[發明專利]一種結合字典學習和圖像分塊的感知壓縮方法

在審

• 申請號: 201711086754.3
• 申請日: 2017-11-07
• 公開（公告）號: CN107888915A
• 公開（公告）日: 2018-04-06
• 發明（設計）人: 種衍文;潘少明;馮宗偉;鄭煒玲;李紅
• 申請（專利權）人: 武漢大學
• 主分類號: H04N19/124
• 分類號: H04N19/124;H04N19/13;H04N19/91;H04N19/97;H04N19/176;H04N19/90;H04N19/70;H04N19/60
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 魏波

1.一種結合字典學習和圖像分塊的感知壓縮方法，其特征在于，包括以下步驟：

步驟1：定義S＝ΦX,s.t.||S_i||₀≤p-l；通過限定s_i的l₀范數小于p-l從而實現信號的稀疏表示過程；

其中X為待稀疏表示的圖像信號集，Φ為當前的解析字典，S則為圖像信號集X在當前解析字典Φ下的稀疏表示系數矩陣，s_i為稀疏系數矩陣中的列向量，p為s_i的行數，l為s_i中零的個數又稱為共稀疏度；l₀為范數，即s_i中非零元素的個數；

步驟2：對測試圖像在解析字典下進行稀疏表示；

步驟3：對稀疏系數基于量化熵編碼進行壓縮編碼；

步驟4：將編碼后的信息傳輸到解碼端。

2.根據權利要求1所述的結合字典學習和圖像分塊的感知壓縮方法，其特征在于，步驟1中解析字典的獲取包括以下子步驟：

步驟1.1：訓練解析字典；

對訓練圖像數據進行分塊處理，利用大小相等B*B的模板塊對圖像進行分塊，獲得分塊后的數據X?！蔙^d×L，其中，d＝B*B，L為圖像分塊后的個數，其值為圖像總體大小除以分塊大小獲得；

步驟1.2：用解析字典算法獲取所需字典。

3.根據權利要求2所述的結合字典學習和圖像分塊的感知壓縮方法，其特征在于，步驟1.2的具體實現包括以下子步驟：

步驟1.2.1：初始化參數；

迭代次數t＝1，最大迭代次數K＝50，冗余誤差ε，初始化字典Φ₀，令Φ¹＝Φ₀；

步驟1.2.2：計算數據在當前字典下的稀疏表示系數：S^t＝Φ^tX^Γ；S^t表示S的轉置，Φ^t表示Φ的轉置；

步驟1.2.3：利用MOD算法獲取字典：Φ^t+1←Φ^t；

步驟1.2.4：計算誤差因子值r＝||S-ΦX||₂+||Φ-¹Φ-I||₂，Φ^-1表示Φ的偽逆，I表示單位矩陣；

步驟1.2.5：判斷；

若r≥ε且迭代次數t≤K，則t＝t+1，并回轉執行步驟1.2.2-步驟1.2.4；

否則結束迭代過程；

步驟1.2.6：獲得最終的解析字典Φ＝Φ^t。

4.根據權利要求1所述的結合字典學習和圖像分塊的感知壓縮方法，其特征在于，步驟3的具體實現包括以下子步驟：

步驟3.1：對測試圖像數據進行分塊處理，利用大小相等B*B的模板塊對圖像進行分塊，獲得分塊后的數據其中，d＝B*B，L₁為圖像分塊后的個數，其值為圖像總體大小除以分塊大小獲得；

步驟3.2：對數據進行稀疏表示獲取稀疏表示系數矩陣S；

步驟3.3：對稀疏系數進行最優化選擇，選擇依據為獲得最優化稀疏系數矩陣

步驟3.4：計算最優化稀疏系數矩陣中非0項的個數N，則壓縮比R＝N/圖像尺寸。

5.根據權利要求4所述的結合字典學習和圖像分塊的感知壓縮方法，其特征在于，步驟4的具體實現包括以下子步驟：

步驟4.1：利用編碼端的最優稀疏系數矩陣由獲取重構的分塊數據，Φ_Λ為Φ_Λ的偽逆，Φ_Λ是由步驟3.3中選擇最優化系數，將最優化系數的所對應的原子空間提出出來作為當前數據重建端的字典；

步驟4.2：對分塊數據進行分塊恢復獲取最終重建圖像