本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，具體設(shè)計(jì)一種通過(guò)學(xué)習(xí)來(lái)預(yù)測(cè)人臉圖像顯著性的方法，并基于檢測(cè)到的人臉顯著性，提出了一種圖像壓縮方法。

背景技術(shù)：

基于對(duì)人類視覺(jué)系統(tǒng)的研究，人們發(fā)現(xiàn)當(dāng)人看一個(gè)場(chǎng)景時(shí)，關(guān)注點(diǎn)往往會(huì)集中于一小塊區(qū)域，我們稱之為ROI(感興趣區(qū)域)，而更少的關(guān)注于其他的區(qū)域，我們稱之為邊緣區(qū)域，正因如此研究視覺(jué)顯著性可以幫助理解人是如何感知這個(gè)世界的。顯著性的檢測(cè)是一種通過(guò)計(jì)算圖像和視頻的特征，有效預(yù)測(cè)人類視覺(jué)會(huì)被不同場(chǎng)景中的那些區(qū)域所吸引的方法。同時(shí)，顯著性檢測(cè)的結(jié)果也可以運(yùn)用到物體檢測(cè)、模式識(shí)別、圖像質(zhì)量評(píng)估、圖像的壓縮技術(shù)等多個(gè)領(lǐng)域。

現(xiàn)有的顯著性檢測(cè)方法可以大致分為兩類：bottom-up(自底向上)和top-down(自頂向下)。一種典型的bottom-up的方法是來(lái)自Itti的模型，他包含了顏色、對(duì)比度、方向等多個(gè)核心特征。事實(shí)上，top-down的視覺(jué)特征在決定一個(gè)場(chǎng)景的顯著度上扮演著更主要的角色，而且對(duì)于這種方法的研究顯示臉部是吸引注意力的重要特征?；谶@個(gè)發(fā)現(xiàn)，又有很多種顯著性檢測(cè)方法在近幾年被提出。最近，一種對(duì)有多個(gè)人臉場(chǎng)景的顯著性檢測(cè)的方法被提出，多核學(xué)習(xí)應(yīng)用于這種方法，它有助于學(xué)習(xí)多臉場(chǎng)景中顯著區(qū)域與非顯著區(qū)域的不同。盡管現(xiàn)有的方法已經(jīng)在顯著性檢測(cè)中，考慮到了多臉，也取得一定的成功，但關(guān)注點(diǎn)在人臉上是如何的分布，人們并不十分清楚，目前已有的研究假設(shè)的簡(jiǎn)單同向高斯模型對(duì)于顯著性的預(yù)測(cè)有著一定的局限。對(duì)于一些人臉較小的圖片，非同向的高斯模型往往更加準(zhǔn)確。然而，對(duì)于人臉較大的圖，單一的高斯模型又并不是很有效。因此，對(duì)于顯著性分布來(lái)說(shuō)，一個(gè)從關(guān)注點(diǎn)分布所學(xué)習(xí)得到的一個(gè)混合高斯模型就更為必要。具體來(lái)說(shuō)，一個(gè)非同向高斯分布應(yīng)該應(yīng)用于小臉圖像中，而多個(gè)非同向高斯分布的組合可以用于大臉圖像中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)目前并不完善的顯著性檢測(cè)方法以及顯著性分布不準(zhǔn)確的問(wèn)題，提出了一種基于學(xué)習(xí)混合高斯模型和不同人臉大小的權(quán)重的顯著性檢測(cè)方法，提出了一個(gè)顯著性檢測(cè)的圖像壓縮方法。

具體步驟如下：

步驟一、建立數(shù)據(jù)庫(kù)。

步驟101、通過(guò)眼球追蹤實(shí)驗(yàn)，記錄觀測(cè)者在自由觀看模式下對(duì)人臉圖片的關(guān)注點(diǎn)，建立對(duì)人臉圖像的視覺(jué)關(guān)注點(diǎn)分布的數(shù)據(jù)庫(kù)。

步驟102、通過(guò)分析在人臉以及臉部特征的視覺(jué)關(guān)注度，建立關(guān)注度與人臉、臉部特征之間的關(guān)系；

步驟(1)、運(yùn)用已有算法自動(dòng)檢測(cè)我們數(shù)據(jù)庫(kù)中人臉圖像的人臉及臉部特征(五官)。

步驟(2)、通過(guò)分析若干張圖片，建立關(guān)注度與人臉之間的關(guān)系。

步驟(3)、通過(guò)分析若干張圖片，建立關(guān)注度與臉部特征之間的關(guān)系。

步驟二、根據(jù)所建立的數(shù)據(jù)庫(kù)以及對(duì)數(shù)據(jù)的分析，建立并訓(xùn)練顯著度檢測(cè)模型。

步驟201、通過(guò)對(duì)人臉區(qū)域關(guān)注點(diǎn)的預(yù)處理，為下面對(duì)混合高斯模型的學(xué)習(xí)做準(zhǔn)備

步驟(1)、為解決每張圖片中人臉位置的不同所帶來(lái)的差異，建立以人臉右臉第一個(gè)特征點(diǎn)為原點(diǎn)的固定的坐標(biāo)系，通過(guò)坐標(biāo)變換，對(duì)每張圖像中的關(guān)注點(diǎn)進(jìn)行校正。

步驟(2)、為了解決人臉大小不同的問(wèn)題，基于人臉的寬度來(lái)對(duì)關(guān)注點(diǎn)進(jìn)行歸一化。通過(guò)校正和歸一化，就可以將所有圖像的關(guān)注點(diǎn)的位置集中在同一個(gè)坐標(biāo)系中。

步驟202、用預(yù)處理后的關(guān)注點(diǎn)數(shù)據(jù)，基于訓(xùn)練圖片，訓(xùn)練并學(xué)習(xí)混合高斯模型。

步驟(1)、定義混合高斯模型，即多個(gè)高斯分量的混合疊加

步驟(2)、通過(guò)最大期望算法，學(xué)習(xí)得到臉部特征通道關(guān)注點(diǎn)與人臉通道(兩個(gè)top-down通道)的混合高斯模型顯著性分布。

步驟203、利用得到的混合高斯模型，對(duì)圖像的各個(gè)特征通道的顯著性進(jìn)行預(yù)測(cè)

步驟(1)、通過(guò)混合高斯模型，利用訓(xùn)練圖片學(xué)習(xí)得到的高斯參數(shù)，生成兩個(gè)top-down顯著圖，人臉和臉部特征。

步驟(2)、通過(guò)Itti的模型，得到顏色、對(duì)比度、方向三個(gè)bottom-up通道的顯著性圖譜

步驟(3)、定義五通道的顯著性預(yù)測(cè)模型，即人臉、臉部特征、顏色、對(duì)比度、方向。

步驟204、通過(guò)得到的五個(gè)顯著性圖譜，并學(xué)習(xí)訓(xùn)練圖片的關(guān)注點(diǎn)數(shù)據(jù)，得到每個(gè)通道的顯著圖選擇最佳權(quán)重，以取得最佳的結(jié)果。

步驟(1)、通過(guò)求解方程argmin_w||V_w-m_h||₂，學(xué)習(xí)得到每個(gè)通道的權(quán)重系數(shù)，方程中V是一個(gè)矩陣，這個(gè)矩陣的每一列是一個(gè)通道的顯著圖，m_h為向量化的每幅圖像的關(guān)注點(diǎn)圖。

步驟(2)、利用學(xué)習(xí)得到的最佳權(quán)重ω_C,ω_I,ω_O,ω_F,ω_G，采用多項(xiàng)式擬合方法，建立人臉尺度大小(即人臉占整張圖片的像素比例)和最佳權(quán)重的關(guān)系。

步驟205、利用之前得到的五個(gè)通道的顯著性圖譜以及關(guān)于最佳權(quán)重函數(shù)，計(jì)算得到最終的顯著性圖譜。

步驟三、基于本發(fā)明提出的顯著性檢測(cè)方法設(shè)計(jì)一種圖像壓縮方法。

步驟301、利用本發(fā)明所得到的圖片顯著性對(duì)JPGE圖像壓縮方法進(jìn)行改進(jìn)。

步驟302、對(duì)本發(fā)明所提出的圖片壓縮方法的結(jié)果進(jìn)行檢驗(yàn)與評(píng)估。

本發(fā)明的優(yōu)點(diǎn)在于：

(1)一種基于人臉顯著性的圖片壓縮方法，建立了一個(gè)龐大的視覺(jué)顯著性數(shù)據(jù)庫(kù)，為后續(xù)研究提供幫助。

(2)一種基于人臉顯著性的圖片壓縮方法，提出了一種檢測(cè)人臉圖像顯著性的模型。

(3)一種基于人臉顯著性的圖片壓縮方法，可以根據(jù)顯著性改變比特率，有效地減小壓縮圖像的比特率，同時(shí)提高壓縮圖像的質(zhì)量。

附圖說(shuō)明

圖1為基于顯著性的圖片壓縮的方法流程圖；

圖2為本發(fā)明建立數(shù)據(jù)庫(kù)的方法流程圖；

圖3為本發(fā)明提出的人臉圖像顯著性檢測(cè)的方法流程圖；

圖4為關(guān)注點(diǎn)坐標(biāo)的校正與歸一化示意圖；

圖5為不同分量個(gè)數(shù)學(xué)習(xí)得到的GMM分布；

圖6為本發(fā)明顯著性檢測(cè)方法模型；

圖7為由實(shí)驗(yàn)結(jié)果繪制出的ROC曲線；

圖8為由本發(fā)明提出的顯著性檢測(cè)方法所得的顯著性圖譜；

圖9為本發(fā)明的基于顯著性的圖像壓縮的方法流程圖；

圖10為本發(fā)明的圖像壓縮方法的結(jié)果圖示。

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

一種基于人臉顯著性的圖片壓縮方法，包括視覺(jué)顯著性數(shù)據(jù)庫(kù)的建立與分析、建立顯著性檢測(cè)模型、通過(guò)實(shí)驗(yàn)對(duì)本發(fā)明的有效性進(jìn)行檢驗(yàn)、基于所檢測(cè)到的人臉顯著性，建立本發(fā)明的圖片壓縮方法。

首先，通過(guò)眼球追蹤實(shí)驗(yàn)，建立一個(gè)對(duì)人臉圖像的視覺(jué)關(guān)注點(diǎn)分布的數(shù)據(jù)庫(kù)，并自動(dòng)檢測(cè)圖像中的人臉以及臉部特征。然后，由實(shí)驗(yàn)所得到的關(guān)注點(diǎn)的數(shù)據(jù)，通過(guò)對(duì)這些數(shù)據(jù)的分析得到人臉與關(guān)注點(diǎn)分布的關(guān)系，以及臉部特這與關(guān)注點(diǎn)分布的關(guān)系。

接著，根據(jù)對(duì)數(shù)據(jù)的分析，建立顯著性檢測(cè)模型，由5個(gè)通道構(gòu)成：人臉、臉部特征、顏色、對(duì)比度、方向。其中人臉與臉部特征，通過(guò)最大期望算法學(xué)習(xí)混合高斯分布得到，而其余三個(gè)由Itti的模型得到。每個(gè)通達(dá)的權(quán)重，則通過(guò)訓(xùn)練數(shù)據(jù)庫(kù)中的關(guān)注點(diǎn)分布得到。同時(shí)，用本發(fā)明建立的數(shù)據(jù)庫(kù)和其它公開(kāi)數(shù)據(jù)庫(kù)，對(duì)顯著性檢測(cè)的結(jié)果進(jìn)行評(píng)估與分析。

最后，利用得到的圖像顯著性，對(duì)傳統(tǒng)的JPGE編碼之前加入預(yù)處理步驟，使得不同顯著性區(qū)域有不同的比特率，達(dá)到保持圖像質(zhì)量不下降的同時(shí)減小比特率。

具體步驟如下，如圖1所示：

步驟一、建立本發(fā)明所要用的數(shù)據(jù)庫(kù)，并對(duì)數(shù)據(jù)進(jìn)行必要的分析

具體步驟如下，如圖2所示：

步驟101、通過(guò)眼球追蹤實(shí)驗(yàn)，記錄觀測(cè)者在自由觀看模式下對(duì)人臉圖片的關(guān)注點(diǎn)，建立對(duì)人臉圖像的視覺(jué)關(guān)注點(diǎn)分布的數(shù)據(jù)庫(kù)。

數(shù)據(jù)庫(kù)中的510張圖片按以下原則隨機(jī)挑選出來(lái)：(1)每張圖片的大小為1920×1080(2)所有圖片只包含一個(gè)人的正臉(3)510張圖片中的人臉尺度(人臉區(qū)域所占像素占圖片總像素的比例)大小變化區(qū)間為0.0016～0.3018。共有24人參與到眼球跟蹤實(shí)驗(yàn)中，其中2位實(shí)驗(yàn)者有相關(guān)背景知識(shí)，每張圖片大致可以得到300個(gè)關(guān)注點(diǎn)。利用point distribution model(PDM，點(diǎn)分布模型)得到66個(gè)特征點(diǎn)，來(lái)提取每張圖片中的人臉及臉部特征。

步驟102、通過(guò)分析在人臉以及臉部特征的視覺(jué)關(guān)注度，建立關(guān)注度與人臉、臉部特征之間的關(guān)系，本發(fā)明可以采用以下方法但不限于以下方法。

通過(guò)每張圖像的關(guān)注點(diǎn)分布計(jì)算并繪制了圖片中人臉和背景部分的關(guān)注點(diǎn)分布圖，得到結(jié)論—人臉相比背景更夠吸引人的關(guān)注。接著，繪制人臉大小與關(guān)注點(diǎn)分布的散點(diǎn)圖并擬合曲線，得到結(jié)論—人臉越大越能吸引人的關(guān)注。其次，按照相似的方法，擬合人臉大小與右眼中分布點(diǎn)、左眼中分布點(diǎn)、鼻子中分布點(diǎn)和嘴巴分布點(diǎn)的關(guān)系曲線，得到結(jié)論—隨著人臉增大，人臉特征中的眼睛和嘴巴更能吸引人的關(guān)注。

步驟二、根據(jù)所建立的數(shù)據(jù)庫(kù)以及對(duì)數(shù)據(jù)的分析，建立并訓(xùn)練此發(fā)明所提出的顯著度檢測(cè)模型。

具體步驟如下，如圖3所示。

步驟201、通過(guò)對(duì)人臉區(qū)域關(guān)注點(diǎn)的預(yù)處理，為下面對(duì)混合高斯模型的學(xué)習(xí)做準(zhǔn)備

步驟(1)、為解決人臉尺寸的不同帶來(lái)的差異，建立固定的坐標(biāo)系，通過(guò)坐標(biāo)變換，對(duì)每張圖像中的關(guān)注點(diǎn)進(jìn)行校正。

由于每張圖片中人臉的位置不一樣，為了能夠?qū)⑺袌D片人臉區(qū)域關(guān)注點(diǎn)等同考慮，規(guī)定PDM圖中的右臉的第一個(gè)特征點(diǎn)記做坐標(biāo)原點(diǎn)，將每個(gè)關(guān)注點(diǎn)的(x,y)，按式(1)進(jìn)行坐標(biāo)變換，實(shí)現(xiàn)對(duì)關(guān)注點(diǎn)的校正.

其中：(x_A，y_A)是圖4中A點(diǎn)的坐標(biāo)，(x*，y*)是校正后的坐標(biāo)。

步驟(2)、為了解決人臉大小不同的問(wèn)題，基于人臉的寬度來(lái)對(duì)關(guān)注點(diǎn)進(jìn)行歸一化。

為了解決人臉大小不同所帶來(lái)的差異，利用式(2)，對(duì)關(guān)注點(diǎn)進(jìn)行歸一化處理。

其中：l為兩點(diǎn)之間的歐式距離，即兩點(diǎn)之間的橫向距離，(x’，y’)是歸一化處理后的坐標(biāo)。

通過(guò)校正和歸一化，就可以將所有圖像的關(guān)注點(diǎn)的位置集中在同一個(gè)坐標(biāo)系中，如圖4所示。

步驟202、用預(yù)處理后的關(guān)注點(diǎn)數(shù)據(jù)，基于訓(xùn)練圖片，訓(xùn)練并學(xué)習(xí)混合高斯模型，本發(fā)明可以采用以下方法但不限于以下方法。

步驟(1)、定義混合高斯模型，即多個(gè)高斯分量的混合疊加

通過(guò)之前的分析，人臉與臉部特征和顯著性有很大關(guān)系，因此用GMM來(lái)建立這兩個(gè)通道的模型。

假設(shè)經(jīng)過(guò)校正和歸一化的關(guān)注點(diǎn)的坐標(biāo)為x＝(x′,y′)，建立如下GMM模型：

其中：π_k,μ_k,∑_k分別為第k個(gè)高斯分量的混合比例、均值以及方差，K為混合高斯模型中分量的個(gè)數(shù)。

步驟(2)、通過(guò)最大期望算法，學(xué)習(xí)得到臉部特征通道關(guān)注點(diǎn)與人臉通道(兩個(gè)top-down通道)的混合高斯模型分布。

對(duì)于臉部特征通道來(lái)說(shuō)，首先需要確定GMM分量的個(gè)數(shù)，可以繪制不同分量個(gè)數(shù)的GMM分布，如圖5所示。從圖中可以發(fā)現(xiàn)，分量個(gè)數(shù)大于3時(shí)的輪廓都比較相似，因此選定4個(gè)GMM分量，分別對(duì)應(yīng)左眼、右眼、鼻子、嘴巴四個(gè)臉部特征。此時(shí)假設(shè)均值為臉部特征的中心點(diǎn)。經(jīng)過(guò)學(xué)習(xí)得到的各項(xiàng)參數(shù)數(shù)值，如下表1所示。

表1 GMM各項(xiàng)參數(shù)數(shù)值

步驟203、利用得到的混合高斯模型，基于測(cè)試圖片，分別預(yù)測(cè)圖像的各個(gè)特征通道的顯著性，本發(fā)明可以采用以下方法但不限于以下方法。

步驟(1)、通過(guò)混合高斯模型，利用訓(xùn)練圖片學(xué)習(xí)高斯分布的參數(shù)，得到兩個(gè)top-down顯著圖，人臉和臉部特征。

通過(guò)步驟202，得到測(cè)試圖像的人臉及臉部特征兩個(gè)通道的顯著性圖譜，記做如圖5所示

步驟(2)、通過(guò)Itti的模型，得到顏色、對(duì)比度、方向三個(gè)bottom-up的顯著性圖譜。

利用Itts的模型，構(gòu)造顏色(C)，對(duì)比度(I)，方向性(O)三個(gè)顯著性圖譜，分別記為同時(shí)構(gòu)造最終顯著性圖譜的模型，如圖6所示，即

步驟204、得到五個(gè)通道不同的顯著性圖譜后，通過(guò)學(xué)習(xí)關(guān)注點(diǎn)數(shù)據(jù)，得到每個(gè)通道的顯著性的最佳權(quán)重ω_C,ω_I,ω_O,ω_F,ω_G，以取得最佳結(jié)果。

步驟(1)、通過(guò)求解方程(6)學(xué)習(xí)得到每個(gè)通道的權(quán)重系數(shù)，

方程中V是一個(gè)矩陣，這個(gè)矩陣的每一列是一個(gè)通道的顯著圖，w＝(ω_c，ω_I，ω_O，ω_F，ω_G)，m_h為向量化的每幅圖像的關(guān)注點(diǎn)圖。使用凸線性回歸來(lái)求解方程，這樣就得到每張圖片的最佳權(quán)重。

步驟(2)再得到每個(gè)通道最佳權(quán)重ω_C,ω_I,ω_O,ω_F,ω_G后，采用高階多項(xiàng)式擬合方法建立人臉尺寸大小和最佳權(quán)重系數(shù)的函數(shù)關(guān)系。

通過(guò)之前對(duì)數(shù)據(jù)的分析，已經(jīng)發(fā)現(xiàn)人臉與臉部特征都與人臉的大小有關(guān)，因此十分有必要找到ω_F,ω_G與人臉大小的關(guān)系。采用多項(xiàng)式擬合得到這個(gè)關(guān)系：

其中s為人臉大小尺度，即人臉區(qū)域像素占圖片總像素的比例，為擬合ω_F,ω_G的多項(xiàng)式的系數(shù)。Pearson’s correlation coefficient(PCC)用來(lái)評(píng)估擬合效果，如圖7所示?？梢园l(fā)現(xiàn)在3次擬合之后，PCC系數(shù)基本收斂，因此采用4次多項(xiàng)式進(jìn)行擬合。多項(xiàng)式系數(shù)如下表2所示

表2 多項(xiàng)式系數(shù)a，b數(shù)值

在得到ω_F,ω_G之后，將權(quán)重ω_C,ω_I,ω_O在所有圖像中做平均，得到它們之間的比例關(guān)系ω_C∶ω_I:ω_O＝8∶3∶30，再由||ω||_I＝1，求解得到ω_C,ω_I,ω_O。

步驟205、利用202—204步驟得到的每個(gè)通道的顯著性圖譜以及關(guān)于最佳權(quán)重系數(shù)的函數(shù)，計(jì)算得到最終的顯著性圖譜。

首先，利用202、203步驟得到圖像的五個(gè)通道的顯著性圖譜，接著利用204步驟求得的最佳權(quán)重系數(shù)的函數(shù)關(guān)系，最后通過(guò)(5)式的模型，得到最終的顯著性圖譜。繪制ROC曲線如圖7所示，本發(fā)明提出的顯著性檢測(cè)方法的結(jié)果與已有的幾種方法對(duì)比效果如圖8所示。

步驟三、基于本發(fā)明提出的顯著性檢測(cè)方法設(shè)計(jì)一種圖像壓縮方法，方法框架如圖9所示。

具體方法如下，如圖10所示。

步驟301、利用本發(fā)明所得到的圖片顯著性對(duì)JPGE圖像壓縮方法進(jìn)行改進(jìn)。

在傳統(tǒng)的圖像壓縮方法的基礎(chǔ)上，在編碼之前加入一步—預(yù)處理。在預(yù)處理中，先本發(fā)明提出的顯著性檢測(cè)方法得到輸入圖像的顯著性圖譜。然后輸入圖像通過(guò)一個(gè)截止頻率由顯著性圖譜決定的低通濾波器，以去除非顯著區(qū)域的部分。此低通濾波器(LPF)可表示為類似于傳統(tǒng)JPEG壓縮方法，輸入圖片先分割成8×8像素的相互不重合的塊，即每個(gè)小圖塊的預(yù)處理可表示為最后將低通濾波器處理后的圖片，經(jīng)過(guò)JPEG(國(guó)際圖像壓縮標(biāo)準(zhǔn))編碼，后續(xù)步驟與傳統(tǒng)JPEG壓縮方法相同。

這樣非顯著性區(qū)域的一些細(xì)節(jié)就會(huì)被濾除，但由于這些區(qū)域并不會(huì)吸引人們的注意，所以并不會(huì)影響圖片壓縮后的質(zhì)量，同時(shí)在濾除這些細(xì)節(jié)的同時(shí)可以減少編碼后的比特率。

步驟302、對(duì)本發(fā)明所提出的圖片壓縮方法的結(jié)果進(jìn)行檢驗(yàn)與評(píng)估。

在相同比特率的情況下，比較本發(fā)明的圖片壓縮方法與傳統(tǒng)JPEG方法的DMOS之前差異。DMOS越小說(shuō)明壓縮圖像的質(zhì)量越高。通過(guò)比較可以發(fā)現(xiàn)，在相同低比特率的條件下，本發(fā)明的壓縮方法可以得到更好的DMOS。同樣的，通過(guò)比較相同DMOS下，兩種壓縮方法所用的比特率可以發(fā)現(xiàn)，本發(fā)明的方法可以節(jié)約大約19％的比特率。由本發(fā)明的方法得到的壓縮圖像與傳統(tǒng)JPEG壓縮方法后的圖片結(jié)果如圖10所示。

一種基于人臉顯著性的圖片壓縮方法，特點(diǎn)在于具有基于人臉顯著性的壓縮編碼控制機(jī)制，能夠按照區(qū)域的視覺(jué)顯著性來(lái)判斷是否進(jìn)行編碼，在一定程度上減小了對(duì)非顯著信息壓縮所帶來(lái)的冗余。這是通過(guò)建立一種全新的顯著性檢測(cè)模型實(shí)現(xiàn)的。本發(fā)明中，通過(guò)對(duì)顯著性的檢測(cè)，可以準(zhǔn)確地得到圖片的顯著性圖譜，并且通過(guò)保證關(guān)鍵區(qū)域的圖片質(zhì)量，降低非顯著性區(qū)域的質(zhì)量，來(lái)保證圖片整體的感知質(zhì)量不變的情況下，盡量減少壓縮后的比特率，即在將壓縮圖片的比特率降低到一定水平的前提下，最大程度地保證視頻感知質(zhì)量。

本發(fā)明通過(guò)對(duì)圖片顯著性的檢測(cè)，對(duì)圖片的壓縮過(guò)程進(jìn)行控制，適用于對(duì)圖片質(zhì)量有要求但設(shè)備無(wú)法傳輸或存儲(chǔ)較大比特率圖像的情況下。盡管本發(fā)明已參照具體實(shí)施方式進(jìn)行描述和舉例說(shuō)明，但是并不意味著本發(fā)明限于這些描述的實(shí)施方式。