[发明专利]一种联合先验模型和细节增强的图像去压缩方法

说明书

本发明公布了一种联合先验模型和细节增强的图像去压缩方法。主要包括以下步骤：针对JPEG压缩图像，建立高斯量化噪声模型构建数据项；构建基于形状自适应低秩先验和量化约束先验的去块模型；构建基于稀疏表示的细节增强方法；在最大后验框架下，建立本发明联合先验模型和细节增强的图像去压缩的优化函数；用奇异值阈值和凸二次最小化求解优化函数，重建出去压缩图像。本发明所述的图像去压缩方法重建出来的图像不仅去除了视觉上令人讨厌的块效应，并且保留有丰富的细节信息，在客观评价参数上也具有优越的性能。本发明方法是一种有效的图像去压缩方法。

技术领域

本发明涉及一种联合先验模型和细节增强的图像去压缩方法，属于图像处理领域。

背景技术

JPEG是最常用的图像压缩标准，它能在减小传输数据量的同时获得最佳的图像效果。然而，由于编码过程中的分块及独立量化，在压缩图像中通常会引入视觉上令人讨厌的块效应，严重影响图像信号的主观质量及利用价值，尤其是在低比特率情况下。图像去压缩是一种经典但仍然具有吸引力的研究领域，能在不改变原始编码标准的情况下减少压缩效应并提高图像质量。减少压缩过程中产生的块效应是一种不适定的图像逆问题。不同的图像先验与自然图像的不同结构和统计信息相关，因此可以通过低秩先验来解决去压缩效应问题。传统的低秩最小化方法可以在一定程度上去除块效应，但是它们提取的普通方块不能很有效的分离噪声和信号，容易产生模糊边缘，并在增强图像细节方面仍有改进空间。

发明内容

本发明的目的是针对现有的低秩最小化去压缩方法的不足，提出一种联合先验模型和细节增强的图像去压缩方法。

本发明提出的联合先验模型和细节增强的图像去压缩方法，主要包括以下操作步骤：

(一)针对JPEG压缩图像，建立高斯量化噪声模型构建数据项；

(二)构建基于形状自适应低秩先验和量化约束先验的去块模型；

(三)构建基于稀疏表示的细节增强方法；

(四)在最大后验框架下，建立本发明联合先验模型和细节增强的图像去压缩的优化函数；

(五)用奇异值阈值和凸二次最小化求解优化函数，重建出去压缩图像。

附图说明

图1是本发明联合先验模型和细节增强的图像去压缩方法的框图

图2是本发明与三种方法对图像“Leaves”在质量因子为10时的去压缩结果对比图

图3是本发明与三种方法对图像“Bike”在质量因子为15时的去压缩结果对比图

图4是本发明与三种方法对图像“Cameraman”在质量因子为20时的去压缩结果对比图

具体实施方式

一种联合先验模型和细节增强的图像去压缩方法主要包含以下步骤：

(一)针对JPEG压缩图像，建立高斯量化噪声模型构建数据项；

(二)构建基于形状自适应低秩先验和量化约束先验的去块模型；

(三)构建基于稀疏表示的细节增强方法；

(四)在最大后验框架下，建立本发明联合先验模型和细节增强的图像去压缩的优化函数；

(五)用奇异值阈值和凸二次最小化求解优化函数，重建出去压缩图像。

具体地，所述步骤(一)中的高斯量化噪声模型为：

其中，y表示压缩图像，x表示原始图像，e表示具有高斯分布的量化噪声，表示量化噪声方差，Q表示大小为8×8的量化矩阵，表示矩阵Q左上角九项的平均值。构建得到的数据项为：