基于感知及随机置换的图像压缩感知方法与流程

本发明涉及一种图像处理方法，特别是涉及一种图像及视频压缩方法，应用于数据管理和数据传输技术利用。

背景技术：

图像的数据量一般较大，如果不对其进行压缩而直接传输，将对现有的网络资源造成很大的负担。如今虽然已经存在很多比较高效的图像压缩算法，最常见的如JPEG、H.261、MPEG等。但这些算法往往需要对信号进行复杂的计算，通过运算去除图像中的冗余信息。因此这些压缩方法对于计算机的性能有较高要求，并不适用于对编码端有较高功耗限制的场合，比如无线传感网络。

近几年来逐渐发展起来的压缩感知技术却能在一定程度上很好地解决以上两个问题。压缩感知是由Donoho[1]等人在2006年首次提出来的。作为一种新的信号处理理论，压缩感知可以通过远低于奈奎斯特定理所要求的采样率对信号进行随机观测，此时将信号的采集和数据的压缩合成为了一个过程，这大大降低了编码端的复杂度，当然其代价就是必须得在解码端进行复杂的运算，从而恢复原始的信号。研究表明只要信号满足稀疏的特性，压缩感知技术就能表现出很好的性能。但是，压缩感知编码方法一开始并没有考虑人类的视觉特性，即仍然存在进一步改进的空间。

[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).

技术实现要素：

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于感知及随机置换的图像压缩感知方法，首次提出将JND模型用于对原始图像进行处理，从而使图像信号更加稀疏，最终达到提高图像质量的目的。本发明方法能有效地降低编码端的计算复杂度，能够适用于编码端计算能力弱而同时解码端拥有强大计算能力的情景。此外，本发明对于压缩感知技术在视频压缩中的应用也具有重要的借鉴意义。

为达到上述发明创造目的，本发明采用下述技术方案：

一种基于感知及随机置换的图像压缩感知方法，包括如下步骤：

a.分块DCT变换：将原始图像分割成n×n的图像块，然后对每个图像块分别进行二维的DCT变换，得到一系列原始的DCT系数值；

b.JND预处理：在DCT域利用JND模型计算JND阈值，并利用计算得到的JND阈值对在所述步骤a中得到的原始的DCT系数值进行预处理，即将小于JND阈值的DCT值置零，同时大于JND阈值的DCT值保持不变，JND预处理计算公式如下：

在上述公式中，DCT_after为进行JND预处理后的计算结果DCT值，DCT_before为在所述步骤a中得到的原始的DCT系数值，JND为JND阈值；

c.随机置换：对经过步骤b的JND预处理后得到的DCT值数据进行随机置换；

d.随机测量：利用随机矩阵对经过所述步骤c随机置换后得到数据进行随机测量，得到压缩感知的测量值，完成对所述步骤a的原始图像数据的压缩过程，得到图像压缩数据；对经过所述步骤c随机置换后得到数据进行随机测量时，优选测量率不低于0.3，进一步优选测量率不低于0.4；作为优选的技术方案，对经过所述步骤c随机置换后得到数据进行随机测量时，首先通过计算机产生一个随机矩阵，然后将该矩阵与信号相乘得到测量值，这就完成了信号的测量，得到图像压缩数据；在进行随机置换时，优选事先确定随机置换的交换位置，并设定一个整数作为随机种子数值，来表征所有的数值交换位置，这样便不需要传输具体的位置数据了，也有利于得到相同的实验结果；

e.信号重建与图像恢复：将获得的在所述d中得到的图像压缩数据进行信号重建，初步恢复出信号，然后按照所述步骤c的逆向随机置换方法，再对恢复的数据进行DCT反变换，最终得到恢复图像。

作为本发明优选的技术方案，在所述d中得到的图像压缩数据通过数据传输后，再通过所述步骤e进行信号重建与图像恢复。

最小可觉察失真，Just Noticeable Distortion,JND，是指人类视觉系统存在的各种视觉屏蔽效应，表现为人眼要能觉察到像素点的变化，必须超过的一定阈值。利用JND的这一特性，可以进一步提高信号的稀疏性，从而提高压缩感知技术对于图像的压缩效率。本发明首次提出将JND模型用于对原始图像进行处理，从而使图像信号更加稀疏，最终达到提高图像质量的目的。此外，本发明对于压缩感知技术在视频压缩中的应用也具有重要的借鉴意义。

本发明方法主要是考虑到人眼存在视觉掩盖效应，因此借助于JND模型，能有效地去除图像中存在的视觉冗余，与此同时，也提高了信号的稀疏度。首先将图像进行分块并对图像块进行DCT变换；然后利用JND模型计算图像在DCT域的JND阈值；接着用计算得到的JND阈值对原始图像所对应的DCT系数进行预处理，具体做法是将DCT系数中小于JND阈值的部分置为零，大于JND阈值的部分则保持不变，由于JND模型能在对DCT系数进行适当调整的情况下保证图像不会出现人眼可以觉察的变化，因此本发明方法是合理的。而且采用本发明方法最终能使DCT系数中出现大量的零，这样做的目的是为了增加信号的稀疏度，从而使压缩感知技术在这里能取得更好的效果。下面还要将处理后的数据进行随机置换，这是由于图像信号属于非平稳信号，即有些区域细节很丰富而另一些区域很平坦，表现在DCT系数上就是有些区域高频系数的数值比较大而另一些区域高频系数的数值较小。这种特性对于压缩感知中测量率的确定是很不利的。如果采用较低的测量率，显然细节丰富的区域会由于测量率不够而使得恢复效果不理想；如果采用较高的测量率，对于比较平滑的区域这样的高测量率显然是一种浪费。更进一步，在一些细节非常丰富的区域，信号几乎是不稀疏的，这时即使测量率非常高，由于不满足信号的稀疏特性，信号还是无法被较好地恢复。从以上分析可以看出，如果不采取其他措施必然导致图像中各个区域的恢复质量并不一致，即平滑的区域恢复质量较好而纹理丰富的区域恢复质量可能较差。而本发明进行数据的随机交换能很好地平衡图像不同区域之间的稀疏性，原来的非平稳信号通过随机交换就能变成平稳信号，这时就不会出现前面提到的问题了，从而也提高了压缩的效率。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

1.本发明方法在降低编码端复杂度的同时具有一定的抗数据丢失的能力，能够适用于编码端计算能力差而同时拥有强大的解码端的场合；

2.本发明利用计算得到的JND阈值，对原始图像所对应的DCT系数进行预处理，显著增加信号的稀疏度，从而使压缩感知技术在这里能取得更好的效果，本发明将处理后的数据进行随机置换，这样原来的非平稳信号就能通过随机交换变成平稳信号，从而也提高了压缩的效率，本发明方法适用于编码端对功耗有较高限制，计算能力较弱而同时解码端具有较强计算能力的情景。

附图说明

图1为本发明优选实施例图像压缩感知方法的操作程序框图。

图2为本发明优选实施例Monarch图像和Monarch图像在JND预处理前后每个图像块中非零值的个数分布对比示意图。

图3为本发明优选实施例DCT系数随机置换过程示意图。

图4为在本发明优选实施例算法下和其他不同算法下Barbara的恢复质量比较图像。

具体实施方式

本发明的优选实施例详述如下：

在本实施例中，参见图1～4，本实施例利用视觉感知特性及压缩感知技术的图像压缩方法，具体采用如下技术方案，步骤如图1流程图所示。在matlab2014a平台上编程实现本发明方法，首先对图像进行分块DCT变换，之后建立DCT域的JND模型，并利用该模型对DCT系数进行预处理，再对处理后的数据进行随机打乱，最后完成随机测量。在解码端通过逆过程实现图像的恢复重建。

在本实施例中，参见图1～4，一种基于感知及随机置换的图像压缩感知方法，包括如下步骤：

a.分块DCT变换：将原始图像分割成n×n的图像块，然后对每个图像块分别进行二维的DCT变换，得到一系列原始的DCT系数值；由于图像信号一般比较大，通常至少会由上万个甚至百万个像素点组成，如果直接对原始图像进行处理将耗费巨大的内存，因此一般需要将图像进行分块处理，以降低内存消耗和计算的复杂度。这里先将图像分割成n×n＝16×16的小块，然后对每一个图像块分别进行二维的DCT变换；

b.JND预处理：在DCT域利用JND模型计算JND阈值，并利用计算得到的JND阈值对在所述步骤a中得到的原始的DCT系数值进行预处理，即将小于JND阈值的DCT值置零，同时大于JND阈值的DCT值保持不变，JND预处理计算公式如下：

在上述公式中，DCT_after为进行JND预处理后的计算结果DCT值，DCT_before为在所述步骤a中得到的原始的DCT系数值，JND为JND阈值；压缩感知技术能实现的前提是要求信号是稀疏的，而且信号的稀疏程度越高，即信号中数值为零的数据越多，则最终图像的恢复质量也会越好；JND模型是基于人类的视觉特性开发的，模型的选择没有特别的要求，其中利用DCT域的JND模型能将一些小于JND值的DCT系数置零，该过程达到了增加信号稀疏度的目的，而同时又能保证图像不发生能引起人眼察觉的变化；这一特性使得本实施例方法可以在相同测量率下提高最终恢复图像的主观质量，通过建立DCT域的JND模型，并对该模型原始的DCT系数进行预处理，即将小于JND值的DCT系数置零，同时大于JND值的DCT系数将保持不变；图2是对Monarch进行JND预处理的实验结果，原始图像的分辨率为256×256，参见图2(a)，然后将其按照16×16进行分块DCT变换，接着通过DCT域的JND模型计算阈值，并利用式(1)对原始的DCT系数进行预处理；从图2中可以看出预处理之后的非零值明显减少了，在图2(b)中，上方的线表示原始图像块中非零值的个数分布，下方的线表示在JND预处理后图像块中非零值的个数分布，可见经过JND预处理后，使信号变得非常稀疏，有利于最终图像质量的提升；

c.随机置换：对经过步骤b的JND预处理后得到的DCT值数据进行随机置换；通常，图像是典型的非平稳信号，如果对图像的不同区域都采用相同的测量率，这样显然是不太合理的；因为图像的某些区域，即纹理丰富区域几乎在任何空间中都是不稀疏的，对于这些区域仅仅通过提高测量率是无法提高图像质量的；而对于某些区域信号可能非常稀疏，这时过高的测量率反而是一种浪费；本实施例采用随机置换DCT系数的方法可以将非平稳信号转换为平稳信号，这样图像信号在整体上其稀疏度会趋于一个中间值，就不会出现某些区域不稀疏而另一些区域非常稀疏的情况了；随机置换方法是通过将DCT随机交换来达到使信号平稳的效果，交换过程如图3所示。图3(a)为DCT系数随机置乱过程，然后将图像进行n×n分块，见图3(b)，再将DCT系数展开成列向量，参见图3(c)，将DCT系数进行随机置换；

d.随机测量：利用随机矩阵对经过所述步骤c随机置换后得到数据进行随机测量，得到压缩感知的测量值，完成对所述步骤a的原始图像数据的压缩过程，得到图像压缩数据；本步骤过程首先通过计算机产生一个随机矩阵，然后将该矩阵与信号相乘得到测量值，这就完成了信号的测量，同时由于测量值信号向量远小于原始信号的长度因此也是一个数据压缩的过程；

e.信号重建与图像恢复：将获得的在所述d中得到的图像压缩数据进行信号重建，初步恢复出信号，然后按照所述步骤c的逆向随机置换方法，再对恢复的数据进行DCT反变换，最终得到恢复图像。本实施例压缩感知方法对信号的重建有很多比较成熟的技术比如凸优化，线性规划等。首先通过这些方法初步恢复出信号。然后，由于对数据进行了随机置换，因此这里还需要将恢复出来的数据换回到其原先的位置。为了保证压缩效率，随机置换的交换位置是事先确定的，在计算机上只需要确定随机种子，采用一个整数便能确定所有的交换位置，这样便不需要传输具体的位置数据了，也有利于得到相同的实验结果。最后，对交换后的数据进行DCT反变换就能得到恢复图像了。

实验测试分析：

在不同算法下Barbara的恢复质量比较，参见表1.PSNR不同的算法相比较(dB)，得到不同算法下Barbara的恢复质量比较，参见图4，其中图4(a)为原始图像，图4(b)为BCS-SPL恢复的图像，图4(c)为LiRan恢复的图像，图4(d)为CRP恢复的图像，图4(e)为本实施例Proposed恢复的图像。

表1 PSNR不同的算法相比较(dB)

从图4中明显可以看出本方法具有很好的效果，具体的实验数据可以参考表1.从表中可以看出当测量率大于0.3时，本实施例取得比其他方法更好的实验结果。

本实施例首先将图像进行分块并对图像块进行DCT变换；然后利用JND模型计算图像在DCT域的JND阈值；接着用计算得到的JND阈值对原始图像所对应的DCT系数进行预处理，具体做法是将DCT系数中小于JND阈值的部分置为零，大于JND阈值的部分则保持不变，最终能使DCT系数中出现大量的零，本实施例这样做的目的是为了增加信号的稀疏度，从而使压缩感知技术在这里能取得更好的效果。本实施例后面还要将处理后的数据进行随机置换，这样原来的非平稳信号就能通过随机交换变成平稳信号，从而也提高了压缩的效率。本实施例方法在降低编码端复杂度的同时具有一定的抗数据丢失的能力，能够适用于编码端计算能力差而同时拥有强大的解码端的场合。

上面结合附图对本发明实施例进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明基于感知及随机置换的图像压缩感知方法的技术原理和发明构思，都属于本发明的保护范围。