[发明专利]基于最小量化误差准则的字典学习静态图像有损压缩方法

说明书

本发明公开了一种基于最小量化误差准则的字典学习静态图像有损压缩方法，用于解决现有静态图像有损压缩方法量化误差大的技术问题。技术方案是将稀疏系数对应索引的信息熵作为正则项加入稀疏编码的目标函数中，在使用正交匹配追踪算法选取字典原子时，通过最小化信息熵来限制字典原子的分散度，降低稀疏系数对应索引的编码代价；同时，在字典学习的过程中，通过对稀疏系数进行排序，并寻找使得稀疏系数总离差平方和最小的k惯序划分，将每个划分作为一个量化组，不同量化组之间采用不同的量化步长，同一个量化组内采用相同的量化步长，从而使最终的量化误差最小。

技术领域

本发明涉及一种静态图像有损压缩方法，特别是涉及一种基于最小量化误差准则的字典学习静态图像有损压缩方法。

背景技术

文献“Compressibility constrained sparse representation with learntdictionary for low bit-rate image compression，IEEE Transactions on Circuitsand Systems for Video Technology，2014，Vol24(10)，p1743–1757”公开了一种基于凸松弛与压缩约束的稀疏编码方法用于图像的有损压缩。该方法使用基于凸松弛的稀疏编码代替了传统的追踪匹配算法，强化了图像表示系数的稀疏性和稳定性。同时，将压缩约束加入到稀疏编码的求解过程中，将稀疏编码问题转化为范数优化问题，通过循环迭代逼近该问题的最优解，从而获得图像在给定的超完备字典上的稀疏系数。最终，通过对稀疏系数进行量化和熵编码获得低码率的压缩图像码流。文献所述方法在超完备字典上选取的字典原子分散在整个字典空间中，使得字典原子的整体信息熵较高，难以进行有效的编码压缩；另外，文献所述方法中，量化表使用K-means算法进行学习，该过程独立于字典学习过程，因此量化表无法适应学习到的超完备字典，造成量化误差变大。

发明内容

为了克服现有静态图像有损压缩方法量化误差大的不足，本发明提供一种基于最小量化误差准则的字典学习静态图像有损压缩方法。该方法将稀疏系数对应索引的信息熵作为正则项加入稀疏编码的目标函数中，在使用正交匹配追踪算法选取字典原子时，通过最小化信息熵来限制字典原子的分散度，降低稀疏系数对应索引的编码代价；同时，在字典学习的过程中，通过对稀疏系数进行排序，并寻找使得稀疏系数总离差平方和最小的k惯序划分，将每个划分作为一个量化组，不同量化组之间采用不同的量化步长，同一个量化组内采用相同的量化步长，从而使最终的量化误差最小。

本发明解决其技术问题所采用的技术方案是：一种基于最小量化误差准则的字典学习静态图像有损压缩方法，其特点是包括以下步骤：

步骤一、对训练图像进行分块和规范化。将所有训练图像划分为16×16的图像块，对于每个图像块，按照公式(1)进行规范化

其中，v_ij表示图像块中坐标为(i，j)的像素点的灰度值，m，n分别表示图像块的长宽。将图像块拉直为向量构成字典学习的输入信号。

步骤二、先利用自组织特征映射对部分图像块进行初步聚类，再通过K-means算法对所有图像块进行聚类。在聚类中，使用欧氏距离来度量任意两个图像块之间的距离

其中，s_i，s_j表示任意两个不同的图像块向量，d(s_i，s_j)表示其欧氏距离。

步骤三、利用字典学习算法对每个类簇训练一个超完备字典和一个量化表，字典中的每个原子即为该类簇图像块共有的结构模式。同时将稀疏系数的量化误差和其对应索引的信息熵作为正则项加入字典学习的目标函数中，通过迭代求解公式(3)和公式(5)对量化表和字典同时进行学习，减小最终的编码代价。