一种面向量化分块压缩感知的螺旋式逐块测量值预测方法与流程

本发明涉及图像压缩感知技术领域，特别是涉及一种面向量化分块压缩感知的螺旋式逐块测量值预测方法。

背景技术：

压缩感知技术突破了奈奎斯特采样定律的限制，使得以欠奈奎斯特速率采样的信号仍然可以有效的恢复，大大降低了采集和处理的复杂度。在图像压缩感知中，观测获取的降维信号在信息论意义下并没有充分去除冗余，有必要对压缩感知的测量值进行预测与量化。作为一种典型的图像压缩感知系统，量化分块压缩感知(Quantized Block Compressive Sensing,简称“QBCS”)将图像划分成大小相同的若干块，每个块包含水平和垂直方向的多个连续像素，然后按序逐块采用相同的观测矩阵对图像块进行独立的压缩采样，即对每个块进行等采样率的测量，然后预测和量化编码，测量端无需进行耗时的两次观测。在QBCS的测量端和重构端，观测矩阵的规模不再随着目标图像的增大而增大，降低了计算和存储成本，为实时传输高分辨率图像提供了可行方案。若需要对整幅图像的压缩比进行调整，只需要对观测矩阵的采样率进行调整，避免了大尺度地改变观测矩阵，为硬件设计提供了便利。

与HEVC等图像编码相比，QBCS在率失真性能上的损失较为严重，在观测矩阵不宜改变的前提下，QBCS需要通过改进测量值的预测或量化机制提高率失真性能。虽然分块操作提高了图像处理的实时性，并减小了重构的复杂度，但是分块操作忽略了块与块之间的空域冗余，尤其对于大面积的背景区域，相邻块之间的测量值差异并不大。受到图像编码帧内预测的启发，若能在QBCS量化之前，消除相邻块测量值之间的相关性，那么率失真性能将得到提升。由于QBCS在分块采样时使用相同的观测矩阵，若当前图像块的原始像素与相邻已编码块的原始像素相关性较强，那么进行线性投影至低维空间后所得测量值的相关性依然较强。

QBCS测量值预测是指在获得当前图像块的测量值之后，利用已编码的邻域块对当前图像块的测量值进行预测，然后对残差进行量化和熵编码，以减少码流冗余度。针对QBCS系统，现有的测量值预测方法通过执行前后块或上下块的差分预测过程，在观测域对当前图像块进行预测，并对实际测量值与预测值的残差进行量化。现有的测量值预测方法采用逐行或逐列的光栅顺序逐块预测，且采用固定的块预测模式，在相同边带信息下没有充分利用测量值的相关性，特别是对于图像边缘块无法利用邻域相关性。

技术实现要素：

本发明所要解决的技术问题是提供一种面向量化分块压缩感知的螺旋式逐块测量值预测方法，提高QBCS的整体率失真性能。

本发明解决其技术问题所采用的技术方案是：提供一种面向量化分块压缩感知的螺旋式逐块测量值预测方法，包括以下步骤：

(1)按照螺旋次序，依次对当前第i个图像块xi进行独立观测得到当前图像块的测量值，其中，每个图像块均使用相同的观测矩阵；

(2)根据当前图像块的螺旋次序，对测量值执行测量值的多方向预测，得到最优的预测残差；

(3)对当前图像块最优的预测残差进行量化输出，获得量化值；

(4)对量化分块压缩感知系统的测量端的量化值进行反量化，得到当前图像块的重构残差；。

(5)将重构残差与候选块的重构测量值相加得到当前图像块的重构测量值，随后进行缓存，为后续图像块的测量值预测做准备。

所述步骤(1)中目标图像的第1个图像块不存在预测值，采用固定均值预测，第1个图像块的所有像素值均设定为128。

所述步骤(2)具体为：选择可用的自适应候选块，计算当前图像块与各候选块的相关度，选择具有最大相关度的候选块，并获得该候选块的重构测量值，将当前图像块的测量值减去候选块的重构测量值，得到最优的预测残差。

所述步骤(2)具体为：选择可用的自适应候选块，计算当前图像块与各候选块的相关度，选择具有最大相关度的候选块，并获得该候选块的重构测量值，将当前图像块的测量值减去候选块的重构测量值，得到最优的预测残差。

所述自适应候选块是指从当前图像块的八邻域中选取一个或多个相邻的已编码块，所述相关度采用向量相关系数等度量准则。

所述步骤(3)中当前图像块的预测残差采用标量量化或矢量量化，并形成熵编码的码流，随后判断当前图像块是否为目标图像内的最后一个块，如果是则结束循环，否则返回步骤(1)。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明基于螺旋次序逐一地对自适应候选块进行多方向预测，采用自适应的块预测模式，不需要将信号分布作为先验知识，在相同边带信息下充分利用了邻域块测量值之间的相关性，有效解决了大量边缘块无法进行测量值预测的问题，并使得图像块能更充分地利用空域相关性。所提方法在保持测量端低复杂度的前提下，能够有效降低码率，使QBCS系统获得更好的率失真性能。

附图说明

图1是一目标图像所有块由内向外的螺旋次序图；

图2是八邻域的示意图；

图3是自适应候选块的各种可能情形的示意图；

图4是螺旋式逐块测量值预测方法的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种面向量化分块压缩感知的螺旋式逐块测量值预测方法，根据由内向外的螺旋次序，逐块地对每一个图像块的测量值执行多方向预测。该方法在八邻域的空间相邻块中自适应地选择已编码的候选块，并在自适应候选块中选取具有最大相关度的图像块。所提测量值预测方法在没有增加计算复杂度的情况下，避免了大量的边缘块无法进行测量值预测的问题，并使得更多图像块能充分利用空域相关性，因此能有效降低码率，获得更好的率失真性能。具体包括以下步骤：

步骤(1)、按照螺旋次序，依次对当前第i个图像块xi进行独立观测，每个图像块均使用相同的观测矩阵ΦB，当前图像块xi的测量值yi＝ΦB·xi，随后对yi执行测量值的多方向预测。目标图像的第1个图像块不存在预测值，因此采用固定均值预测，第1个图像块的所有像素值均设定为128。其中，观测矩阵ΦB可采用高斯随机矩阵或其它任一种观测矩阵。

步骤(2)、根据当前图像块的螺旋次序，多方向预测：首先选择可用的自适应候选块，然后计算当前图像块与各候选块的相关度，选择具有最大相关度的候选块，并获得该候选块的重构测量值yi^p，将当前图像块的测量值yi减去候选块的重构测量值yi^p，得到最优的预测残差：di＝yi-yi^p；其中，自适应候选块是指从当前图像块的八邻域中选取一个或多个相邻的已编码块，相关度可采用向量相关系数等度量准则。

步骤(3)、对当前图像块最优的预测残差进行量化输出，获得量化值qi＝Q[di]；该步骤中，当前图像块的预测残差可采用标量量化或矢量量化，并形成熵编码的码流，随后判断当前图像块是否为目标图像内的最后一个图像块，如果是则结束循环，反之则返回到步骤(1)。

步骤(4)、对QBCS测量端的量化值进行反量化，得到当前图像块的重构残差di^r＝Q^-1[qi]；

步骤(5)、重构残差di^r与候选块的重构测量值yi^p相加得到当前图像块的重构测量值yi^r＝yi^p+di^r，随后进行缓存，为后续块的测量值预测做准备，以此类推。

下面通过一个具体的实施例来进一步说明本发明。

在QBCS系统中，测量端准备获取一幅大小为W×H像素的目标图像x，其中，W是目标图像的宽度，H是目标图像的高度。整个图像x进行分块处理，划分为N＝(W×H)/b²个互不重叠的、大小均为b×b像素的块，N代表该幅图像所有块的总数，b代表每个块边长的像素数。S为设定的QBCS采样率，即观测矩阵行数和列数的比值。观测矩阵ΦB是一个M×b²大小的高斯随机矩阵，其中是均匀分配到每个块的测量数，符号表示对符号内的数取不大于它且最接近于它的整数。针对整幅图像x的观测矩阵Φ可以表示为：Φ＝diag([ΦB,ΦB,…,ΦB])。由于QBCS依次对每个块独立地进行观测，不但减小了运算复杂度，而且因为只需要存储ΦB，而不必存储整个Φ，故减少了测量端的存储量。按照本发明所提的螺旋次序，测量端逐块进行观测，每一个图像块均使用相同的观测矩阵ΦB。若每个块按行拉成1维列向量，即将每个块排列为b²×1的列向量，i代表块的索引，i∈{1,2,…,N}，令xi代表对第i个块进行矩阵转换得到的一维向量，长度为b²，则第i个块xi的输出可以表示为：yi＝ΦB·xi，其中，yi是xi的测量值向量，大小为M×1。由于图像中相邻块具有较强的相关性，相邻块在观测域中也存在很强的相关性，故引入测量值预测可以消除测量值向量的冗余。对于目标图像中的N个块，其测量值预测的先后次序和残差计算机制会影响最终的恢复质量。

本发明所提螺旋式逐块测量值预测方法首先处理目标图像最中心的第1个块的测量值，以该中心块为起点，后续的块按照由内向外一个接一个的螺旋次序进行测量值的多方向预测，以此类推。在目标图像内，螺旋次序大致呈现出从内层块到外层块的趋势。图1给出了螺旋次序的示意图，图中显示了含有N＝64个块的图像进行螺旋式逐块测量值预测的一个例子，图中每个方框内的数字表示该块的螺旋次序，方框内的数字越小，表示该块越早执行多方向预测。在目标图像中，第1个块采用固定均值预测，从第2个块开始用自适应候选块的重构测量值进行预测估计。

在螺旋式逐块测量值预测过程中，当前图像块的邻域存在八个等间隔角度的预测方向，图2是八邻域的示意图，如图中箭头所示，可能存在8个邻域块(a、b、c、d、e、f、g、h)，每个邻域块对应一种预测方向。所提方法在当前图像块的八邻域中自适应地选择已编码的候选块，对于给定的当前图像块，最多有四种预测方向可用。图3给出了自适应候选块的各种可能情形，这些候选块是从当前图像块(C)周围的八个邻域块(l、r、u、d、lu、ru、ld、rd)中自适应选择的。无论当前图像块在第一行或最后一行、还是在第一列或最后一列，所提方法都能利用自适应候选块进行预测估计。

螺旋式逐块测量值预测的基本流程如图4所示，在对目标图像进行逐块观测和码流生成的过程中，同时进行测量值预测。当前块所对应的自适应候选块由八邻域的一个或多个已编码块构成。基于自适应候选块，所提方法利用其中各候选块的重构测量值对当前块的测量值进行预测，计算当前块测量值与各候选块重构测量值的相关度，选择具有最大相关度的候选块，通过实际测量值减去该候选块的重构测量值获得最优的预测残差，随后对其进行量化与反量化，将反量化后的预测残差和对应的预测值相加，用作后续块的测量值预测；同时，对预测残差进行标量量化或矢量量化，对量化后的数据进行熵编码，产生二进制比特序列，对比特数据进行存储或传输。重构端在收到量化后的码流数据后，可采用任意一种图像重构算法进行恢复。

不难发现，本发明基于螺旋次序逐一地对自适应候选块进行多方向预测，采用自适应的块预测模式，不需要将信号分布作为先验知识，在相同边带信息下充分利用了邻域块测量值之间的相关性，有效解决了大量边缘块无法进行测量值预测的问题，并使得图像块能更充分地利用空域相关性。所提方法在保持测量端低复杂度的前提下，能够有效降低码率，使QBCS系统获得更好的率失真性能。