[發明專利]重要度驅動的面向全局冗余圖像壓縮方法

有效

• 申請號: 201310285882.6
• 申請日: 2013-07-08
• 公開（公告）號: CN103366384A
• 公開（公告）日: 2013-10-23
• 發明（設計）人: 湯穎;汪斌;范菁
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06T17/00
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.重要度驅動的面向全局冗余圖像壓縮方法,詳細步驟如下：?

步驟1，基于圖像重要度計算塊匹配誤差系數：圖像塊的重要度和圖像塊自相似匹配誤差系數一一對應。我們用E_i表示每個圖像塊B_i的自相似匹配誤差系數。要計算E_i，首先需要計算圖像的重要度圖。我們使用Saliency?Filters算法計算圖像的重要度圖：首先對圖像進行超像素分割，保留相關結構特征，并剔除一些不必要的細節特征，然后計算元素的唯一性和空間分布，最后將二者結合起來得到圖像的重要度圖。重要度圖是一個和原圖分辨率大小一致的灰度圖，越重要的區域像素亮度值越大，否則反之。下面給出如何根據重要度圖計算每個圖像塊的自相似匹配誤差系數：?

a.計算每個圖像塊的重要度（blockSaliency）：?

其中blockSaliency_i表示第i個圖像塊的重要度值，gray_x,y表示重要度圖中像素(x,y)的灰度值，x,y為像素在圖像塊內的坐標值，x,y的取值范圍為[1,16]，即塊的大小為16×16。由公式（1）可知，塊重要度等于此圖像塊內所有像素的灰度值之和。?

在計算完所有圖像塊的重要度后，分別找到所有圖像塊中具有最大重要度（maxSaliency）和最小重要度（minSaliency）的圖像塊。?

b.計算圖像塊匹配誤差系數：圖像塊自相似匹配誤差系數越小，則表示圖像塊匹配越精確。圖像中重要度越高的區域，它所匹配到的圖像塊應越精確。因此圖像塊的重要度和誤差系數成反比關系，即圖像塊的重要度越大，誤差系數越小。對于重要度最大的塊，我們將其誤差系數設為2，對于重要度最小的塊，其誤差系數設為6.25。首先對所有圖像塊的重要度進行歸一化，即：?

minSaliency表示所有塊中最小的重要度值，maxSaliency表示所有塊中最大的重要度值。對于上述取值范圍在[0,1]之間的blockSaliency值我們將其線性映射到[0.16,0.5]范圍內(公式(3))；然后對線性映射后的blockSaliency值取倒數(公式(4))，即得到每個圖像塊的自相似匹配誤差系數E_i，它的取值范圍是[2,6.25]。?

blockSaliency_i=blockSaliency_i*0.34+0.16?????（3）?

步驟2，圖像自相似塊查找：我們使用Kanade-Lucas-Tomasi(KLT)feature?tracker來查找每個塊的自相似塊。KLT是計算機視覺中特征跟蹤匹配的公知技術，它可以處理仿射變換，且速度較快。對于每一個圖像塊B_i，我們設定KLT匹配算法誤差系數為E_i，其中E_i就是上面求得的圖像塊自相似匹配誤差系數。為了通過KLT匹配技術在全局圖像區域找到當前塊的所有相似塊，我們在圖像x,y方向每平移4個像素單位即調用KLT算法進行匹配。KLT算法只能找到小幅度旋轉變換范圍內的匹配塊，需要設置較好的旋轉角度初值。我們使用公式（5）計算待匹配塊相對當前塊的旋轉角度初值θ_guess，該值由兩個區域的方向直方圖來計算：?

其中B_i為當前塊，S_j為待匹配塊，H_orient(θ,X)是X在θ方向的方向直方圖，θ′為旋轉角度變量。?

步驟3，創建圖像摘要圖：在上述相似塊查找的基礎上，我們使用一種貪心算法來建立摘要圖E，使得一個摘要圖能夠盡量多地重建原圖的區域。假設I^E表示摘要圖E所能重建?的區域。我們在原圖中找到一片區域ΔE加入到當前的摘要圖，使得式（6）定義的Benefit最大，即加入ΔE后新增的重建區域面積減去ΔE本身的面積的值最大：?

Benefit(ΔE)=|I^E+ΔE/I^E|-|ΔE|?????（6）?

下面闡述怎樣找到這樣的區域ΔE加入到當前的摘要圖中：?

首先要計算每個圖像塊B_j的覆蓋集Cover(B_j)。如果原圖中的塊B_i的匹配區域和B_j有重疊部分，那么就把這些匹配區域集合起來作為Cover(B_j)。再定義一個塊集合C_j，它表示包含Cover(B_j)的圖像塊（4×4像素）的集合。?

接下來我們把所有塊B_i對應的C_i/E，C_i去除和原有摘要圖相交的部分，作為ΔE。在選擇ΔE加入到現有摘要圖中時，優先考慮那些和現有摘要圖相交的ΔE，使用其中Benefit最大的ΔE來增長現有摘要圖。當所有和原有的摘要圖相交的ΔE的Benefit都等于0的時候，使用新的Benefit最大的和其它摘要圖不相交的ΔE作為一個新的摘要圖。這個步驟進行直到重建區域覆蓋全圖為止。?

建立摘要圖的算法如下：?

步驟4，組裝摘要圖：上一步中計算出來的每一個摘要圖分布在原圖中的各個區域，我們要用一種有效的方法將這些大小不一的摘要圖組裝在一起，使得組裝后的摘要圖面積盡可能小。這里采用一種啟發式算法，該算法在摘要圖E中逐個加入每一個小的摘要圖，在增加一個新的摘要圖的時候，使構造的E的面積增加最小。?

組裝摘要圖的步驟如下：?

a.計算每一個小的摘要圖的矩形閉包Pi（如圖3中的P1、P2、P3、P4、P5所示），Pi由圖像塊（4×4像素）組成。?

b.將得到的每個矩形區域Pi按所占格子數大小排序。?

c.首先將最大的P1作為初始組裝摘要圖，接下來遍歷后面的每一個Pi，在組裝摘要圖中找到合適的位置，使得Pi加入到組裝的摘要圖中以后，其增加面積最小。尋找合適位置的方法如下：假設當前已經組裝的摘要圖為unionPart，待組裝的矩形區域Pi為newPart，它們的大小分別為x1×y1和x2×y2。按下面的方式遍歷unionPart，找到一個合適位置，使得newPart放到該位置時不會和unionPart相交，且新增面積最小：?

。