使用纹理对比自适应图像压缩传感

文摘

传统的图像压缩感知(CS)进行基于块采样相同的采样率。然而,一些屏蔽构件经常发生由于不同块稀疏,导致较低的率失真性能。抑制这些阻挡工件,我们建议根据纹理特征自适应采样每一块。最大梯度8-connected地区的每个像素,我们测量每个像素的纹理变化,然后计算每一块的纹理对比。根据纹理分布的对比,我们自适应设置每个块的采样率,最终构建一个使用这些图像重建模型块纹理形成鲜明对比。实验结果表明,我们的自适应抽样方案改善图像CS的率失真性能较现有的自适应方案和重建图像的方法达到更好的视觉质量。

1。介绍

传统图像编码的核心(如JPEG)是基于奈奎斯特采样定理的图像转换。它可以无失真的恢复图像只有当转换数量大于或等于总像素的图像。然而,有限的计算能力,无线传感器不能容忍过度转换,所以传统的图像编码并不适合无线传感器与轻载(1,2]。此外,由于信息集中在几个转换系数,重构图像的质量恶化大大一旦失去了几个重要系数。近年来,压缩感知(CS)的快速发展(3,4]介绍了一种新的方式来解决这些缺陷在传统图像编码。打破奈奎斯特采样率的限制,CS准确地恢复信号使用部分转换。CS的优越性在于它可以通过降维压缩图像而改变形象,吸引了很多研究人员开发基于CS低编码(5,6]。

许多学者都致力于提高图像CS的率失真特性。一个流行的方法是采用构造稀疏表示模型改进的收敛性能最低规范复苏;例如,陈等人。7使用多假设预测)预测稀疏的残余;贝克尔et al。8利用一阶Nesterov的方法进行有效的稀疏分解;Zhang et al。9)同时使用当地稀疏和非局部自相似性表示自然图像;杨et al。10使用高斯混合模型来生成稀疏的表示。从不同的角度,这些稀疏表示计划实现率失真特性的一些改进。然而,他们的缺点是快速增加计算复杂度的空间分辨率,例如,该算法由张et al。9),需要大约一个小时来恢复图像的512×512的规模。为了避免计算复杂度高,一些作品试图改善CS的量化性能据统计样本。一种有效的量化器可以减少部分;例如,王et al。11)利用隐藏的CS样本之间的相关性来设计进步的固定利率标量量化;妈妈和福勒(12和Zhang et al。13使用差分脉码调制(DPCM)删除块CS样本之间的冗余。通过减少数据冗余,这些亦然获得一些性能改进具有较低的计算复杂度。尽管减少计算负担,率失真性能的量化方案改进有限由于低冗余在CS样品14]。从上面,我们可以看到,有一个计算复杂度和质量改进的图像之间的权衡CS。我们希望找到一个罢工之间的平衡两个方案。与稀疏表示和量子化方案相比,基于自适应抽样达到一个令人满意的提高率失真性能不引入过多的计算。其想法是提高计算机科学抽样的效率通过抑制无用的CS样本。每一块的采样率分配根据各种图像特征;例如,Zhang et al。15)确定每个块的采样率取决于不同块方差;Canh et al。16)利用边缘信息自适应地分配每个块的采样率。块方差和边缘信息的意思是一个低级的愿景。他们保留低频信息,但忽略了高频纹理细节吸引人的眼睛。由两部剧情的措施,很多CS样本被投资到那些块简单的模式,从而导致不良的重建质量。为了克服传统抽样方案的缺陷,应提取的有用特性表达高层视野。由有趣的特性,一种有效的自适应方案能保证经济复苏的高频细节。

纹理作为视觉特性是用来揭示相似的模式,独立的颜色和亮度,是相互存在的固有财产对象表面;例如,树,云,织物有自己的纹理细节。物体表面的纹理细节包含重要的信息结构,揭示对象及其周围关系。纹理细节代表高频组件更吸引人的眼睛。在本文中,我们建议设置每个块的采样率基于纹理细节。我们设计质感对比测量不同纹理特性和高采样率分配给块纹理鲜明的对比。我们删除冗余的CS样本的每一块low-texture对比。重建图像时,纹理对比用于重量的分布全球重建模型。实验结果表明,该方法提高了重建图像的视觉质量相比,自适应方案基于块方差和边缘特征。

2。自适应块CS的形象

自适应块CS的框架是如图1。在CS编码器,自然风景作为full-sampling CMOS传感器捕捉到第一个形象的大小;也就是说,像素的总数是。然后,将图像成小块的大小,让代表的矢量信号th通过光栅扫描块。接下来,数量()每个块的CS样本组根据图像特征。我们构造一个随机变换矩阵的为每个块的大小。最后,CS-samples向量每一块的长度是由以下公式计算: 的元素服从高斯分布。我们定义采样率如下: 所有块的CS-samples向量将传播到CS解码器。当收到CS的每一块样品,我们构建的最低- - - - - -规范重建模型如下: 在这和是和规范,分别是块变换矩阵,例如,DCT和小波矩阵,然后呢是一个固定的正则化因子。因为目标函数模型(3)是凸的,它可以解决通过使用梯度投影稀疏重建(GPSR)算法(17]或两步迭代收缩阈值(扭)算法(18]。CS理论指出,信号可以恢复正是通过使用模型(3)如果 在这的稀疏程度吗th块和是一个常数19]。由于自然的非平稳的数据图像,稀疏的每一块度分布不均匀。从(4块),我们可以看到,有一个很大的稀疏度不能准确地重建一次采样率太低;即固定数量的块CS样本不足以捕获所有原始图像的信息。因此,每个块的采样率应设置自适应地根据自己的稀疏程度。这是一个简单的方法来获得块稀疏度计算那些重要的转换系数。然而,这显然违反了CS理论的优越性。一旦编码器执行完整的转换,图像CS传统编码书的人拥有任何优势。因此,它是不切实际的直接得到块稀疏度使用完整的转换。为了避免完整转换在编码器,利用一些图像特性来间接地揭示了块稀疏度,例如,块方差,边缘像素的数量。在这种间接的方式,我们可以得到一些改进的率失真特性;然而,这些特性只透露当地像素值的变化,提高重建图像的客观质量而导致视觉质量差,特别是许多阻塞的发生所示工件。 In view of the above-mentioned, the proper feature is required to guide the adaptive sampling so as to improve the rate-distortion performance as well as guarantee a better visual quality.

3所示。提出了自适应抽样方案

自然界中每一块图像有不同的纹理细节。质地硬块,人眼更有吸引力的存在更多的高频分量而low-texture块有很多低频组件往往是忽略了人类的眼睛。因此,均匀采样将降低重建图像的质量。解决均匀采样的缺陷,我们提出衡量不同纹理特征的每一块,然后用它们来指导的自适应采样和重建。图中展示了我们的方法的流程2。在CS编码器,我们首先生成纹理特征的地图full-sampling形象。然后,我们计算块结构的对比根据。之后,块CS样本自适应地确定。最后,部分变换矩阵构造进行随机抽样。在CS解码器,块质地的对比估计再根据。估计重量块纹理对比用于重建模型,提高视觉质量高质素的地区。

3.1。计算块结构对比

纹理分析的计算不应太多为了保证低编码复杂度。为了避免过多的计算中,我们使用8-connected地区的最大梯度值的每个像素测量每个像素的纹理变化;也就是说, 在这是像素的亮度值位置,是像素的亮度值位置8-connected地区,是操作计算绝对值。每个像素的纹理变化可以计算通过使用(5),用于构造矩阵如下: 矩阵是缩水和阈值去吗生成纹理特征映射如下: 的价值从0到1。在纹理特征映射值0意味着没有当前像素和邻国之间的区别,和当前像素值1意味着很大的区别及其邻国。在每个块的能量纹理特征计算如下: 在这表示像素位置的一组。我们定义归一化能量纹理特征作为纹理对比,也就是说, 图3显示了基于块方差特征图,边缘,边缘和纹理,其中特征提取利用索贝尔操作符(20.]。可以看出,纹理对比突出显示在该地区的头发和眼睛具有丰富纹理细节,和边缘的特性也提出了纹理特征映射。然而,地图块方差和边缘显示更少的纹理细节,使功能块方差和边不适合控制的自适应抽样是为了集中捕捉丰富的纹理细节信息。针对上述分析,提出了纹理对比可以指导CS抽样捕捉质地硬块在一个较高的采样率。传统图像编码为核心,快速DCT变换的计算复杂度。然而,对于纹理提取,这是唯一的在CS编码器,显示较低的计算复杂度计算每一块的纹理对比。

3.2。自适应采样和重建

由于不稳定自然图像的统计特征,块采样率随纹理对比,引入控制比特率的困难。来处理,我们设置一个总采样率年代对整个图像,然后确定总数米CS样品的 在这是总像素的数字。CS样品的数量为每个块可以计算通过使用块质地的对比如下: 在这是初始抽样数量的每一块和圆(·)是圆的运营商。后确定块的采样率(11),我们将一些高质素的块分配给过度CS样本,将高质量纹理地区的复苏。然而,non-texture地区的块被分配到CS样本较少,导致糟糕non-texture地区的重建质量。重建质量的巨大差异使得纹理区域突出人类的眼睛里,因此发生了退化的视觉质量。解决,我们设置上限U抽样数量对于每个块。一旦块抽样数量超过上限,其抽样数量是有限的U。冗余CS样品均匀分配给一些街区的抽样数量小于U。重新分配冗余CS样品后,如果抽样的数量超过一些块U再一次,我们重复上述步骤,直到每一块的采样数量小于U。根据数量块CS样本,我们构造随机变换矩阵并获得块CS样本向量通过执行(1)。

当块CS样本在CS解码器接收,(3)用于重建图像块的块。然而,最低- - - - - -规范重建模型有不同的收敛性能各种块稀疏度,导致阻塞工件的重建图像。减少阻塞工件,我们可以进行自适应全球重建;即图像恢复一旦通过使用所有块CS样本。首先,所有块CS样品排成列如下: 假设 然后我们介绍了初等矩阵重新列向量块通过块光栅扫描列向量的图像如下: 结合(12),(13)和(14),我们得到 我们构建一个全球重建模型如下: 在这整幅图像的变换矩阵吗。与块抽样数量揭示了块纹理分布的对比,我们得到的估计量阻止纹理对比(11)如下: 使用这种估计的块结构之下,我们体重第一项(16)如下: 由(18),我们看到大提示的随机投影块接近CS样本向量。根据Johnson-Lindenstrauss (JL)定理21),两个街区之间的欧几里得距离对应的CS-sample向量之间的相似(22];即权重系数可以执行质地硬块的方法原来的块和放松的要求之间的欧几里得距离low-texture块和它的原始。因此,该权重约束自适应地调整每一块根据分布的重建质量块纹理形成鲜明对比。为了简化(18),我们构建对角矩阵如下: 在这是一个操作符使用输入向量生成对角矩阵。通过对角矩阵,(18)形成 假设和;我们可以得到 我们可以看到,加权重建模型仍然是最小的- - - - - -标准模型。因此,传统的计算机科学重建算法仍然可以用于解决(21)。

4所示。实验结果

我们的方法评估的512×512的规模,包括灰度图像蕾娜,芭芭拉,辣椒,Goldhill,山魈。这些测试图像有不同的光滑,边缘和纹理细节。自适应抽样方案,参数设置如下:最初的采样数量米₀每个块的设置是圆(0.3米/n),8位标量量化的CS样本是量子化的。自适应的重建计划,(21)由使用GPSR算法解决17),变换矩阵使用Daubechies正交小波4的长度。在所有的实验中,块大小将8,我们设置了总采样率从0.1到0.5。峰值信噪比(PSNR)重建图像与原始图像之间使用的客观评价,但所有PSNR值平均超过5试验自重建质量随随机变换矩阵的随机性。所有实验在以下计算机配置下运行:英特尔(R)的核心(TM) i3 @ 3.30 GHz CPU、8 GB RAM,微软Windows 7的32位,MATLAB版本7.6.0.324 (R2008a)。

4.1。选择阈值

在我们的自适应抽样方案,是唯一的可调参数。图4显示了不同的影响当采样率的PSNR值分别为0.1,0.3和0.5。可以看出,每一个测试图像具有更高的PSNR值年代0.3或0.5从0.1到0.3,这表明我们的方法显著提高重建质量中等价值。然而,当将0.1中,更高的PSNR值出现接近0.55,轻轻PSNR值降低增加从0.55,这表明应该在低采样率更大。价值与丰富的纹理细节。更大的,特征点聚集在富有结构区域,而相反特征点会蔓延到边缘和平滑区域。因此,当采样率年代和阈值更大,纹理区域的重建质量改善有效,否则对其他地区,从而降低整个图像的客观质量。相反,一个小可能会削弱纹理区域的重建质量,抑制重建质量的提高。当采样率年代将小,CS样本的数量有限,更少的CS样本纹理地区可以分配给一次值很低,所以不能显著提高重建质量。显然,需要一个良好的客观质量大。鉴于以上分析,我们集0.15自适应方案,以保证可靠的重建质量。

4.2。自适应采样的性能评估

图5显示了重建蕾娜图像使用不同的抽样方案在CS编码器年代设置为0.3。非适应的抽样方案,一些发生在重建的图像变得模糊,但不能保存完好的边缘和纹理细节。基于自适应抽样方案,block-variance重构图像具有明显的阻挡工件。和它是一样的基础上重建一个,虽然它比基于block-variance视觉愉悦的重建。然而,随着阻塞工件被镇压,我们计划得到更好的视觉质量。除此之外,在四个方案,我们的方法获得最高的PSNR值,1.44 dB和1.15 dB收益,分别与block-variance和边缘特征方案。

4.3。总体性能评价

评估的率失真性能提出CS编解码器包括自适应采样和重建,我们选择稀疏表示和量子化方案作为基准。稀疏表示的方案中,标量量化是用来量化CS样本;评价的基准是Multi-Hypotheses平滑预测Landweber(命名为MH_SPL)提出的算法7)和内斯塔提出的算法(8]。提出的量化方案,DPCM量化器(12)作为评价的基准,其相应的重建算法是内斯塔的算法,这是命名为DPCM +内斯塔。的变换矩阵是相同的算法。图6显示不同的重建算法的平均率失真性能。可以看出,该方法提高了PSNR值随着比特率增加。当比特率高于1.3 bpp, PSNR值的方法优于其他算法,以及它们之间的差距逐渐增加。表1列出了重建图像的PSNR值使用不同的方案在不同的采样率。可以看出我们方法的PSNR值低于MH_SPL算法为每个测试图像采样率年代是0.1,但内斯塔的PSNR值和DPCM +内斯塔算法几乎没有区别,我们的算法。然而,当采样率年代是0.3或0.5,我们的方法实现了一个明显的PSNR获得与其他算法相比。图7显示了视觉的重建结果山魈图像通过不同的方法,它可以观察到,该方法具有更好的视觉质量,特别是纹理细节更好的保存与其他算法相比。

4.4。计算复杂度

提出的自适应CS方案涉及提取纹理特征,自适应采样和全球重建。假设总测试图像的像素数量,CS样品的总数。纹理特征的提取操作和自适应采样的计算复杂度。我们使用GPRS算法来解决全球重建模型(21),变换矩阵由Daubechies正交小波。根据计算复杂度的分析(17),全球重建可以做到的。然后我们得到总计算复杂度。

表2列出了重建时间不同的方案在不同的采样率。当总采样率年代是0.1,我们的方法的执行时间是接近MH_SPL为不同的测试图像,但远低于内斯塔和DPCM +内斯塔。总采样率年代的增加,我们的方法的执行时间逐渐增加。当总采样率年代是0.5,我们的方法需要平均164.33秒的重建图像。重建与MH_SPL算法相比,我们的方法需要更多的时间在一个较高的采样率。因此,PSNR值的改进方法需要大量的计算。

5。结论

在本文中,我们提出基于纹理对比自适应采样和重构图像。在CS编码器,我们首先计算每一块的纹理对比,然后我们设置每个块的采样率自适应地根据块结构的分布对比。在CS译码器,每一块的纹理对比用于重量重建模型。实验结果表明,提出的自适应采样和重建算法可以有效地提高重建图像的质量。我们的方法具有更好的率失真性能比稀疏表示和量化方案。

为我们的自适应图像编码是应用程序背景CS抽样方案;因此full-sampling图像编码器是可用的。然而,由于编码器不能使用full-sampling图像压缩成像的应用程序,我们的方法失去了它的功效。因此,我们应该进一步研究旨在实现自适应CS抽样模拟域中的为了我们的方法在压缩成像的应用。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作的部分支持由中国国家自然科学基金资助下号。61501393和61501393,部分重点科研项目的高校在中国的河南省,在格兰特16 a520069,和部分青年信阳师范大学资助基金,批准号下2015 - qn - 043。

引用

1. 谢和y王”,建设齐次树网络有限的交货延迟的无线传感器网络,”无线个人通信,卷78,不。1,第246 - 231页,2014。视图:出版商的网站|谷歌学术搜索
2. 耿x h . p .郭j . Wang, c . s . Kim和J.-U。金”,一个变量阈值验证无线网状网络架构,”互联网技术杂志》,15卷,不。6,929 - 935年,2014页。视图:出版商的网站|谷歌学术搜索
3. e . j .萤石、j·伯格和t .道,“强大的不确定性原则:准确的信号重建的高度不完整的频率信息,“IEEE信息理论,52卷,不。2、489 - 509年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
4. d . l . Donoho“压缩传感,”IEEE信息理论,52卷,不。4、1289 - 1306年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
5. c·邓w·林,s。李,c·t·刘,“基于压缩传感、健壮的图像编码”IEEE多媒体,14卷,不。2、278 - 290年,2012页。视图:出版商的网站|谷歌学术搜索
6. x z Yu,好不,b·m·萨德勒j .锣和c .钱,“混合信号并行压缩对认知无线电频谱感知,“国际期刊的数字多媒体广播文章ID 730509卷,2010年,10页,2010。视图:出版商的网站|谷歌学术搜索
7. c, e . w . Tramel和j·e·福勒”Compressed-sensing恢复图像和视频使用多假设预测,”学报45艾斯洛玛尔会议信号,系统和电脑(艾斯洛玛尔的11)Pracific树林,页1193 - 1198年,加州,美国,2011年11月。视图:出版商的网站|谷歌学术搜索
8. 美国贝克,j·波宾和e . j .萤石”内斯塔:一个快速和准确的一阶的稀疏恢复的方法,”暹罗成像科学》杂志上,4卷,不。1,1-39,2011页。视图:出版商的网站|谷歌学术搜索|MathSciNet
9. 张j . d .赵,w .高,”组的稀疏表示图像恢复。”IEEE图像处理,23卷,不。8,3336 - 3351年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
10. 廖j .杨x, x元et al .,“压缩传感通过学习从测量高斯混合模型,”IEEE图像处理,24卷,不。1,第119 - 106页,2015。视图:出版商的网站|谷歌学术搜索|MathSciNet
11. 吴x l . Wang, g .史”被逐步量化压缩传感,”IEEE图像处理,21卷,不。6,2980 - 2990年,2012页。视图:出版商的网站|谷歌学术搜索|MathSciNet
12. 美国妈妈和j·e·福勒,“DPCM量子化的基于块的压缩感知的图像,”20欧洲信号处理研讨会论文集(EUSIPCO 12),页1424 - 1428,布加勒斯特,罗马尼亚,2012年8月。视图:谷歌学术搜索
13. 张j . d .赵,f .江”空间定向预测编码用于基于块的压缩传感的自然图像,”20 IEEE国际会议的程序对图像处理(ICIP 13)澳大利亚墨尔本,页1021 - 1025,,2013年9月。视图:出版商的网站|谷歌学术搜索
14. x x高,j . Zhang w·格瓦拉,风扇,和d .赵”基于块的压缩感知编码自然图像的局部结构测量矩阵,”程序数据压缩会议(DCC的15)雪鸟,页133 - 142年,犹他州,美国,2015年4月。视图:出版商的网站|谷歌学术搜索
15. j .张问:香,y阴,c . Chen和x罗,“无线图像传感器网络自适应压缩感知,”多媒体工具和应用程序,卷76,不。3、4227 - 4242年,2017页。视图:出版商的网站|谷歌学术搜索
16. t . n . Canh k .问:Dinh和b .全“Edge-preserving外地加权方案基于全变差的压缩传感的复苏,”《IEEE国际会议多媒体和世博会(ICME 14),页1 - 5,成都,中国,2014年7月。视图:出版商的网站|谷歌学术搜索
17. m·a·t·Figueiredo r·d·诺瓦克和s·j·赖特,“梯度投影稀疏重建:应用程序压缩传感和其它逆问题,“IEEE选定的主题在信号处理杂志》上,1卷,不。4、586 - 597年,2007页。视图:出版商的网站|谷歌学术搜索
18. j . m . Bioucas-Dias和m·A·t·Figueiredo”一个新的转折:两步迭代收缩/阈值算法对图像恢复,”IEEE图像处理,16卷,不。12日,第3004 - 2992页,2007年。视图:出版商的网站|谷歌学术搜索|MathSciNet
19. e . j .萤石和m . b . Wakin介绍压缩采样:传感/抽样模式违背常识的数据采集、”IEEE信号处理杂志,25卷,不。2、21 - 30,2008页。视图:出版商的网站|谷歌学术搜索
20. w·高,x张,杨l . et al .,“改善Sobel边缘检测,”学报》第三届IEEE国际会议上计算机科学和信息技术成都,页67 - 71年,中国,2010。视图:谷歌学术搜索
21. 达斯古普塔和a·古普塔,”约翰逊和Lindenstrauss的基本定理的证明,“随机结构与算法,22卷,不。1、60 - 65、2003页。视图:出版商的网站|谷歌学术搜索|MathSciNet
22. k, l·张,M.-H。阳,“快速压缩跟踪”,IEEE模式分析与机器智能,36卷,不。10日,2002 - 2015年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017方太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。