本发明属于图像编码技术领域，涉及一种基于压缩感知的低复杂度编码方法，尤其是提出了在测量域实现显著检测，自适应显著信息实施压缩感知测量，以提高图像编码的率失真性能。
背景技术：
在无线传感器网络中，图像传感节点的能耗与带宽受到较大限制，然而，传统图像编码技术(如jpeg)基于变换编码框架，需要引入较大计算量对图像实施全变换，因此，传统图像编码将大幅衰减图像传感节点的生命周期。为了延长无线传感器网络中图像传感节点的生命周期，需要寻找到一种新的低复杂度图像编码技术。另外，传统图像编码对图像实施全变换致使信息驻留在稀少的系数之上，若干重要系数丢失会极大衰退图像重建质量，这也对无线传感器间的通信质量提出了更高要求，因此，提高图像传输数据的容错性能在无线传感器网络中也十分必要。突破奈奎斯特采样定理的压缩感知(compressivesensing，cs)为解决上述问题开启了新思路，其以随机方式实现部分变换完成编码，利用少量变换系数借助稀疏先验条件实现联合解码。图像压缩感知实现了在变换图像的同时直接降维压缩图像，大大节约了编码复杂度，且它的随机测量方式也增强了传输数据的容错性能，这些特点使得图像压缩感知成为适宜于无线传感器网络应用环境的潜在图像编码方法，获得了广泛关注。
提高图像压缩感知编码率失真性能是现有技术致力于实现的目标，其中自适应测量率设定是一种以小计算代价提升率失真性能的有效手段，其因可改善压缩感知测量效率而抑制无效测量，使之可获得明显的性能提升。自适应测量率设定需要依据各种图像特征设计，例如，文献“adaptivecompressedsensingforwirelessimagesensornetworks”(junguozhang，qiuminxiang，yaguangyin，multimediatoolsandapplications，2016：1-16)依据图像块方差自适应地为各块设定测量率，文献“distributedadaptivecompressedvideosensingusingsmoothedprojectedlandweberreconstruction”(ranli，zonglianggan，ziguancui，minghuwu，xiuchangzhu，2013，10(11)：58-69)提取图像边缘特征实施自适应测量。块方差和边缘特征仅是反映了局部像素值变化，重建图像尽管客观质量有所改善，但是主观质量较差，出现大量块效应。在高层视觉中，一切处理行为应以人眼视觉系统(humanvisualsystem，hvs)特性为中心，hvs可快速而准确地锁定给定场景中感兴趣区域以理解图像，而自动地忽略掉场景中不感兴趣内容，这种注意力分配和视觉认知过程的生理机制被称作视觉显著性(visualsaliency)，因此，压缩感知随机测量过程应随视觉显著性分布自适应调整更为合理，文献“saliency-basedcompressivesamplingforimagesignals”(yingyu，binwang，limingzhang，2010，17(11)：973-976)采用脉冲余弦变换(pulsedcosinetransform，pct)模型提取图像显著图，对hvs感兴趣区域集中采样，重建图像获得了更好的主观视觉质量。然而，上述自适应测量方法均利用全采样图像提取特征，引入计算量可能与全变换相当，率失真性能提升以增加编码复杂度为代价，这十分不利于在无线传感器网络中的应用。另外，全采样图像在编码端的存在也破坏了图像自适应测量进一步由压缩成像(compressiveimaging)设备实现。为了解决上述问题，本发明提出直接利用压缩感知测量值实现显著检测，这解除了编码端对全采样图像的依赖，与此同时，利用低维的测量向量提取特征，也大幅降低了编码复杂度。
技术实现要素：
技术问题：本发明提出在测量域实现显著检测，以图像显著特征变化引导各块测量率设定，通过量化各块显著特征变化，对高显著度块予于高测量率，而消除低显著度块的过剩测量，并在重建时利用块显著度分布，实施加权全局重建，有效提升重建图像的主观视觉质量。
技术方案：本发明提出基于测量域显著检测模型的自适应压缩感知图像编码方法，以块显著度为导向自适应测量与重建图像，在编码端利用测量向量计算各块显著度，并根据块显著度分布自适应设定各块测量率，而在解码端采用块显著度加权重建模型的目标函数，集中优化高显著度块的重建质量。其具体步骤包括如下：
(1)分块输入图像
将尺寸为ir×ic(n＝ir·ic)的图像x分成n个尺寸为b×b的块，其中b取16，第i个图像块记为列向量形式xi(i＝1，2，...，n，n＝n/b2)；
(2)预测量
设定图像总测量率s，确定总测量次数m为
m＝n·s
其中n为图像总像素数。预设初始测量次数如下：
round[·]为四舍五入算子。生成尺寸为m0×b2的高斯随机测量矩阵φb0，计算长度为m0的各块初始测量向量y0i如下：
y0i＝φb0xi
其中i从1取至n。
(3)实现测量域显著检测
利用初始测量向量y0i，计算各块显著度如下：
对所有块显著度作归一化如下：
其中max[·]取集合元素的最大值，min[·]取集合元素的最小值。
(4)自适应测量
利用块显著度wi计算各块测量次数如下：
mi＝round[wi·(m-nm0)+m0]
生成相应的随机测量矩阵φbi，最后，计算长度为mi(＜＜b2)的各块测量向量yi如下：
yi＝φbixi
最后，将n个块测量向量yi传输至解码端。
(5)自适应重建
解码端接收到各块测量向量yi后，将所有块测量向量按列排列如下：
令
并引入初等矩阵i将分块排列的各块列向量重新排序为整幅图像列向量如下：
则可得
y＝φ·i·x＝θ·x
构成全局重建模型如下：
式中ψ为整幅图像x的变换矩阵。推导出块显著度估计值如下：
利用块显著度估计值加权全局重建模型的首项如下：
构造对角矩阵w如下：
式中diag(·)为对角矩阵生成算子，全局重建模型等价变形为
令
可看到自适应块显著度加权重建模型是l2-l1范数最小化模型，其中正则化参数λ取0.3，图像变换矩阵ψ采用滤波器长度为4的daubechies正交小波。采用文献“gradientprojectionforsparsereconstruction：applicationtocompressedsensingandotherinverseproblems”(marrioatfigueiredo，robertdnowak，stephenjwright，ieeejournalofselectedtopicsinsignalprocessing，4(1)：586-597)提出的梯度投影方法求解全局重建模型，获得最终的重建图像
有益效果：本发明提出的基于测量域显著检测模型的低复杂度压缩感知图像编码方法在测量域内实现显著检测，根据块显著度分布，集中测量高显著区域，保护重建图像的人眼感兴趣区域，可有效改善图像主客观重建质量，其整体性能与现有技术相比，获得了较大的率失真性能改善。
附图说明
图1为本发明编解码框图。
图2为块方差、边缘、pct模型以及本发明提出测量域显著检测生成的512×512lenna图的显著图对比。
图3为各自适应压缩感知编码方法的平均率失真性能对比。
图4总测量率s为0.2时，各种方法重建barbara图像对比。
具体实施方法
以下结合附图和实施例对本发明的技术方案作进一步描述。
本发明提出的低复杂度压缩感知图像编解码框图如图1所示。设定图像总测量率s，确定总测量次数m为
m＝n·s(1)
在编码端，首先，场景由压缩成像设备对尺寸为ir×ic(n＝ir·ic)的图像x中各块实施预测量，即预设初始测量次数如下：
round[·]为四舍五入算子。将图像x分成n个尺寸为b×b的块，其中b取16，第i个图像块记为列向量形式xi(i＝1，2，...，n，n＝n/b2)，生成尺寸为m0×b2的高斯随机测量矩阵φb0，计算长度为m0的各块初始测量向量y0i如下：
y0i＝φb0xi(3)
其中i从1取至n。
然后，利用初始测量向量y0i，计算各块显著度如下：
对所有块显著度作归一化如下：
其中max[·]取集合元素的最大值，min[·]取集合元素的最小值。图2显示了由块方差、边缘、pct以及本发明提出测量域显著检测算法生成的512×512lenna图的显著图对比，可看出在纹理细节丰富的毛发、眼睛以及帽梢区域，本发明提出显著检测算法的显著图均以高亮显示，且其也可突出边缘，而块方差、边缘特征及pct算法并未凸显人眼更感兴趣的纹理细节，因此，块方差、边缘特征及pct无法引导集中测量人眼感兴趣区域，而本发明提出的测量域显著检测算法，可确保以大测量率捕获高显著度块的信息。与传统图像编码中常用的快速dct变换计算复杂度o(nlog2n)相比，提取块显著度的计算复杂度仅为o(n2m0)，那么，可知在编码端提取显著特征仍可确保较低的计算复杂度。
接着，利用块显著度wi计算各块测量次数如下：
mi＝round[wi·(m-nm0)+m0](6)
生成相应的随机测量矩阵φbi，最后，由式(7)得到长度为mi(＜＜b2)的各块测量向量yi如下：
yi＝φbixi(7)
式中φbi是mb×b2的随机高斯矩阵，另外定义各块测量率si如下：
最后，将n个块测量向量yi按列排列为总测量向量y，并传输至解码端。由式(6)确定各块测量次数后，部分高显著度块的测量次数可能会过大，导致显著区域高质量重建，而非显著区域块由于分配较少的测量次数，造成重建质量弱于显著区域。若显著区域与非显著区域重建质量差异过大，人眼将感觉显著区域突兀，造成主观视觉质量衰退。为了防止出现上述问题，设定各块测量次数上界u＝0.9b2，任何测量次数超出上界的块，都将其测量次数限定为u，随后，将剩余的测量次数均匀分配给未越界块，再次分配后，若又出现越界块，则重复上述操作，直到所有块测量次数均不越界为止。
解码端接收到各块测量向量yi后，将所有块测量向量按列排列如下：
令
并引入初等矩阵i将分块排列的各块列向量重新排序为整幅图像列向量如下：
联合式(9)、式(10)及式(11)，可得
y＝φ·i·x＝θ·x(12)
根据式(12)构成全局重建模型如下：
式中ψ为整幅图像x的变换矩阵。由于块测量次数mi反映了块显著度分布，因此，由式(6)可推导出块纹理对比度估计值如下：
利用块显著度估计值加权式(13)的首项如下：
为了简化式(15)，构造对角矩阵w如下：
式中diag(·)为对角矩阵生成算子。利用式(16)，式(15)可等价变形为
令
可看到自适应块纹理对比度加权重建模型是l2-l1范数最小化模型，采用文献“gradientprojectionforsparsereconstruction：applicationtocompressedsensingandotherinverseproblems”(figueiredomat，nowakrd，wrightsj，ieeejournalofselectedtopicsinsignalprocessing，2007，1(4)：586-597)提出的梯度投影方法求解，正则化参数λ取0.3，图像变换矩阵ψ采用滤波器长度为4的daubechies正交小波。
本发明的仿真结果
采用5幅包含不同程度平滑、边缘和纹理细节的512×512标准测试图像lenna、barbara、peppers、goldhill和mandrill测试本发明提出的编码器率失真性能。在所有实验中，预设总测量率s分别取0.1至0.5。评价客观性能的指标采用峰值信噪比(peaksignal-noiseratio，psnr)，但考虑到随机变化的测量矩阵，实验中5次重建图像并计算psnr值取其平均。选择对比方法为：文献“adaptivecompressedsensingforwirelessimagesensornetworks”(junguozhang，qiuminxiang，yaguangyin，multimediatoolsandapplications，2016：1-16)提出的基于块方差的自适应压缩感知编码方法；文献“distributedadaptivecompressedvideosensingusingsmoothedprojectedlandweberreconstruction”(ranli，zonglianggan，ziguancui，minghuwu，xiuchangzhu，2013，10(11)：58-69)提出的基于边缘特征的自适应压缩感知编码方法；文献“saliency-basedcompressivesamplingforimagesignals”(yingyu，binwang，limingzhang，2010，17(11)：973-976)提出的基于pct模型的自适应压缩感知编码方法。图3显示了本发明与对比方法在五幅测试图像上的平均率失真曲线，可看到本发明随比特率升高，psnr值获得显著提升，且无论在任何比特率下，psnr值均优于对比方法。表1列出了各种方法在不同测量率下重建图像的psnr值，可看到在任何测量率下，本发明方法均获得了更高的psnr值，例如，当测量率为0.1时，本发明相比zhangetal.提出方法改善psnr值1.08db；当测量率为0.3时，本发明相比zhangetal.提出方法改善psnr值0.49db；当测量率为0.5时，本发明相比lietal.提出方法改善psnr值0.32db。图4显示了总测量率s为0.2时，各种方法重建barbara图像对比，可看出本发明具有良好的主观视觉感受，与对比方法相比，本发明提出方法有效减少了块效应现象，其边缘、纹理细节也获得了更好保护。综上所示，可知本发明有效提升了低复杂度图像编码的率失真性能，且确保了良好的主观视觉质量。
表1各自适应压缩感知编码方法重建测试图像的psnr值对比