)前的符號(hào)數(shù)據(jù)更新頻率分布表，然后用已編碼的數(shù)據(jù)預(yù)測下一系數(shù)的符號(hào)位數(shù)據(jù)并算術(shù)編碼。這就像是利用已壓縮符號(hào)的信息不斷對頻率分布表進(jìn)行"訓(xùn)練"，使之逐步接近實(shí)際的頻率分布。由于二維圖像的符號(hào)信息只有兩類數(shù)據(jù)(用o代表負(fù)號(hào)，用l代表正號(hào))，有效避免了在數(shù)據(jù)類型較多的情況下"訓(xùn)練"效果"稀釋"的現(xiàn)象，所以能很好地消除系數(shù)符號(hào)之間的相關(guān)性，取得較好的壓縮效果。步驟4:采用熵編碼方法對得到的低頻系數(shù)直接編碼。根據(jù)前面描述的曲波變換后各頻帶系數(shù)的結(jié)構(gòu)和特點(diǎn)可知低頻系數(shù)(Coarse層)數(shù)據(jù)量少(32X32)，但是包含的信息量大，所以本發(fā)明在步驟4將這部分系數(shù)直接使用熵編碼，保留原始圖像的輪廓，這對提高解碼后重建圖像的質(zhì)量有很大幫助。步驟5:將得到的高頻系數(shù)直接舍去。對于高頻系數(shù)(Detail層)，其數(shù)據(jù)量大，但是包含的信息量少，所以本發(fā)明在步驟5將這部分系數(shù)直接舍去(置零)，這對提高壓縮效率有很大幫助。步驟6:用不同參數(shù)的CVM對中高頻系數(shù)實(shí)現(xiàn)從頻帶范圍內(nèi)的低頻到高頻的系數(shù)約減，包括下列步驟步驟61:將同一頻帶的系數(shù)劃分為固定大小的數(shù)據(jù)塊。步驟62:按設(shè)定的順序掃描每一數(shù)據(jù)塊，得到一維的系數(shù)序列。圖6是針對Detail層中不同方向的系數(shù)塊而提出的四種掃描順序。圖6中的符號(hào)1-16代表對數(shù)據(jù)塊的掃描順序，即從符號(hào)1所在的位置開始掃描，然后掃描符號(hào)2所在位置的系數(shù)，以此類推，最后掃描符號(hào)16所在位置的系數(shù)。這樣，圖6(a)為按行掃描，圖6(c)為按列掃描，圖6(b)和圖6(d)為按對角線掃描，只是兩種掃描方式的方向不同。針對不同方向的系數(shù)塊，采用與之對應(yīng)的系數(shù)掃描方式，以此來適應(yīng)曲波系數(shù)的方向性，這對表現(xiàn)壓縮后重建圖像的邊緣特征以及消除壓縮后重建圖像出現(xiàn)的模糊和塊效應(yīng)有很大幫助。步驟63:將各個(gè)一維序列歸一化到[O，l]之間。步驟64:計(jì)算當(dāng)前數(shù)據(jù)塊的預(yù)測值，根據(jù)得到的值，選擇合適的CVM模型訓(xùn)練參數(shù)值。首先給出定義父子相關(guān)性系數(shù)(Parent),為一個(gè)整型數(shù)值，在系數(shù)中存在父子相關(guān)性時(shí)表示本頻帶系數(shù)對預(yù)測值Predict的貢獻(xiàn)級(jí)數(shù)，即權(quán)重大小。約定所有祖先頻帶的系數(shù)對當(dāng)前頻帶的系數(shù)的貢獻(xiàn)級(jí)數(shù)為2(Parent二2);父親頻帶的系數(shù)對當(dāng)前頻帶的系數(shù)的貢獻(xiàn)級(jí)數(shù)為3(Parent二3);本頻帶的系數(shù)對本頻帶的系數(shù)的貢獻(xiàn)級(jí)數(shù)為5(Parent=5);直接兒子頻帶的系數(shù)對當(dāng)前頻帶的系數(shù)的貢獻(xiàn)級(jí)數(shù)為2(Parent二2);所有孫子頻帶的系數(shù)對當(dāng)前頻帶的系數(shù)的貢獻(xiàn)級(jí)數(shù)為1(Parent=l)。則預(yù)測值Predict的計(jì)算公式如公式(2)Predict=f(Parent.ZIX,I)(2)j=2其中，Xi表示在不同頻帶且存在父子相關(guān)性的對應(yīng)數(shù)據(jù)塊中的數(shù)據(jù)。用CVM回歸模型訓(xùn)練曲波系數(shù)時(shí)，因?yàn)樽儞Q后的系數(shù)分布接近高斯分布，所以本發(fā)明采用高斯函數(shù)作為核函數(shù)。在研究中發(fā)現(xiàn)，核函數(shù)參數(shù)S2和c對CVM回歸算法的性能起著非常重要的作用。82的適合值通常應(yīng)在1100之間，當(dāng)82的值太小或太大會(huì)對訓(xùn)練集造成過擬合或欠擬合現(xiàn)象；同樣，c的適合值通常應(yīng)在10100之間，當(dāng)c的值太小或太大也會(huì)對訓(xùn)練數(shù)據(jù)造成欠擬合或過擬合現(xiàn)象而導(dǎo)致泛化性能惡化。CVM的性能對e不敏感，然而核心向量的數(shù)目卻隨著e的增大而減小，從而可以任意控制逼近的精度和曲波系數(shù)的壓縮倍數(shù)。當(dāng)?shù)玫疆?dāng)前數(shù)據(jù)塊的預(yù)測值Predict后，根據(jù)Predict所在的不同值段(值段劃分的邊界值是對大量典型圖像進(jìn)行統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果得出的經(jīng)驗(yàn)值)選擇合適的CVM的參數(shù)值。具體的實(shí)施方法如下<formula>formulaseeoriginaldocumentpage17</formula>之所以會(huì)根據(jù)不同的Predict值采用不同的CVM參數(shù)值來建立訓(xùn)練模型，是基于不斷提高壓縮倍數(shù)的目的。一般情況下，表示圖像的二維數(shù)組中數(shù)據(jù)的幅值越大包含的信息量就越多，在實(shí)現(xiàn)CVM訓(xùn)練時(shí)，就應(yīng)該保留更多的核心向量，這樣在恢復(fù)系數(shù)時(shí)，得到的恢復(fù)值同原值的差值就越??；反之?dāng)?shù)據(jù)的幅值越小包含的信息量就越少，在實(shí)現(xiàn)CVM訓(xùn)練時(shí)，就可以保留少量的核心向量，這樣雖然得到的恢復(fù)值同原值有誤差，但是由于數(shù)據(jù)的重要性不高，所以不會(huì)影響恢復(fù)圖像的質(zhì)量。這樣，對Detail層系數(shù)，我們只存儲(chǔ)用CVM訓(xùn)練后比原始數(shù)據(jù)更少量的核心向量，有效地提高了壓縮效率。同時(shí)，對不同的系數(shù)采用不同的CVM參數(shù)，保留不同數(shù)目的核心向量，從而保證了恢復(fù)圖像的質(zhì)量。換句話說，此方法既能提高總的壓縮倍數(shù)又能保持重建圖像的質(zhì)量。步驟65:按一定的順序重排列不同頻帶中具有父子相關(guān)性的一維系數(shù)序列，得到三維的系數(shù)序列。對多個(gè)一維系數(shù)序列所采用的排列順序是根據(jù)各頻帶父子相關(guān)性系數(shù)Parent的大小而設(shè)定的。Parent大的一維系數(shù)序列排在前面；反之，Parent小的一維系數(shù)序列排在后面。依照前面Parent的賦值約定，當(dāng)前數(shù)據(jù)塊轉(zhuǎn)換得到的一維序列應(yīng)排在最前，然后是對應(yīng)的父親數(shù)據(jù)塊轉(zhuǎn)換得到的一維序列，對應(yīng)的兒子數(shù)據(jù)塊轉(zhuǎn)換得到的一維序列，并以此類推。這樣，我們在對系數(shù)進(jìn)行CVM回歸預(yù)測時(shí)不僅利用了鄰居相關(guān)性(針對同一維的數(shù)據(jù))，也利用了父子相關(guān)性(針對不同維的數(shù)據(jù))。同時(shí)，本發(fā)明用到的多個(gè)一維數(shù)據(jù)序列的排列方式，是基于系數(shù)所在的維數(shù)序號(hào)不同對CVM回歸預(yù)測的貢獻(xiàn)不同的原則而提出的。所有的這些處理旨在充分利用變換后系數(shù)之間的冗余，從而進(jìn)一步提高壓縮倍數(shù)。17步驟66:用CVM回歸對[O，l]之間的三維序列進(jìn)行訓(xùn)練，得到核心向量和相應(yīng)權(quán)重，把核心向量和權(quán)重排列在一起，進(jìn)行編碼。步驟7:排列壓縮后的各子塊系數(shù)和符號(hào)并存儲(chǔ)，最終完成表現(xiàn)邊緣特征的高倍圖像壓縮方法。使用本發(fā)明，不僅提高了圖像的壓縮倍率，而且解碼后所得到的重建圖像具有更高的PSNR值，同時(shí)消除了重建圖像在邊緣和細(xì)節(jié)位置的模糊和塊效應(yīng)，重建后的圖像比使用其他壓縮方法更清晰。以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。18權(quán)利要求1、一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述方法包括下列步驟步驟1將待處理的圖像減去平均值，然后進(jìn)行曲波變換；步驟2對曲波系數(shù)進(jìn)行符號(hào)、幅值分離，并對所有的系數(shù)幅值進(jìn)行量化；步驟3采用預(yù)測并算術(shù)編碼的方法對提取的符號(hào)數(shù)據(jù)編碼；步驟4采用熵編碼方法對得到的低頻系數(shù)直接編碼；步驟5將得到的高頻系數(shù)直接舍去；步驟6用不同參數(shù)的CVM對中高頻系數(shù)實(shí)現(xiàn)從低到高的系數(shù)約減；步驟7排列壓縮后的各子塊系數(shù)和符號(hào)并存儲(chǔ)。2、根據(jù)權(quán)利要求1所述的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述對所有的系數(shù)幅值進(jìn)行量化包括下列步驟步驟21:將變換后的曲波系數(shù)幅值除以量化權(quán)值；步驟22:而后將步驟21處理后的數(shù)據(jù)與設(shè)定閾值進(jìn)行比較，對大于設(shè)定閾值的數(shù)據(jù)取整，對小于等于設(shè)定閾值的數(shù)據(jù)取零值。3、根據(jù)權(quán)利要求2所述的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述設(shè)定閾值的大小為50，量化權(quán)值為0.75。4、根據(jù)權(quán)利要求1所述的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，所述步驟6包括下列步驟步驟61:將同一頻帶的系數(shù)劃分為固定大小的數(shù)據(jù)塊；步驟62:按設(shè)定的順序掃描每一數(shù)據(jù)塊，得到一維的系數(shù)序列；步驟63:將各個(gè)一維序列歸一化到[O，l]之間；步驟64:計(jì)算當(dāng)前數(shù)據(jù)塊的預(yù)測值，根據(jù)得到的預(yù)測值，選擇合適的CVM模型訓(xùn)練參數(shù)值；步驟65:按一定的順序重排列不同頻帶中具有父子相關(guān)性的一維系數(shù)序列，得到三維的系數(shù)序列；步驟66:用CVM回歸對[O，l]之間的三維序列進(jìn)行訓(xùn)練，得到核心向量和相應(yīng)權(quán)重，把核心向量和權(quán)重排列在一起，進(jìn)行編碼。5、根據(jù)權(quán)利要求4所述的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述步驟64中，預(yù)測值的計(jì)算公式如下<formula>formulaseeoriginaldocumentpage3</formula>其中，Predict為預(yù)測值，Xi表示在不同頻帶且存在父子相關(guān)性的對應(yīng)數(shù)據(jù)塊中的數(shù)據(jù)。6、根據(jù)權(quán)利要求4所述的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法，其特征是所述步驟64中，選擇合適的CVM模型訓(xùn)練參數(shù)值，具體的實(shí)施方法如下<formula>formulaseeoriginaldocumentpage3</formula>其中S和c為核函數(shù)的參數(shù)，e為小于l的正數(shù)。全文摘要本發(fā)明公開了計(jì)算機(jī)圖像處理
技術(shù)領(lǐng)域：
中的一種用于表現(xiàn)邊緣特征的高倍圖像壓縮方法。技術(shù)方法是，采用支撐區(qū)間為長條形的曲波基來稀疏表示圖像的奇異曲線；針對不同方向上的系數(shù)選用與之適應(yīng)的系數(shù)掃描順序來掃描數(shù)據(jù)塊；同時(shí)，針對曲波變換后的系數(shù)特點(diǎn)，挖掘出了曲波系數(shù)不同頻帶之間的相關(guān)性和頻帶內(nèi)的相關(guān)性以及系數(shù)符號(hào)之間的相關(guān)性，并充分利用這些相關(guān)性結(jié)合CVM學(xué)習(xí)模型對系數(shù)進(jìn)行大量約減，最終在保證重建圖像質(zhì)量的前提下，實(shí)現(xiàn)圖像的高效壓縮。本發(fā)明不僅提高了圖像的壓縮倍率，而且解碼后所得到的重建圖像具有更高的PSNR值，同時(shí)較好地消除了重建圖像在邊緣和細(xì)節(jié)位置的模糊和塊效應(yīng)。文檔編號(hào)G06T9/00GK101504772SQ20091007846公開日2009年8月12日申請日期2009年2月23日優(yōu)先權(quán)日2009年2月23日發(fā)明者李元誠,秋楊,焦?jié)櫤Ｉ暾埲?華北電力大學(xué)