[發(fā)明專利]重要度驅(qū)動的紋理壓縮方法

有效

• 申請?zhí)枺?/td>: 201310076875.5
• 申請日: 2013-03-11
• 公開（公告）號: CN103198495A
• 公開（公告）日: 2013-07-10
• 發(fā)明（設(shè)計）人: 湯穎;周展;范菁
• 申請（專利權(quán)）人: 浙江工業(yè)大學
• 主分類號: G06T9/00
• 分類號: G06T9/00
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵;黃美娟

1.重要度驅(qū)動的紋理壓縮方法，由兩個部分組成：紋理圖像壓縮和解壓。在壓縮過程中，對于輸入的紋理首先計算其控制圖和重要度信息圖，然后使用重要度驅(qū)動紋理壓縮算法對原紋理進行壓縮得到相應的壓縮后紋理和控制圖；在解壓階段，類似于圖像類比，將壓縮后的控制圖和壓縮后紋理以及原控制圖分別作為輸入，經(jīng)圖像類比得到解壓后的紋理輸出圖；具體步驟如下：

步驟一、控制圖計算

本發(fā)明的所有控制圖都為原圖的灰度圖，灰度圖很好地保存了原圖的亮度細節(jié)；采用YIQ計算模型將原圖（彩色圖）轉(zhuǎn)換為灰度圖，該模型中Y代表亮度，即所需要的灰度信息，I代表色調(diào)，Q代表飽和度。根據(jù)相應的模型轉(zhuǎn)化矩陣，將RGB轉(zhuǎn)化成Y的計算公式如公式（1）：

Y=0.299R+0.587G+0.114B????(1)

其中R,G,B分別為紅綠藍三色。

步驟二、重要度圖計算

紋理的重要度信息直接影響了算法的最終結(jié)果。為了得到更好的重要度信息，我們首先計算圖像的顯著性圖，該顯著性圖與原圖分辨率一致?；赟aliency?Filters算法計算顯著性圖：首先對圖像進行抽象化，即保留圖像相關(guān)的結(jié)構(gòu)特征，去除圖像一些不需要的細節(jié)特征；然后計算出圖像中具有唯一性的元素和顏色等底層信息的分布；最后綜合這兩者信息來得到顯著性圖saliency。

假設(shè)輸入圖像為X，本發(fā)明采用公式（2）計算重要度圖中每個像素的重要度值w(x,y)：

w(x,y)=k·saliency(x,y)+|∂∂xI(x,y)|+|∂∂yI(x,y)|)---(2)]]>

(修改說明：把原公式（2）改為上述公式（2）)

其中saliency(x,y)為像素(x,y)處的顯著性值，k是顯著性信息的權(quán)重，通常k=1能取得理想的效果；I(x,y)為圖像像素(x,y)處的亮度，方程后兩項和為像素(x,y)處梯度值x方向分量和y方向分量的絕對值。進一步，我們對公式（2）計算出的重要度值進行歸一化，使得重要度圖中每個像素的值的范圍在[0,1]之間。w(x,y)的值越大，其對應的像素的重要度越高。

步驟三、重要度驅(qū)動的紋理壓縮

在得到重要度圖和控制圖之后，對原圖和控制圖進行壓縮；

本方法中紋理壓縮被定義成能量函數(shù)優(yōu)化問題，該能量函數(shù)計算原圖所有的像素鄰域與壓縮后圖像的像素鄰域的雙向相似性；對于輸入圖X（它可以是原圖或控制圖），它與壓縮目標圖Z之間考慮了重要度信息的能量函數(shù)如公式(4)所示.

其中z/x為Z/X的樣本值,q/p分別為Z/X的子集Z⁺/X⁺中的像素點位置，x_p/z_q表示p/q點為中心的空間鄰域，z_p/x_q是Z/X中與x_p/z_q最相似的鄰域,α是用戶可調(diào)的權(quán)重值，當α=0.01時適合于絕大多數(shù)紋理；為p點鄰域x_p的重要度權(quán)重，計算圖像一個區(qū)域的重要度方法有很多，如取鄰域內(nèi)所有像素權(quán)重的最小/大值、中值或均值等，我們?nèi)∠袼貦?quán)重均值作為鄰域x_p的重要度;用同樣方法計算區(qū)域x_q的重要度；|·|²計算兩個鄰域之間的距離，通過對鄰域內(nèi)對應像素顏色差的平方求和來計算兩個鄰域之間的距離。

公式(3)的能量函數(shù)由兩項相加組成，這兩項形式相似，但是計算功能不同；

第一項稱為inverse項，確保了輸入圖像X中的每一個鄰域x_p在Z中能找到與之相似的z_p;第二項稱為forward項，它保證了Z中沒有一個新的z_q不與X中的任何x_q相似；

基于公式（3），下面推導出計算目標紋理Z中每一個像素q處顏色值的方法。對于目標紋理中的每一個像素q∈Z，它對整體能量值的貢獻也包含對于forward和inverse兩項的計算，具體貢獻值可由如下步驟得到：

(1)像素q對forward項的貢獻

表示在目標圖Z中所有含有像素q的鄰域（其中q₁,...,q_m為鄰域的中心點，注意這里q₁,...,q_m需經(jīng)過相應的偏移才能得到q），m值為鄰域的個數(shù)，它與我們選擇的鄰域大小相關(guān)，當鄰域大小為5x5時，m=25（本發(fā)明中,高斯金子塔的每一層有2組不同大小的鄰域，分別為17x17,9x9）。鄰域在X中的最近鄰為表示中與中的q相對應的像素位置(如圖2所示)。這樣，q對forward?term的貢獻值為（其中w(·)為像素的重要度值，I_X(),I_Z()分別給出輸入圖X和目標圖Z的像素顏色值，下同）；

(2)像素q對inverse項的貢獻

為X中的鄰域并且這些鄰域在Z中的最近鄰域為包含q的鄰域，其中n為鄰域的個數(shù)，不同于上面的m值，n值的大小不是固定，隨著q的不同而不同。像素p₁,...,p_n為鄰域的中心點，它們同樣經(jīng)過相應的偏移得到像素點這些像素點與Z中像素q相對應（如圖2）。這樣我們可得q對inverse?term的貢獻值有1Σp∈X+wxpΣj=1nw(p‾j)(IX(p‾j)-IZ(q))2;]]>

綜述所述，單個像素q的能量為上述forward項和inverse項之和，具體計算如下：

Energy(IZ(q))=]]>

1Σp∈X+wxpΣj=1nw(p‾j)(IX(p‾j)-IZ(q))2+αΣq∈Z+wxqΣi=1mw(p⩓i)(IX(p⩓i)-IZ(q))2---(4)]]>

可以通過求解Energy(I_Z(q))的最小值來求解像素q處的顏色值。將方程關(guān)于I_Z(q)求導并等于0，可得I_Z(q)的解為：

IZ(q)=1Σp∈X+wxpΣj=1nw(p‾j)IX(p‾j)+αΣq∈Z+wxwqΣi=1mw(p⩓i)IX(p⩓i)1Σp∈X+wxpΣj=1nw(p‾j)+αΣq∈Z+wxqΣi=1mw(p⩓i)---(5)]]>

(3)能量優(yōu)化方法

基于公式(5)求解I_Z(q)的迭代能量優(yōu)化步驟為：

step1:對于每一個目標像素q∈Z在輸入圖X中搜索到與其鄰域z_q最相似的鄰域x_q。將x_q中像素的顏色值乘該像素的重要度權(quán)重并且乘以權(quán)重之后將計算得到的值投票給z_q中相應的像素；

step2:與step1相反，對于每一個像素p∈X在Z中搜索到與其鄰域x_p最相似的鄰域z_p。將x_p的像素顏色值乘該像素的重要度權(quán)重并乘,之后將計算得到的值投票給z_p中相應的像素；

step3:對于每一個目標像素q∈Z對于其所有的投票之和求平均值，即除以得到新的I_z(q)；

重復step1,step2,step3直至收斂。

步驟四、基于圖像類比的解壓

給定一對圖片A和A’(分別對應原圖的和對其進行一定處理之后生成的圖)，輸入另一張未處理的目標圖B，通過圖像類比方法計算得到一張新的圖B’，使得：

A:A'::B:B'

即B’和B的關(guān)系與A’和A的關(guān)系相似。圖像類比算法能夠?qū)W習A和A’之間的關(guān)系，并將學習的結(jié)果應用于生成B’。這里我們將它應用于壓縮數(shù)據(jù)的解壓。

我們將壓縮后的控制圖以及壓縮后的紋理分別對應于圖像類比中的A和A’,并且將原控制圖作為B,使用圖像類比合成新的B’，B’即為解壓縮結(jié)果圖像。

通過圖像類比算法恢復出原圖，從而得到解壓后的結(jié)果。