[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

摘要

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。

主权项

1.一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，其特征在于包括以下步骤：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b_i，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；s.t.||a_·j||₀≤k_max,1≤j≤N，    (3)s.t.||a_·j||₀≤k_max,1≤j≤N，    (5)其中，Q(·)为量化函数，S是原始输入信号矩阵，每列为图像块拉直后的输入信号s_i，D是字典，A是稀疏系数矩阵，a·_j是稀疏系数矩阵A的第j列，表示信号s_j在字典D上分解的表示系数，k_max是稀疏度限制，p_i是字典原子d_i的使用概率，M为字典中的字典原子个数；随后，将每个类簇的字典和量化表分别拼接成全局字典和全局量化表，存储在编码端和解码端；步骤四、图像编码时，将图像分成直流分量和交流分量两部分；对直流分量进行DPCM编码；对交流分量利用稀疏编码在全局字典上进行分解，得到对应的稀疏系数矩阵，对该稀疏系数矩阵利用全局量化表进行量化，随后，对量化后的交流分量对应的稀疏系数矩阵中非零元素及其索引进行Huffman编码，形成最终的码流；步骤五、解码过程为编码过程的逆过程；通过字典与稀疏系数矩阵相乘重建出信号矩阵S，再对信号矩阵每列加上对应的直流分量并重新排列，从而恢复出图像。