一种图像压缩方法与流程

本发明涉及图像压缩与自然计算技术相结合
技术领域：
，特别涉及一种图像压缩方法。
背景技术：
：图像压缩形象地定义为从k维向量空间rk到其一个有限子集c的映射q:rk→c，其中c＝{ci∈rk|i＝1，2，……，n}称为码书，n为码书的大小，c中的每个向量ci称为一个码字。每个码字ci关联一个最近邻区域vi，通常称为voroni区域，定义如下：其中，d(x，cj)为向量x与码字cj之间的失真测度，通常为欧氏距离。voroni区域的集合对整个空间进行了划分，使得：计算输入向量与每个码字的欧氏距离，最近的一个码字选作该向量的代表。图像压缩包括两部分：编码器和解码器。一个向量输入编码器后，编码器输出失真度最低的码字的索引。通过计算输入像素与码书中每个码字的欧氏距离寻找最低的失真度。解码器接收码字的索引，用关联的码字替换该索引。图1示意了编码器和解码器操作的框图。给定一个输入像素，编码器找到最近的码字，把码字的索引发送给解码器。解码器接收到码字的索引后，输出相应的码字。现有的图像压缩方法多为lbg算法，lbg算法是一种简单且有效的算法，是现今最流行的算法。但是传统的lbg算法获得的码书及峰值信噪比psnr均较差，压缩后的图像鲁棒性不高。技术实现要素：本发明的目的是提供一种图像压缩方法，以解决传统基于块编码的图像压缩方法鲁棒性不高的以及海量图像高效压缩的问题。为了解决上述技术问题，本发明的技术方案为：一种图像压缩方法，包括以下步骤：步骤1，设一个包含m个像素的图像像素集合为t＝{x1，x2，……，xm}，t上的一个划分p，把t划分成n个等价类p＝{t1，t2，……，tn}，每个等价类ti的质心定义一个码字ci，步骤2，对图像像素集合t执行所有可能的划分；步骤3，模拟生物群体觅食的过程，寻找图像像素集合t的最优划分；步骤4，随机生成图像像素集合t的n个划分p1，p2，……，pn，然后反复执行下面的步骤直到收敛：步骤5，计算每个划分pi对应的均方差mse(p1)，mse(p2)，……，mse(pn)；步骤6，对每个划分pi，生成一个随机数δ∈[0,1)：如果0≤δ＜probp，那么用更新pi，pb是pi目前最好情形，r1∈[0，1]是一个随机数，probp∈[0，1]是经验参数；如果probp≤δ＜probp+probn，那么用更新pi，其中p*是目前找到的最好划分，r2∈[0，1]是一个随机数，probn∈[0，1]是经验参数；如果probp+probn≤δ＜1，那么用更新pi，其中pr是一个随机划分，r2∈[0，1]是一个随机数，probn∈[0，1]是经验参数，根据公式(1)设计pi对应的码字ci，在给定码字ci后，把图像像素集合t的最优划分p'＝{t'，t'2，……t'n}每个输入向量映射到最近的码字ci。进一步地，所述步骤1中，ci代表等价类ti中的所有像素。进一步地，所述步骤3中，寻找图像像素集合t的最优划分包括计算两个划分之间的差、划分更新、改变等价类的像素序列步骤。与现有技术相比，本发明的有益效果为：本发明的图像压缩方法，模拟自然界中生物群体协作觅食的现象，该种新的图像压缩方法比传统方法能够获得更优的码书，具有更好的峰值信噪比psnr，更鲁棒。附图说明图1为现有技术中编码器和解码器操作的框图；图2为本发明实施例的流程图；图3为lena图像的原始图像、用lbg生成的码书得到的压缩图像和用本方法生成的码书得到的压缩图像的对比图一；图4为pepper图像的原始图像、用lbg生成的码书得到的压缩图像和用本方法生成的码书得到的压缩图像的对比图二。具体实施方式下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。实施例一种图像压缩方法，包括以下步骤：步骤s1，将t分成n个等价类p：设一个包含m个像素的图像像素集合为t＝{x1，x2，……，xm}，t上的一个划分p，把t划分成n个等价类p{＝t1，t2，……，tn}，每个等价类ti的质心定义一个码字ci，ci代表等价类ti中的所有像素，码字ci的集合称为码字或码书，用码字ci代表等价类ti中的所有像素，就能对图像进行压缩编码。图像像素集合t所有可能的划分构成图像的所有可能的压缩方案，最优的压缩方案就是对图像像素集合t的一个最优划分，使得均方差mse最小。步骤s2，对图像像素集合t执行所有可能的划分，主要原理如下：(1)压缩方案的表示：图像压缩的一种方案就是图像像素集的一个划分，包含m个像素的图像的一个划分p可以用一个m维的向量方便地表示：s＝(s1,s2,...,sm)(2)其中每个分量sk∈{1,2,…,n}是像素xi在该划分下所属等价类的下标。这样的表示是划分的一种编码方式，在该编码方式之下的两个解s＝(s1,s2,..,sm)和t＝(t1,t2,..,tm)，对任意的i和j，如果si＝sj当且仅当ti＝tj，则可以证明s和t所编码的两个划分是等价的。(2)划分上的操作：从集合的一个划分产生另一个划分最基本的操作是把一个元素从一个等价类划归到另一个等类。例如，如果p＝{t1,t2,…,tn}是一个划分，那么p'＝{t1,t2,…,ti\{xk},…,tj∪{xk},…,tn}是在p的基础上把元素xk从等价类ti“移动”到等价类tj之后得到的新的划分。在上述解的表示下，意味着把s的第k个分量sk的值从i变为j。(3)两个划分的差：设p＝{t1，t2……，tn}和q＝{s1，s2，……，sn}是同一幅图像的像素集合t的两个划分。p和q的差p～q定义为从p变换到q所需从一个等价类移动到另一个等价类的最小像素序列。计算两个划分之间的差的问题可以归约为一个指派问题。借助匈牙利算法，能够容易地完成两个划分的差的构造。(4)划分的更新：假设p＝{t1，t2，……，tn}是图像的像素集合t的一个划分且v＝o1，o2，……，od是改变所属等价类的像素序列，两者的和是依次根据v中的像素对p进行变换得到的一个新的划分。(5)像素序列的子序列：假设v＝o1,o2,…,od是一个改变所属等价类的像素序列，φ∈[0,1]是一个实数。定义v关于φ的子序列φv＝o1,o2,…,ok，其中k＝[φd]。步骤s3，模拟生物群体觅食的过程，寻找图像像素集合t的最优划分，使得均方差mse最小。步骤s4，随机生成图像像素集合t的n个划分p1，p2，……，pn，然后反复执行步骤5至步骤6直到收敛。步骤s5，计算每个划分pi对应的均方差mse(p1)，mse(p2)，……，mse(pn)；步骤s6，对每个划分pi，生成一个随机数δ∈[0,1)：如果0≤δ＜probp，那么用更新pi，pb是pi目前最好情形，r1∈[0，1]是一个随机数，probp∈[0，1]是经验参数；如果probp≤δ＜probp+probn，那么用更新pi，其中p*是目前找到的最好划分，r2∈[0，1]是一个随机数，probn∈[0，1]是经验参数；如果probp+probn≤δ＜1，那么用更新pi，其中pr是一个随机划分，r2∈[0，1]是一个随机数，probn∈[0，1]是经验参数，根据公式(1)设计pi对应的码字ci，在给定码字ci后，把图像像素集合t的最优划分p'＝{t'，t'2，……t'n}每个输入向量映射到最近的码字ci，即满足：其中d(x，y)是两个向量的欧氏距离。据此，在每一次划分更新之后，按照式(4)定义的最近邻条件计算最佳划分可以极大地改进算法的性能。仿真实验：选择两幅常用的512×512的灰度图像(图3图4)采用本发明进行图像压缩处理，同时与广泛使用的lbg算法进行比较，以检验本发明的性能。首先，用lena图生成一个包含256个码字的码书。两个方法各自运行10次。表1给出了两个算法10次运行的峰值信噪比psnr。lbg算法本发明算法average28.1614875332.15459065minimum13.7286798731.89895204maximum31.8544257332.41913555standarddeviation7.6071828330.171392749表1lbg和本发明算法压缩图像lena获得的峰值信噪比psnr从表1可以看出本发明的图像压缩方法获得的平均psnr和标准差都好过lbg算法获得的。本发明的图像压缩方法可以找到全局最优的码书，而lbg算法常常陷入局部最优。本发明的图像压缩方法是鲁棒的并且其性能不依赖于初始码书。其次，用pepper、baboon和bridge三幅图像测试从lena图像生成的码书的质量。图3、图4分别直观比较了合幅图像的原始图像、用lbg生成的码书得到的压缩图像和用本发明的图像压缩方法生成的码书得到的压缩图像。显然，从视觉效果上来看，压缩图像接近原始图像。综上所述，本发明的图像压缩方法，模拟自然界中生物群体协作觅食的现象，该种新的图像压缩方法比传统方法能够获得更优的码书，具有更好的峰值信噪比psnr，更鲁棒。以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。当前第1页12