[發(fā)明專利]一種結(jié)合字典學(xué)習(xí)和圖像分塊的感知壓縮方法

在審

• 申請?zhí)枺?/td>: 201711086754.3
• 申請日: 2017-11-07
• 公開（公告）號: CN107888915A
• 公開（公告）日: 2018-04-06
• 發(fā)明（設(shè)計）人: 種衍文;潘少明;馮宗偉;鄭煒玲;李紅
• 申請（專利權(quán)）人: 武漢大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)42222
• 代理人: 魏波

技術(shù)領(lǐng)域

本發(fā)明屬于圖像壓縮技術(shù)領(lǐng)域，涉及一種圖像壓縮方法，具體涉及一種結(jié)合字典學(xué)習(xí)和圖像分塊的感知壓縮方法。

背景技術(shù)

隨著計算機視覺技術(shù)的不斷發(fā)展，圖像作為視覺信息的載體受到廣大學(xué)者的關(guān)注。但高分辨率、高光譜影像技術(shù)的發(fā)展，給圖像傳輸及保存帶來了嚴重的挑戰(zhàn)。近年來，壓縮感知理論逐漸受到國內(nèi)外學(xué)者的廣泛關(guān)注，壓縮感知理論指出如果圖像變換域中是稀疏的或者可壓縮的時則信號可以通過少量的觀測樣本數(shù)據(jù)通過求解最優(yōu)化方法實現(xiàn)信號的高精度重構(gòu)。

圖像壓縮感知模型主要有綜合模型和解析模型兩種。綜合模型將稀疏表示的過程定義為X＝DS,s.t.||s_i||₀≤k，其中D為過完備字典，S為圖像在當前過完備字典下的稀疏表示系數(shù)矩陣，s_i為圖像X中圖像局部數(shù)據(jù)x_i所對應(yīng)的系數(shù)向量。求解最優(yōu)稀疏表示的過程中通過限定S中每個元素s_i的非零元素個數(shù)小于k，以實現(xiàn)在圖像在過完備字典D下的k稀疏表示。盡管綜合模型稀疏表示已經(jīng)發(fā)展很長時間，但是其仍處于不斷發(fā)展完善的階段。另一種模型，解析模型近幾年吸引了大量的學(xué)者關(guān)注，其又被稱為共稀疏解析模型(Cosparse analysis model)。共稀疏解析模型將稀疏表示的過程定義為S＝ΦX,s.t.||s_i||₀≤p-l，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Ω下的稀疏表示系數(shù)矩陣，s_i為稀疏系數(shù)矩陣中的列向量，p為s_i的行數(shù)，l為s_i中零的個數(shù)又稱為共稀疏度，則通過限定s_i的l₀范數(shù)小于p-l從而實現(xiàn)信號的稀疏表示過程。

由X＝DS,s.t.||s_i||₀≤k和S＝ΦX,s.t.||s_i||₀≤p-l可知，當D、Ω同為方陣時，則此刻兩者可以實現(xiàn)等價替換Φ＝D^-1，D^-1表示D的偽逆；當D、Φ同為過完備字典時，則D∈R^m×n(m＜n)，Φ∈R^p×q(p＞q)從而兩者不再是簡單的互逆過程，其兩者之間完全不同。由X＝DS,s.t.||s_i||₀≤k和S＝ΦX,s.t.||s_i||₀≤p-l可知在獲得相同維度的稀疏系數(shù)矩陣時，解析模型包含更多的子空間數(shù)量，有更加豐富靈活的表示性能。同時解析模型稀疏表示的過程通過字典與信號進行矩陣相乘求內(nèi)積的方式獲得，即S＝ΦX,s.t.||s_i||₀≤p-l，這樣相對綜合模型減少了大量的運算過程，從而提高計算效率，因此解析模型在圖像的稀疏表示及壓縮過程中將更具優(yōu)勢。基于這個原因解析模型在圖像處理中越來越受到關(guān)注。Rubinstein等在K-SVD字典學(xué)習(xí)的基礎(chǔ)上引入了Analysis K-SVD解析模型字典學(xué)習(xí)算法，算法利用稀疏編碼和字典更新交替進行的步驟學(xué)習(xí)解析字典，并驗證了算法在圖像去噪應(yīng)用的優(yōu)勢。Simon Hawe等將解析字典獲取的問題轉(zhuǎn)化為矩陣的流形優(yōu)化問題，在l_p范數(shù)最小的求解最優(yōu)化問題約束條件基礎(chǔ)上提出了幾何共軛梯度下降法，并通過實驗驗證了算法在圖像處理領(lǐng)域的優(yōu)勢與潛力。有的文獻在梯度下降的基礎(chǔ)上將稀疏觀測行列式的值作為優(yōu)化條件引入字典學(xué)習(xí)過程中，在實驗基礎(chǔ)上驗證算法在字典學(xué)習(xí)的優(yōu)勢。Martin Kiechle提出了雙峰共稀疏模型，在矩陣流型基礎(chǔ)上提出了聯(lián)合梯度下降方法獲取解析字典，同時通過實驗驗證算法在圖像重建的優(yōu)勢。隨著研究的不斷增加，解析字典學(xué)習(xí)在圖像處理中的優(yōu)勢也越來越突出。

綜上所述，目前的圖像壓縮存在以下問題：

1.使用固定字典，匹配度低，重構(gòu)效果較差；

2.采用綜合模型進行稀疏表示，計算量大，時間和內(nèi)存消耗大。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明基于解析模型學(xué)習(xí)字典在稀疏表示、圖像處理中的優(yōu)勢，同時借鑒分塊圖像處理的優(yōu)勢，提出了一種基于解析字典的分塊圖像壓縮方法，將共稀疏解析模型應(yīng)用到圖像的壓縮流程中以提高圖像的處理效率和提高圖像的重構(gòu)精度。

本發(fā)明所采用的技術(shù)方案是：一種結(jié)合字典學(xué)習(xí)和圖像分塊的感知壓縮方法，其特征在于，包括以下步驟：