本發(fā)明涉及一種圖像處理方法，特別是涉及一種圖像及視頻壓縮方法，應(yīng)用于數(shù)據(jù)管理和數(shù)據(jù)傳輸技術(shù)利用。

背景技術(shù)：

圖像的數(shù)據(jù)量一般較大，如果不對(duì)其進(jìn)行壓縮而直接傳輸，將對(duì)現(xiàn)有的網(wǎng)絡(luò)資源造成很大的負(fù)擔(dān)。如今雖然已經(jīng)存在很多比較高效的圖像壓縮算法，最常見的如JPEG、H.261、MPEG等。但這些算法往往需要對(duì)信號(hào)進(jìn)行復(fù)雜的計(jì)算，通過運(yùn)算去除圖像中的冗余信息。因此這些壓縮方法對(duì)于計(jì)算機(jī)的性能有較高要求，并不適用于對(duì)編碼端有較高功耗限制的場(chǎng)合，比如無線傳感網(wǎng)絡(luò)。

近幾年來逐漸發(fā)展起來的壓縮感知技術(shù)卻能在一定程度上很好地解決以上兩個(gè)問題。壓縮感知是由Donoho[1]等人在2006年首次提出來的。作為一種新的信號(hào)處理理論，壓縮感知可以通過遠(yuǎn)低于奈奎斯特定理所要求的采樣率對(duì)信號(hào)進(jìn)行隨機(jī)觀測(cè)，此時(shí)將信號(hào)的采集和數(shù)據(jù)的壓縮合成為了一個(gè)過程，這大大降低了編碼端的復(fù)雜度，當(dāng)然其代價(jià)就是必須得在解碼端進(jìn)行復(fù)雜的運(yùn)算，從而恢復(fù)原始的信號(hào)。研究表明只要信號(hào)滿足稀疏的特性，壓縮感知技術(shù)就能表現(xiàn)出很好的性能。但是，壓縮感知編碼方法一開始并沒有考慮人類的視覺特性，即仍然存在進(jìn)一步改進(jìn)的空間。

[1]Candès E J,Romberg J,Tao T,“Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information,”IEEE Transactions on Information Theory,52(2),489-509(2006).

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)問題，本發(fā)明的目的在于克服已有技術(shù)存在的不足，提供一種基于感知及隨機(jī)置換的圖像壓縮感知方法，首次提出將JND模型用于對(duì)原始圖像進(jìn)行處理，從而使圖像信號(hào)更加稀疏，最終達(dá)到提高圖像質(zhì)量的目的。本發(fā)明方法能有效地降低編碼端的計(jì)算復(fù)雜度，能夠適用于編碼端計(jì)算能力弱而同時(shí)解碼端擁有強(qiáng)大計(jì)算能力的情景。此外，本發(fā)明對(duì)于壓縮感知技術(shù)在視頻壓縮中的應(yīng)用也具有重要的借鑒意義。

為達(dá)到上述發(fā)明創(chuàng)造目的，本發(fā)明采用下述技術(shù)方案：

一種基于感知及隨機(jī)置換的圖像壓縮感知方法，包括如下步驟：

a.分塊DCT變換：將原始圖像分割成n×n的圖像塊，然后對(duì)每個(gè)圖像塊分別進(jìn)行二維的DCT變換，得到一系列原始的DCT系數(shù)值；

b.JND預(yù)處理：在DCT域利用JND模型計(jì)算JND閾值，并利用計(jì)算得到的JND閾值對(duì)在所述步驟a中得到的原始的DCT系數(shù)值進(jìn)行預(yù)處理，即將小于JND閾值的DCT值置零，同時(shí)大于JND閾值的DCT值保持不變，JND預(yù)處理計(jì)算公式如下：

在上述公式中，DCT_after為進(jìn)行JND預(yù)處理后的計(jì)算結(jié)果DCT值，DCT_before為在所述步驟a中得到的原始的DCT系數(shù)值，JND為JND閾值；

c.隨機(jī)置換：對(duì)經(jīng)過步驟b的JND預(yù)處理后得到的DCT值數(shù)據(jù)進(jìn)行隨機(jī)置換；

d.隨機(jī)測(cè)量：利用隨機(jī)矩陣對(duì)經(jīng)過所述步驟c隨機(jī)置換后得到數(shù)據(jù)進(jìn)行隨機(jī)測(cè)量，得到壓縮感知的測(cè)量值，完成對(duì)所述步驟a的原始圖像數(shù)據(jù)的壓縮過程，得到圖像壓縮數(shù)據(jù)；對(duì)經(jīng)過所述步驟c隨機(jī)置換后得到數(shù)據(jù)進(jìn)行隨機(jī)測(cè)量時(shí)，優(yōu)選測(cè)量率不低于0.3，進(jìn)一步優(yōu)選測(cè)量率不低于0.4；作為優(yōu)選的技術(shù)方案，對(duì)經(jīng)過所述步驟c隨機(jī)置換后得到數(shù)據(jù)進(jìn)行隨機(jī)測(cè)量時(shí)，首先通過計(jì)算機(jī)產(chǎn)生一個(gè)隨機(jī)矩陣，然后將該矩陣與信號(hào)相乘得到測(cè)量值，這就完成了信號(hào)的測(cè)量，得到圖像壓縮數(shù)據(jù)；在進(jìn)行隨機(jī)置換時(shí)，優(yōu)選事先確定隨機(jī)置換的交換位置，并設(shè)定一個(gè)整數(shù)作為隨機(jī)種子數(shù)值，來表征所有的數(shù)值交換位置，這樣便不需要傳輸具體的位置數(shù)據(jù)了，也有利于得到相同的實(shí)驗(yàn)結(jié)果；

e.信號(hào)重建與圖像恢復(fù)：將獲得的在所述d中得到的圖像壓縮數(shù)據(jù)進(jìn)行信號(hào)重建，初步恢復(fù)出信號(hào)，然后按照所述步驟c的逆向隨機(jī)置換方法，再對(duì)恢復(fù)的數(shù)據(jù)進(jìn)行DCT反變換，最終得到恢復(fù)圖像。

作為本發(fā)明優(yōu)選的技術(shù)方案，在所述d中得到的圖像壓縮數(shù)據(jù)通過數(shù)據(jù)傳輸后，再通過所述步驟e進(jìn)行信號(hào)重建與圖像恢復(fù)。

最小可覺察失真，Just Noticeable Distortion,JND，是指人類視覺系統(tǒng)存在的各種視覺屏蔽效應(yīng)，表現(xiàn)為人眼要能覺察到像素點(diǎn)的變化，必須超過的一定閾值。利用JND的這一特性，可以進(jìn)一步提高信號(hào)的稀疏性，從而提高壓縮感知技術(shù)對(duì)于圖像的壓縮效率。本發(fā)明首次提出將JND模型用于對(duì)原始圖像進(jìn)行處理，從而使圖像信號(hào)更加稀疏，最終達(dá)到提高圖像質(zhì)量的目的。此外，本發(fā)明對(duì)于壓縮感知技術(shù)在視頻壓縮中的應(yīng)用也具有重要的借鑒意義。

本發(fā)明方法主要是考慮到人眼存在視覺掩蓋效應(yīng)，因此借助于JND模型，能有效地去除圖像中存在的視覺冗余，與此同時(shí)，也提高了信號(hào)的稀疏度。首先將圖像進(jìn)行分塊并對(duì)圖像塊進(jìn)行DCT變換；然后利用JND模型計(jì)算圖像在DCT域的JND閾值；接著用計(jì)算得到的JND閾值對(duì)原始圖像所對(duì)應(yīng)的DCT系數(shù)進(jìn)行預(yù)處理，具體做法是將DCT系數(shù)中小于JND閾值的部分置為零，大于JND閾值的部分則保持不變，由于JND模型能在對(duì)DCT系數(shù)進(jìn)行適當(dāng)調(diào)整的情況下保證圖像不會(huì)出現(xiàn)人眼可以覺察的變化，因此本發(fā)明方法是合理的。而且采用本發(fā)明方法最終能使DCT系數(shù)中出現(xiàn)大量的零，這樣做的目的是為了增加信號(hào)的稀疏度，從而使壓縮感知技術(shù)在這里能取得更好的效果。下面還要將處理后的數(shù)據(jù)進(jìn)行隨機(jī)置換，這是由于圖像信號(hào)屬于非平穩(wěn)信號(hào)，即有些區(qū)域細(xì)節(jié)很豐富而另一些區(qū)域很平坦，表現(xiàn)在DCT系數(shù)上就是有些區(qū)域高頻系數(shù)的數(shù)值比較大而另一些區(qū)域高頻系數(shù)的數(shù)值較小。這種特性對(duì)于壓縮感知中測(cè)量率的確定是很不利的。如果采用較低的測(cè)量率，顯然細(xì)節(jié)豐富的區(qū)域會(huì)由于測(cè)量率不夠而使得恢復(fù)效果不理想；如果采用較高的測(cè)量率，對(duì)于比較平滑的區(qū)域這樣的高測(cè)量率顯然是一種浪費(fèi)。更進(jìn)一步，在一些細(xì)節(jié)非常豐富的區(qū)域，信號(hào)幾乎是不稀疏的，這時(shí)即使測(cè)量率非常高，由于不滿足信號(hào)的稀疏特性，信號(hào)還是無法被較好地恢復(fù)。從以上分析可以看出，如果不采取其他措施必然導(dǎo)致圖像中各個(gè)區(qū)域的恢復(fù)質(zhì)量并不一致，即平滑的區(qū)域恢復(fù)質(zhì)量較好而紋理豐富的區(qū)域恢復(fù)質(zhì)量可能較差。而本發(fā)明進(jìn)行數(shù)據(jù)的隨機(jī)交換能很好地平衡圖像不同區(qū)域之間的稀疏性，原來的非平穩(wěn)信號(hào)通過隨機(jī)交換就能變成平穩(wěn)信號(hào)，這時(shí)就不會(huì)出現(xiàn)前面提到的問題了，從而也提高了壓縮的效率。

本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實(shí)質(zhì)性特點(diǎn)和顯著優(yōu)點(diǎn)：

1.本發(fā)明方法在降低編碼端復(fù)雜度的同時(shí)具有一定的抗數(shù)據(jù)丟失的能力，能夠適用于編碼端計(jì)算能力差而同時(shí)擁有強(qiáng)大的解碼端的場(chǎng)合；

2.本發(fā)明利用計(jì)算得到的JND閾值，對(duì)原始圖像所對(duì)應(yīng)的DCT系數(shù)進(jìn)行預(yù)處理，顯著增加信號(hào)的稀疏度，從而使壓縮感知技術(shù)在這里能取得更好的效果，本發(fā)明將處理后的數(shù)據(jù)進(jìn)行隨機(jī)置換，這樣原來的非平穩(wěn)信號(hào)就能通過隨機(jī)交換變成平穩(wěn)信號(hào)，從而也提高了壓縮的效率，本發(fā)明方法適用于編碼端對(duì)功耗有較高限制，計(jì)算能力較弱而同時(shí)解碼端具有較強(qiáng)計(jì)算能力的情景。

附圖說明

圖1為本發(fā)明優(yōu)選實(shí)施例圖像壓縮感知方法的操作程序框圖。

圖2為本發(fā)明優(yōu)選實(shí)施例Monarch圖像和Monarch圖像在JND預(yù)處理前后每個(gè)圖像塊中非零值的個(gè)數(shù)分布對(duì)比示意圖。

圖3為本發(fā)明優(yōu)選實(shí)施例DCT系數(shù)隨機(jī)置換過程示意圖。

圖4為在本發(fā)明優(yōu)選實(shí)施例算法下和其他不同算法下Barbara的恢復(fù)質(zhì)量比較圖像。

具體實(shí)施方式

本發(fā)明的優(yōu)選實(shí)施例詳述如下：

在本實(shí)施例中，參見圖1～4，本實(shí)施例利用視覺感知特性及壓縮感知技術(shù)的圖像壓縮方法，具體采用如下技術(shù)方案，步驟如圖1流程圖所示。在matlab2014a平臺(tái)上編程實(shí)現(xiàn)本發(fā)明方法，首先對(duì)圖像進(jìn)行分塊DCT變換，之后建立DCT域的JND模型，并利用該模型對(duì)DCT系數(shù)進(jìn)行預(yù)處理，再對(duì)處理后的數(shù)據(jù)進(jìn)行隨機(jī)打亂，最后完成隨機(jī)測(cè)量。在解碼端通過逆過程實(shí)現(xiàn)圖像的恢復(fù)重建。

在本實(shí)施例中，參見圖1～4，一種基于感知及隨機(jī)置換的圖像壓縮感知方法，包括如下步驟：

a.分塊DCT變換：將原始圖像分割成n×n的圖像塊，然后對(duì)每個(gè)圖像塊分別進(jìn)行二維的DCT變換，得到一系列原始的DCT系數(shù)值；由于圖像信號(hào)一般比較大，通常至少會(huì)由上萬個(gè)甚至百萬個(gè)像素點(diǎn)組成，如果直接對(duì)原始圖像進(jìn)行處理將耗費(fèi)巨大的內(nèi)存，因此一般需要將圖像進(jìn)行分塊處理，以降低內(nèi)存消耗和計(jì)算的復(fù)雜度。這里先將圖像分割成n×n＝16×16的小塊，然后對(duì)每一個(gè)圖像塊分別進(jìn)行二維的DCT變換；

b.JND預(yù)處理：在DCT域利用JND模型計(jì)算JND閾值，并利用計(jì)算得到的JND閾值對(duì)在所述步驟a中得到的原始的DCT系數(shù)值進(jìn)行預(yù)處理，即將小于JND閾值的DCT值置零，同時(shí)大于JND閾值的DCT值保持不變，JND預(yù)處理計(jì)算公式如下：

在上述公式中，DCT_after為進(jìn)行JND預(yù)處理后的計(jì)算結(jié)果DCT值，DCT_before為在所述步驟a中得到的原始的DCT系數(shù)值，JND為JND閾值；壓縮感知技術(shù)能實(shí)現(xiàn)的前提是要求信號(hào)是稀疏的，而且信號(hào)的稀疏程度越高，即信號(hào)中數(shù)值為零的數(shù)據(jù)越多，則最終圖像的恢復(fù)質(zhì)量也會(huì)越好；JND模型是基于人類的視覺特性開發(fā)的，模型的選擇沒有特別的要求，其中利用DCT域的JND模型能將一些小于JND值的DCT系數(shù)置零，該過程達(dá)到了增加信號(hào)稀疏度的目的，而同時(shí)又能保證圖像不發(fā)生能引起人眼察覺的變化；這一特性使得本實(shí)施例方法可以在相同測(cè)量率下提高最終恢復(fù)圖像的主觀質(zhì)量，通過建立DCT域的JND模型，并對(duì)該模型原始的DCT系數(shù)進(jìn)行預(yù)處理，即將小于JND值的DCT系數(shù)置零，同時(shí)大于JND值的DCT系數(shù)將保持不變；圖2是對(duì)Monarch進(jìn)行JND預(yù)處理的實(shí)驗(yàn)結(jié)果，原始圖像的分辨率為256×256，參見圖2(a)，然后將其按照16×16進(jìn)行分塊DCT變換，接著通過DCT域的JND模型計(jì)算閾值，并利用式(1)對(duì)原始的DCT系數(shù)進(jìn)行預(yù)處理；從圖2中可以看出預(yù)處理之后的非零值明顯減少了，在圖2(b)中，上方的線表示原始圖像塊中非零值的個(gè)數(shù)分布，下方的線表示在JND預(yù)處理后圖像塊中非零值的個(gè)數(shù)分布，可見經(jīng)過JND預(yù)處理后，使信號(hào)變得非常稀疏，有利于最終圖像質(zhì)量的提升；

c.隨機(jī)置換：對(duì)經(jīng)過步驟b的JND預(yù)處理后得到的DCT值數(shù)據(jù)進(jìn)行隨機(jī)置換；通常，圖像是典型的非平穩(wěn)信號(hào)，如果對(duì)圖像的不同區(qū)域都采用相同的測(cè)量率，這樣顯然是不太合理的；因?yàn)閳D像的某些區(qū)域，即紋理豐富區(qū)域幾乎在任何空間中都是不稀疏的，對(duì)于這些區(qū)域僅僅通過提高測(cè)量率是無法提高圖像質(zhì)量的；而對(duì)于某些區(qū)域信號(hào)可能非常稀疏，這時(shí)過高的測(cè)量率反而是一種浪費(fèi)；本實(shí)施例采用隨機(jī)置換DCT系數(shù)的方法可以將非平穩(wěn)信號(hào)轉(zhuǎn)換為平穩(wěn)信號(hào)，這樣圖像信號(hào)在整體上其稀疏度會(huì)趨于一個(gè)中間值，就不會(huì)出現(xiàn)某些區(qū)域不稀疏而另一些區(qū)域非常稀疏的情況了；隨機(jī)置換方法是通過將DCT隨機(jī)交換來達(dá)到使信號(hào)平穩(wěn)的效果，交換過程如圖3所示。圖3(a)為DCT系數(shù)隨機(jī)置亂過程，然后將圖像進(jìn)行n×n分塊，見圖3(b)，再將DCT系數(shù)展開成列向量，參見圖3(c)，將DCT系數(shù)進(jìn)行隨機(jī)置換；

d.隨機(jī)測(cè)量：利用隨機(jī)矩陣對(duì)經(jīng)過所述步驟c隨機(jī)置換后得到數(shù)據(jù)進(jìn)行隨機(jī)測(cè)量，得到壓縮感知的測(cè)量值，完成對(duì)所述步驟a的原始圖像數(shù)據(jù)的壓縮過程，得到圖像壓縮數(shù)據(jù)；本步驟過程首先通過計(jì)算機(jī)產(chǎn)生一個(gè)隨機(jī)矩陣，然后將該矩陣與信號(hào)相乘得到測(cè)量值，這就完成了信號(hào)的測(cè)量，同時(shí)由于測(cè)量值信號(hào)向量遠(yuǎn)小于原始信號(hào)的長(zhǎng)度因此也是一個(gè)數(shù)據(jù)壓縮的過程；

e.信號(hào)重建與圖像恢復(fù)：將獲得的在所述d中得到的圖像壓縮數(shù)據(jù)進(jìn)行信號(hào)重建，初步恢復(fù)出信號(hào)，然后按照所述步驟c的逆向隨機(jī)置換方法，再對(duì)恢復(fù)的數(shù)據(jù)進(jìn)行DCT反變換，最終得到恢復(fù)圖像。本實(shí)施例壓縮感知方法對(duì)信號(hào)的重建有很多比較成熟的技術(shù)比如凸優(yōu)化，線性規(guī)劃等。首先通過這些方法初步恢復(fù)出信號(hào)。然后，由于對(duì)數(shù)據(jù)進(jìn)行了隨機(jī)置換，因此這里還需要將恢復(fù)出來的數(shù)據(jù)換回到其原先的位置。為了保證壓縮效率，隨機(jī)置換的交換位置是事先確定的，在計(jì)算機(jī)上只需要確定隨機(jī)種子，采用一個(gè)整數(shù)便能確定所有的交換位置，這樣便不需要傳輸具體的位置數(shù)據(jù)了，也有利于得到相同的實(shí)驗(yàn)結(jié)果。最后，對(duì)交換后的數(shù)據(jù)進(jìn)行DCT反變換就能得到恢復(fù)圖像了。

實(shí)驗(yàn)測(cè)試分析：

在不同算法下Barbara的恢復(fù)質(zhì)量比較，參見表1.PSNR不同的算法相比較(dB)，得到不同算法下Barbara的恢復(fù)質(zhì)量比較，參見圖4，其中圖4(a)為原始圖像，圖4(b)為BCS-SPL恢復(fù)的圖像，圖4(c)為L(zhǎng)iRan恢復(fù)的圖像，圖4(d)為CRP恢復(fù)的圖像，圖4(e)為本實(shí)施例Proposed恢復(fù)的圖像。

表1 PSNR不同的算法相比較(dB)

從圖4中明顯可以看出本方法具有很好的效果，具體的實(shí)驗(yàn)數(shù)據(jù)可以參考表1.從表中可以看出當(dāng)測(cè)量率大于0.3時(shí)，本實(shí)施例取得比其他方法更好的實(shí)驗(yàn)結(jié)果。

本實(shí)施例首先將圖像進(jìn)行分塊并對(duì)圖像塊進(jìn)行DCT變換；然后利用JND模型計(jì)算圖像在DCT域的JND閾值；接著用計(jì)算得到的JND閾值對(duì)原始圖像所對(duì)應(yīng)的DCT系數(shù)進(jìn)行預(yù)處理，具體做法是將DCT系數(shù)中小于JND閾值的部分置為零，大于JND閾值的部分則保持不變，最終能使DCT系數(shù)中出現(xiàn)大量的零，本實(shí)施例這樣做的目的是為了增加信號(hào)的稀疏度，從而使壓縮感知技術(shù)在這里能取得更好的效果。本實(shí)施例后面還要將處理后的數(shù)據(jù)進(jìn)行隨機(jī)置換，這樣原來的非平穩(wěn)信號(hào)就能通過隨機(jī)交換變成平穩(wěn)信號(hào)，從而也提高了壓縮的效率。本實(shí)施例方法在降低編碼端復(fù)雜度的同時(shí)具有一定的抗數(shù)據(jù)丟失的能力，能夠適用于編碼端計(jì)算能力差而同時(shí)擁有強(qiáng)大的解碼端的場(chǎng)合。

上面結(jié)合附圖對(duì)本發(fā)明實(shí)施例進(jìn)行了說明，但本發(fā)明不限于上述實(shí)施例，還可以根據(jù)本發(fā)明的發(fā)明創(chuàng)造的目的做出多種變化，凡依據(jù)本發(fā)明技術(shù)方案的精神實(shí)質(zhì)和原理下做的改變、修飾、替代、組合或簡(jiǎn)化，均應(yīng)為等效的置換方式，只要符合本發(fā)明的發(fā)明目的，只要不背離本發(fā)明基于感知及隨機(jī)置換的圖像壓縮感知方法的技術(shù)原理和發(fā)明構(gòu)思，都屬于本發(fā)明的保護(hù)范圍。