[发明专利]基于梯度特征统计与非迭代收缩填充的空域错误隐藏方法

说明书

技术领域

本发明涉及图像通信技术领域，特别是涉及一种基于梯度特征统计与非迭代收缩填充的空域错误隐藏方法。

背景技术

大多数自然图像具有局部相关性，空域错误隐藏通常利用相邻块的信息来预测丢失块。Sun等人利用凸集投影(POCS)来恢复受损图像区域，通过边缘连续性和平滑性等先验知识来预测受损块的信息。Shirani等人利用马尔科夫随机场(MRF)来建模自然图像的局部相关性，这可能导致过度平滑的恢复效果。快速的空域错误隐藏方法大都依赖内插机制。作为分块编码标准默认的空域错误隐藏方法，双线性内插(BI)方法利用在两个方向上的四个邻域像素进行加权插值，垂直或水平插值难以恢复多方向的边缘信息，因而BI方法仅能较好地恢复平滑区域却难以恢复更为复杂的图像结构信息。由于边缘结构比单一纹理在视觉上更为重要，边缘导向的内插方式能够较好地利用丢失块的邻域信息。内容自适应内插(CAD)方法将每个丢失块归为以下三种类型之一：边缘块、纹理块、一致块，然后分别采用不同的加权方式来恢复相应的丢失块。对于存在强边缘的丢失块，视觉清晰内插(VC)方式有助于进一步增强边缘信息，然而想要找到所有边缘的准确位置是非常困难的。当丢失块存在多个边缘或者出现连续块丢失的情形时，边缘导向的内插方法可能失去效果。

因此，一些自适应的预测器被提出来。在序贯恢复框架下，方向自适应预测(OAI)方法按光栅扫描次序估计丢失块在不同方向上的像素相关性，然后对邻域像素值与相关性系数进行加权叠加，系数矢量长度在整个预测过程中是固定的。稀疏线性预测(SLP)方法采用自适应的系数矢量长度，通过预测系数的稀疏约束来选择一个尽量小的邻域像素集合。类似地，阶数自适应的线性预测器(OALP)利用贝叶斯信息准则来自适应地确定预测器的阶数，更多的加权系数通常意味着更高阶的预测器，预测器阶数的增加会导致复杂度的指数级增长。这类自适应的预测器显著地增加了空域错误隐藏的计算复杂度。

在基于内核的空域错误隐藏方法中，一个图像块被建模为内核基函数的线性组合。基于块的双边滤波(BBF)方法利用一对高斯内核来增强丢失块的边缘信息，一个内核被用于测量在丢失块和可用邻域之间的相似度，另一个内核被用于测量它们的空域差异性。为了精细地重建一个丢失块，Koloda等人建议了一种基于多变量内核密度估计(MKDE)的最小均方误差估计器。作为另一种内核机制，信号延拓通过傅里叶基函数构成一个参数模型，对延拓区域进行连续的逼近。频率选择性延拓(XFSE)方法利用大多自然图像具有低通特性的先验知识，获得了一定的质量增益。作为目标移除应用的一种典型技术，图像修复机制在松散的时间约束下也可以用于解决错误隐藏问题。Chung等人建议了一种联合图像修复和空域内插(HEISI)的方法，为图像修复或者内插的选择提供了一个判决门限。

经过对同类现有技术的检索后发现，专利“一种自适应阈值的视频流多纹理方向错误隐藏方法”(授权号：2014101002339；分类号：H04N19/65)采用阈值自适应的Sobel边缘检测算子，通过检测相邻块可能的边缘方向，结合边缘像素差值成本函数自适应地确定丢失块中各个像素的插值方向，然后对各个像素进行方向插值来恢复丢失块，该方法仅适合于规则间隔丢失模式，难以应用于其它丢失模式，此外，鲁棒可靠的边缘检测在实际应用中仍然是个难题。

在空域错误隐藏应用中，每个丢失块是相对较小的，恢复目标是在复杂度约束下降低其重构误差。近几年，绝大多数代表性的错误隐藏方法都采用了耗时的迭代重构机制，虽然迭代重建过程可以通过穷举法搜索候选者，以获得更好的匹配结果，但是这一过程往往会导致一些无效的重复操作，极大地增加了计算复杂度，仅取得较少的质量增益。因此，当前错误隐藏的一个瓶颈问题是如何在计算复杂度与恢复质量之间取得一个更好的折衷。此外，许多空域错误隐藏方法只针对特定的块丢失模式进行优化，难以适应不同的丢失模式。

发明内容

本发明所要解决的技术问题是提供一种基于梯度特征统计与非迭代收缩填充的空域错误隐藏方法，以便在计算复杂度与恢复质量之间取得更好的折衷，且能处理不同的块丢失模式。

本发明解决其技术问题所采用的技术方案是：提供一种基于梯度特征统计与非迭代收缩填充的空域错误隐藏方法，包括以下步骤：

(1)在延拓区域估计丢失块的局部特征信息，获得延拓区域的梯度分布统计；

(2)按照收缩填充顺序对丢失块的像素逐一进行恢复，每一像素均采用基于梯度分布加权的多方向预测器进行估计。