[0016] 下面结合附图和实施例对本发明作进一步说明。
[0017] 本发明主要针对压缩重建的重建进行算法创新,对于图模型的构造进行了详细的分析,探索了图像内部像素的自相似性和拓扑特性,详细的算法处理步骤如下:
[0018] 步骤1:设置QP因子,对测试图像X进行压缩得到压缩后待处理的图片X',并将压缩后的图片X'与原始的测试图像X的PSNR值进行比较;
[0019] 步骤2:将压缩后的图片X'分成若干个重叠小块,对于每个小块构造相似块组,并进行平均;
[0020] 步骤3:将待重建的压缩平均块中的每一个像素看成是一个节点,构造对应的图模型;
[0021] 步骤4:将图作为正则项,将原始块与待重建的压缩平均块的偏差作为二次项,对表达式进行凸优化处理求解;
[0022] 步骤5:对每个重叠小块处理完后,采用加权平均对图片进行更新,得到压缩重建后的图片Y,并计算原始图片与处理完后的图片的PSNR值,并与传统图像压缩感知方法进行比较。
[0023] 步骤1具体实现过程如下:
[0024] 1‑1.压缩编码:
[0025] 首先对测试图像X进行分块,分成10×10的不重叠小块,对于测试图像X中的每一个小块进行离散余弦变换(DCT),将测试图像X中每一个小块变换到频率域;
[0026] 然后设置QP为5进行量化操作得到具体的量化矩阵;
[0027] 最后采用Huffman编码规则对量化后的每一个小块进行编码操作。
[0028] 所述的QP的设置是经过多次调试得出的最优QP值,而10×10的重叠小块可以进行相应的更改,为了方便快速压缩,将小块设得稍大了些;
[0029] 1‑2.解码合并:
[0030] 对每一个小块进行编码之后,需要对这些小块进行解码;
[0031] 首先通过解码器对测试图像X中的小块进行解码;
[0032] 接着用反DCT变换将测试图像X中的小块从频率域转回空间域;
[0033] 最终对于这些空间域的小块进行合并,合并成压缩后的图像X'。
[0034] 1‑3.计算压缩的峰值信噪比(PSNR)值:
[0035] 峰值信噪比是衡量图像之间相似度的一个重要比较标准,其主要以像素计算了像素间的总体偏差,并使用log函数进行计算,具体的计算公式如下:
[0036]
[0037] 公式中,m和n分别是图像的长和宽,t是图像的比特数,一般为8位,MSE为两图像之间的偏差。对原始测试图像X与压缩后的图片X'进行PSNR值计算,并记为PSNR1,通过PSNR1的值来判断通过压缩编码和解码合并的压缩效果。
[0038] 步骤2具体实现如下:
[0039] 将压缩后的图片X’划分重叠的5×5小块,重叠的间隔为3,设置重叠小块进行处理的原因是最后得到的处理效果会更好。对于压缩后的图片X'中的每一个小块,在局部的搜索窗10×10的搜索窗内使用KNN算法找到K个与其相似的小块,并对对应像素进行平均操作,得到平均的大小为5×5平均块,然后对每一个重叠小块对应的平均块进行处理。
[0040] 步骤3具体实现如下:
[0041] 将平均的大小为5×5平均块拉长成为一个25×1的列向量,将平均块中每一个像素看成是一个节点,构造Graph模型,Graph模型的构造方式如下:
[0042] Graph模型由G=(V,E,W)表示,其中V是由N个节点组成的边,E是由多个边构成的加权边缘,W是加权邻接矩阵。加权邻接矩阵的构造是构造图模型的关键,关于邻接矩阵的定义可以参照图1,邻接矩阵的含义表示的是节点与节点之间是否有直接的联系。加权邻接矩阵W的值表示的是节点与节点之间联系的程度,值越大,有联系的程度越大。图模型一般是可以由图拉普拉斯矩阵L表示,L封装了图的内部结构,L的计算方式是由W决定,非加权邻接矩阵的定义可参照图1,具体的计算公式如下:
[0043]
[0044] 将拉长的25×1的列向量x的每一个像素看成是一个节点,通过计算节点与节点间的距离采用一个阈值的高斯核来构造加权矩阵:
[0045]
[0046] 通过公式(2)‑(5),即可构造出封装了图的内部结构的图拉普拉斯矩阵,图用拉普拉斯矩阵进行表示的方式如下:
[0047] ||xG||2=tr(xTLx) (4)
[0048] 步骤4具体实现如下:
[0049] 对于图像中压缩后的每一个重叠小块,将图作为正则项,压缩后的小块和重建后的小块的偏差的二次项作为正则项,构造方程进行重建:
[0050]
[0051] 其中,x是压缩后的小块的向量形式,y是重建后的小块的向量形式,通过对此方程采用凸优化工具,在Matlab中进行求解,并将重建后的25×1的向量形式转换为5×5的矩阵形式,最终得到压缩感知重建后的每一个重叠小块。
[0052] 步骤5具体实现过程如下:
[0053] 图像更新的原理是统计重叠处的像素用到的次数,并进行相应的平均,即采用了加权平均的方法进行操作,得到由各重叠小块处理后的压缩重建图Y,并将压缩重建图Y与原始测试图像X进行峰值信噪比计算,记为PSNR2,并在由原始测试图像X和压缩图片X'对应的PSNR1前提下,将PSNR2于其他经典的压缩重建方法对应的峰值信噪比值进行比较。
[0054] 得出的结果是采用图模型是采用基于图模型的压缩感知方法要优于一般的图像压缩感知方法。