[发明专利]重要度驱动的纹理压缩方法

摘要

重要度驱动的纹理压缩方法，由两个部分组成：纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图。具体包括：控制图计算、重要度图计算、重要度驱动的纹理压缩、基于图像类比的解压。

主权项

1.重要度驱动的纹理压缩方法，由两个部分组成：纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图；具体步骤如下：步骤一、控制图计算本发明的所有控制图都为原图的灰度图，灰度图很好地保存了原图的亮度细节；采用YIQ计算模型将原图（彩色图）转换为灰度图，该模型中Y代表亮度，即所需要的灰度信息，I代表色调，Q代表饱和度。根据相应的模型转化矩阵，将RGB转化成Y的计算公式如公式（1）：Y=0.299R+0.587G+0.114B    (1)其中R,G,B分别为红绿蓝三色。步骤二、重要度图计算纹理的重要度信息直接影响了算法的最终结果。为了得到更好的重要度信息，我们首先计算图像的显著性图，该显著性图与原图分辨率一致。基于Saliency Filters算法计算显著性图：首先对图像进行抽象化，即保留图像相关的结构特征，去除图像一些不需要的细节特征；然后计算出图像中具有唯一性的元素和颜色等底层信息的分布；最后综合这两者信息来得到显著性图saliency。假设输入图像为X，本发明采用公式（2）计算重要度图中每个像素的重要度值w(x,y)：w(x,y)=k·saliency(x,y)+|∂∂xI(x,y)|+|∂∂yI(x,y)|)---(2)]]>(修改说明：把原公式（2）改为上述公式（2）)其中saliency(x,y)为像素(x,y)处的显著性值，k是显著性信息的权重，通常k=1能取得理想的效果；I(x,y)为图像像素(x,y)处的亮度，方程后两项和为像素(x,y)处梯度值x方向分量和y方向分量的绝对值。进一步，我们对公式（2）计算出的重要度值进行归一化，使得重要度图中每个像素的值的范围在[0,1]之间。w(x,y)的值越大，其对应的像素的重要度越高。步骤三、重要度驱动的纹理压缩在得到重要度图和控制图之后，对原图和控制图进行压缩；本方法中纹理压缩被定义成能量函数优化问题，该能量函数计算原图所有的像素邻域与压缩后图像的像素邻域的双向相似性；对于输入图X（它可以是原图或控制图），它与压缩目标图Z之间考虑了重要度信息的能量函数如公式(4)所示.其中z/x为Z/X的样本值,q/p分别为Z/X的子集Z⁺/X⁺中的像素点位置，x_p/z_q表示p/q点为中心的空间邻域，z_p/x_q是Z/X中与x_p/z_q最相似的邻域,α是用户可调的权重值，当α=0.01时适合于绝大多数纹理；为p点邻域x_p的重要度权重，计算图像一个区域的重要度方法有很多，如取邻域内所有像素权重的最小/大值、中值或均值等，我们取像素权重均值作为邻域x_p的重要度;用同样方法计算区域x_q的重要度；|·|²计算两个邻域之间的距离，通过对邻域内对应像素颜色差的平方求和来计算两个邻域之间的距离。公式(3)的能量函数由两项相加组成，这两项形式相似，但是计算功能不同；第一项称为inverse项，确保了输入图像X中的每一个邻域x_p在Z中能找到与之相似的z_p;第二项称为forward项，它保证了Z中没有一个新的z_q不与X中的任何x_q相似；基于公式（3），下面推导出计算目标纹理Z中每一个像素q处颜色值的方法。对于目标纹理中的每一个像素q∈Z，它对整体能量值的贡献也包含对于forward和inverse两项的计算，具体贡献值可由如下步骤得到：(1)像素q对forward项的贡献表示在目标图Z中所有含有像素q的邻域（其中q₁,...,q_m为邻域的中心点，注意这里q₁,...,q_m需经过相应的偏移才能得到q），m值为邻域的个数，它与我们选择的邻域大小相关，当邻域大小为5x5时，m=25（本发明中,高斯金子塔的每一层有2组不同大小的邻域，分别为17x17,9x9）。邻域在X中的最近邻为表示中与中的q相对应的像素位置(如图2所示)。这样，q对forward term的贡献值为（其中w(·)为像素的重要度值，I_X(),I_Z()分别给出输入图X和目标图Z的像素颜色值，下同）；(2)像素q对inverse项的贡献为X中的邻域并且这些邻域在Z中的最近邻域为包含q的邻域，其中n为邻域的个数，不同于上面的m值，n值的大小不是固定，随着q的不同而不同。像素p₁,...,p_n为邻域的中心点，它们同样经过相应的偏移得到像素点这些像素点与Z中像素q相对应（如图2）。这样我们可得q对inverse term的贡献值有1Σp∈X+wxpΣj=1nw(p‾j)(IX(p‾j)-IZ(q))2;]]>综述所述，单个像素q的能量为上述forward项和inverse项之和，具体计算如下：Energy(IZ(q))=]]>1Σp∈X+wxpΣj=1nw(p‾j)(IX(p‾j)-IZ(q))2+αΣq∈Z+wxqΣi=1mw(p⩓i)(IX(p⩓i)-IZ(q))2---(4)]]>可以通过求解Energy(I_Z(q))的最小值来求解像素q处的颜色值。将方程关于I_Z(q)求导并等于0，可得I_Z(q)的解为：IZ(q)=1Σp∈X+wxpΣj=1nw(p‾j)IX(p‾j)+αΣq∈Z+wxwqΣi=1mw(p⩓i)IX(p⩓i)1Σp∈X+wxpΣj=1nw(p‾j)+αΣq∈Z+wxqΣi=1mw(p⩓i)---(5)]]>(3)能量优化方法基于公式(5)求解I_Z(q)的迭代能量优化步骤为：step1:对于每一个目标像素q∈Z在输入图X中搜索到与其邻域z_q最相似的邻域x_q。将x_q中像素的颜色值乘该像素的重要度权重并且乘以权重之后将计算得到的值投票给z_q中相应的像素；step2:与step1相反，对于每一个像素p∈X在Z中搜索到与其邻域x_p最相似的邻域z_p。将x_p的像素颜色值乘该像素的重要度权重并乘,之后将计算得到的值投票给z_p中相应的像素；step3:对于每一个目标像素q∈Z对于其所有的投票之和求平均值，即除以得到新的I_z(q)；重复step1,step2,step3直至收敛。步骤四、基于图像类比的解压给定一对图片A和A’(分别对应原图的和对其进行一定处理之后生成的图)，输入另一张未处理的目标图B，通过图像类比方法计算得到一张新的图B’，使得：A:A'::B:B'即B’和B的关系与A’和A的关系相似。图像类比算法能够学习A和A’之间的关系，并将学习的结果应用于生成B’。这里我们将它应用于压缩数据的解压。我们将压缩后的控制图以及压缩后的纹理分别对应于图像类比中的A和A’,并且将原控制图作为B,使用图像类比合成新的B’，B’即为解压缩结果图像。通过图像类比算法恢复出原图，从而得到解压后的结果。