[发明专利]重要度驱动的面向全局冗余图像压缩方法

摘要

重要度驱动的面向全局冗余图像压缩方法，分四个步骤：第一步基于图像重要度计算图像块的自相似匹配误差系数；第二步计算每个图像块的自相似匹配块；第三步创建图像摘要图；第四步对摘要图进行组装。

主权项

1.重要度驱动的面向全局冗余图像压缩方法,详细步骤如下： 步骤1，基于图像重要度计算块匹配误差系数：图像块的重要度和图像块自相似匹配误差系数一一对应。我们用E_i表示每个图像块B_i的自相似匹配误差系数。要计算E_i，首先需要计算图像的重要度图。我们使用Saliency Filters算法计算图像的重要度图：首先对图像进行超像素分割，保留相关结构特征，并剔除一些不必要的细节特征，然后计算元素的唯一性和空间分布，最后将二者结合起来得到图像的重要度图。重要度图是一个和原图分辨率大小一致的灰度图，越重要的区域像素亮度值越大，否则反之。下面给出如何根据重要度图计算每个图像块的自相似匹配误差系数： a.计算每个图像块的重要度（blockSaliency）： 其中blockSaliency_i表示第i个图像块的重要度值，gray_x,y表示重要度图中像素(x,y)的灰度值，x,y为像素在图像块内的坐标值，x,y的取值范围为[1,16]，即块的大小为16×16。由公式（1）可知，块重要度等于此图像块内所有像素的灰度值之和。 在计算完所有图像块的重要度后，分别找到所有图像块中具有最大重要度（maxSaliency）和最小重要度（minSaliency）的图像块。 b.计算图像块匹配误差系数：图像块自相似匹配误差系数越小，则表示图像块匹配越精确。图像中重要度越高的区域，它所匹配到的图像块应越精确。因此图像块的重要度和误差系数成反比关系，即图像块的重要度越大，误差系数越小。对于重要度最大的块，我们将其误差系数设为2，对于重要度最小的块，其误差系数设为6.25。首先对所有图像块的重要度进行归一化，即： minSaliency表示所有块中最小的重要度值，maxSaliency表示所有块中最大的重要度值。对于上述取值范围在[0,1]之间的blockSaliency值我们将其线性映射到[0.16,0.5]范围内(公式(3))；然后对线性映射后的blockSaliency值取倒数(公式(4))，即得到每个图像块的自相似匹配误差系数E_i，它的取值范围是[2,6.25]。 blockSaliency_i=blockSaliency_i*0.34+0.16     （3） 步骤2，图像自相似块查找：我们使用Kanade-Lucas-Tomasi(KLT)feature tracker来查找每个块的自相似块。KLT是计算机视觉中特征跟踪匹配的公知技术，它可以处理仿射变换，且速度较快。对于每一个图像块B_i，我们设定KLT匹配算法误差系数为E_i，其中E_i就是上面求得的图像块自相似匹配误差系数。为了通过KLT匹配技术在全局图像区域找到当前块的所有相似块，我们在图像x,y方向每平移4个像素单位即调用KLT算法进行匹配。KLT算法只能找到小幅度旋转变换范围内的匹配块，需要设置较好的旋转角度初值。我们使用公式（5）计算待匹配块相对当前块的旋转角度初值θ_guess，该值由两个区域的方向直方图来计算： 其中B_i为当前块，S_j为待匹配块，H_orient(θ,X)是X在θ方向的方向直方图，θ′为旋转角度变量。 步骤3，创建图像摘要图：在上述相似块查找的基础上，我们使用一种贪心算法来建立摘要图E，使得一个摘要图能够尽量多地重建原图的区域。假设I^E表示摘要图E所能重建 的区域。我们在原图中找到一片区域ΔE加入到当前的摘要图，使得式（6）定义的Benefit最大，即加入ΔE后新增的重建区域面积减去ΔE本身的面积的值最大： Benefit(ΔE)=|I^E+ΔE\I^E|-|ΔE|     （6） 下面阐述怎样找到这样的区域ΔE加入到当前的摘要图中： 首先要计算每个图像块B_j的覆盖集Cover(B_j)。如果原图中的块B_i的匹配区域和B_j有重叠部分，那么就把这些匹配区域集合起来作为Cover(B_j)。再定义一个块集合C_j，它表示包含Cover(B_j)的图像块（4×4像素）的集合。 接下来我们把所有块B_i对应的C_i\E，C_i去除和原有摘要图相交的部分，作为ΔE。在选择ΔE加入到现有摘要图中时，优先考虑那些和现有摘要图相交的ΔE，使用其中Benefit最大的ΔE来增长现有摘要图。当所有和原有的摘要图相交的ΔE的Benefit都等于0的时候，使用新的Benefit最大的和其它摘要图不相交的ΔE作为一个新的摘要图。这个步骤进行直到重建区域覆盖全图为止。 建立摘要图的算法如下： 步骤4，组装摘要图：上一步中计算出来的每一个摘要图分布在原图中的各个区域，我们要用一种有效的方法将这些大小不一的摘要图组装在一起，使得组装后的摘要图面积尽可能小。这里采用一种启发式算法，该算法在摘要图E中逐个加入每一个小的摘要图，在增加一个新的摘要图的时候，使构造的E的面积增加最小。 组装摘要图的步骤如下： a.计算每一个小的摘要图的矩形闭包Pi（如图3中的P1、P2、P3、P4、P5所示），Pi由图像块（4×4像素）组成。 b.将得到的每个矩形区域Pi按所占格子数大小排序。 c.首先将最大的P1作为初始组装摘要图，接下来遍历后面的每一个Pi，在组装摘要图中找到合适的位置，使得Pi加入到组装的摘要图中以后，其增加面积最小。寻找合适位置的方法如下：假设当前已经组装的摘要图为unionPart，待组装的矩形区域Pi为newPart，它们的大小分别为x1×y1和x2×y2。按下面的方式遍历unionPart，找到一个合适位置，使得newPart放到该位置时不会和unionPart相交，且新增面积最小： 。