[发明专利]结合视觉显著性的行星科学探测图像自适应量化编码系统

说明书

本发明公开了一种结合视觉显著性的行星科学探测图像自适应量化编码系统，部署在探测卫星上，系统包括：显著性检测模块、自适应量化参数调整模块和HEVC编码模块；其中，显著性检测模块，用于对获取的行星科学探测原始图像进行显著性检测，得到全局显著图；自适应量化参数调整模块，用于按照编码单元的尺寸对全局显著图进行划分，得到与编码单元对应的显著子图，对显著子图执行结合视觉显著性的感知量化编码策略，计算得到每个编码单元的加权量化分量和感知量化分量，进而得到每个编码单元的量化参数偏移量；HEVC编码模块，用于根据每个编码单元的量化参数偏移量，对原始图像进行HEVC帧内编码，得到压缩图像并发送至地面。

技术领域

本发明涉及计算机视觉、图像压缩技术领域，尤其涉及结合视觉显著性的行星科学探测图像自适应量化编码系统。

背景技术

行星探测过程中采集到的光学载荷数据具有极大的研究价值，获取和分析原始图像数据对于科学家进行地表地貌分析、探索未知有着十分重要的意义。原始的高分辨率图像数据量大且往往包含多种冗余信息，需要占据较大的存储和传输空间，同时复杂特殊的深空通信环境严重限制科学数据的回传速率，因此需要采取高效可靠的图像编码方案，对原始图像数据进行最大限度的在轨处理和压缩，降低数据传输量，减小传输系统的压力，提高卫星通信效率。

从信息论的角度，描述图像信源的数据由有效信息量和冗余量两部分组成，图像压缩算法的本质在于通过消除数据中存在的各类冗余信息如空域、时域、视觉、统计等实现减少数据量的目的。过去的几十年间，图像压缩编码技术一直处于快速发展之中，新技术新标准不断被更新迭代以适应于各种带宽场景的应用需求。从传统的JPEG、JPEG2000静止图像压缩标准再到支持有效图像压缩的MPEG系列、H.26X系列等视频压缩标准，预测、变换、量化、熵编码形成的混合编码框架已成为主流设计方向，各模块的更优化设计是研究的焦点。发展到现在编码性能的提升变得越来越难，研究人员开始关注基于内容的图像压缩编码，深入挖掘视觉冗余，以进一步增大压缩比例提高编码效率，实现码率较低的同时仍保证图像的主观质量。这其中一个重要的研究方向是将视觉显著性(Visual saliencydetection)与传统编码相结合的感兴趣区域(Region-Of-Interest，ROI)编码。显著性驱动的ROI编码方案一般按照以下流程，首先对输入图像进行显著性检测，然后通过调整编码参数分别控制不同区域的失真程度来改善图像的编码质量。

传统的显著性检测方法大多基于手工设计的特征描述算子，通常表征图像的低级特征，不能识别和理解图像中丰富的语义对象信息。近年来，得益于硬件算力的快速提升，以深度神经网络为代表的人工智能技术(Artificial Intelligence，AI)已被广泛应用于图像分类、物体检测、目标跟踪等视觉任务中。基于神经网络的显著性检测方法突破了传统手工特征的局限性，显示了强大的表征学习能力。

结合视觉显著性进行编码优化的方法因为不需要改变码流的语法结构，可以应用于任何视频图像压缩编码标准。这类在编码预处理阶段设计语义理解单元的ROI编码方法，考虑人眼视觉系统对图像内容感知的选择性和偏向性，能够对复杂视觉输入信息进行有效的过滤提取，从提升视觉感知效率的角度对编码过程进行优化，编码图像质量提高的同时增加了整体处理流程的复杂度，因此设计高效的图像显著性检测算法和合理的编码资源分配方法是提升编码效率的关键。

发明内容

现有的HEVC编码方案没有考虑图像内容特性的问题，本发明的目的在于克服上述现有技术缺陷，提出了涉及结合视觉显著性的行星科学探测图像自适应量化编码系统。

为了实现上述目的，本发明提出了一种结合视觉显著性的行星科学探测图像自适应量化编码系统，部署在探测卫星上，所述系统包括：显著性检测模块、自适应量化参数调整模块和HEVC编码模块；其中，

所述显著性检测模块，用于对获取的行星科学探测原始图像进行显著性检测，得到与原始图像相同尺寸的全局显著图并输入自适应量化参数调整模块；