文摘
介绍了一种新的图像编码框架,使用图像修复方法。在该算法中,输入图像进行图像分析故意删除的一些部分。同时,从输入图像中提取边缘,以压缩的方式传递给解码器。传输到解码器作为助理的边缘信息与他们帮助修复过程在解码器填补丢失的区域。结构的合成和新shearlet修复方案理论的基础上p拉普拉斯算子的运营商提出了图像恢复的解码器。Shearlets一直在数学上证明表达如边缘间断分布比传统小波和边缘特征是一个合适的工具。这部小说shearletp拉普拉斯算子的修复模型可以有效地减少总波动的阶梯效应(电视)修复模型而它仍然可以保持边缘以及电视模式。在提出的方案中,神经网络是用来提高压缩比的图像编码的值。测试结果相比JPEG 2000和h Intracoding算法。结果表明,该算法是有效的。
1。介绍
图像修复(1- - - - - -5)是一种方法,图像的像素恢复地区扭曲或删除。修复方法通常基于偏微分方程(pde)和全变差模型(电视)。在pde技术(6),该地区周围的像素值不仅被认为是边界条件的边值问题。然后,一个合适的方程插值在这个领域将得到解决。图像修复有多种应用,如文本和对象删除,去噪,超限分辨,数字缩放,补平,压缩。Galićet al。7)使用一个直接压缩而修复技术,在先前的研究,图像修复是治疗只能作为预处理步骤增加其他现有的图像压缩标准。Bugeau et al。8]提供了一个工作的图像修复算法试图接近全球最低的能源功能相结合的三个基本概念自相似性,连贯性和传播。在这种方法中,当没有足够的图像补丁复制,因为面具太传播和补丁的大小非常大或者因为面具放在图像上的奇异位置,然后结果是贫穷,尽管存在几何术语似乎帮助,这显然是不够的。作者并没有解决这些问题,他们没有优化补丁的搜索空间。
陈等人。6)提出了电视小波修复模型。电视模式的主要优点是,它可以很好地保持边缘。但是,方法有缺点叫楼梯的效果。为了克服这一缺陷,我们分析电视模式的物理特性9),拉普拉斯算符(10在当地的坐标。与此同时,传统的小波(11)不是非常有效处理多维信号包含如边缘间断分布。为了克服这个限制,必须使用基础元素与更高的方向敏感性和形状各异的能够捕获多维现象的内在几何特性。
在本文中,一个新的离散多尺度表示(12称为离散Shearlet变换(DST)介绍执行修复的基础上拉普拉斯算符在小波域。这种方法是基于shearlet变换,结合多尺度方法具有独特的力量能够捕捉多维数据的几何和最佳有效表示图像中包含边缘。在该算法中,相关的部分是识别和移除在编码器和解码器由图像修复。一个提出了基于拉普拉斯算子的修补方法采用DST可有效减少电视的阶梯效应模型,可以用来实现更少的计算时间。梯度下降法反向传播(13)和自适应学习速率提出了压缩。
本文安排如下。首先,在节2的声明中描述的问题。节3的框架,提出了编码方案进行了探讨。具体来说,节3显示了人工神经网络在shearlet压缩域和shearlet图像修复的基础上拉普拉斯算符。节4,并给出了实验结果。部分5描述的结论。
2。问题的陈述
一个标准的图像模型(6)被定义为 在哪里原始无噪声模型;是高斯白噪声。
标准的小波变换是由 在哪里和小波系数;是小波母函数。
损害赔偿的小波系数在小波域造成损失在该指数地区,与代表那些小波组件缺失或损坏。结合现有的任务是恢复丢失的系数在一个适当的方式,这样的图像将会尽可能多的信息被恢复。
修复当我们使用传统的小波(14- - - - - -16),他们不处理多维不连续等边缘。最近,一个理论称为多维数据的多尺度几何分析(公司)了。提出了许多新公司工具如脊波、曲波,扁带,和contourlet提供定向灵敏度高于小波。Shearlets [17- - - - - -19),本文提出一种新方法,不仅具有上述特性,还配备有丰富的数学结构类似于小波,这与多分辨率分析。Shearlets形成一个紧密的框架在不同尺度和方向和最优稀疏表示图像的边缘。
的离散shearlet变换是由 在shearlet域和相应的图像修复模型 在那里,
当这个模型是解决,电视的使用规范可以保持锐利的边缘,同时减少噪音和其他振荡。但相应的欧拉方程不是简单的计算,因为它是高度非线性和不适定的强烈。此外,这个模型被称为楼梯案例效果的缺点。为了克服这些不足,拉普拉斯算符(20.]介绍了新的shearlet修复模型, 在哪里可以自适应地根据图像的局部梯度特征选择。也就是说,远离边缘,将接近2克服楼梯的效果;相反,将接近1保留边缘。这新模型可以有效地减少电视的阶梯效应模型,而它仍然可以保持锋利的边缘作为电视模式。
上面的欧拉方程修复模型
梯度下降流(7)是
上述方程是解决简单的显式有限差分算法。为了简化公式,我们引入标准的有限差分符号,比如
远期差异:
和落后的差异:
我们注意到,重要的是评估非线性项,我们表示
在(8)。然而,拉普拉斯算子是在像素域中定义的。在本文中,我们计算它直接通过改变shearlet域像素域计算拉普拉斯算子,然后变换回shearlet域。我们计算如下:
对所有我们计算如下: 在哪里是一个小的正数,这就是用来防止数值放大什么时候
然后我们计算曲率投影小波的基础上
3所示。框架方案
在这一节中提出的方法是基于去除冗余的编码器和恢复删除的信息使用译码器的修复方法。在这个算法中,冗余去除是通过检测纹理区域执行类似的统计特征,将图像划分为均匀的区域。整个系统与编码器和译码器图描述了数据1和2。下面分别讨论了编码器和译码器块。
3.1。编码器的设计
3.1.1。图像分析
输入图像进行图像分析,从图像中提取边缘,以确定结构和区域结构。一个输入图像分为块。然后他们被确定为结构或结构块基于距离边缘。块被确定为一个结构,当它包含更多的像素数量有非常小的距离边缘。剩下的阻塞被称为结构。
最重要的两块结构区域和结构区域选择使用不同的算法(21]。剩下的块编码期间很容易移除。通过这种方式,块识别和移除。删除指定块后,在原始图像,该地区充满了相应的直流值或充满了纯红色,或绿色或蓝色分量,对于彩色图像。
3.1.2。基于ANN的图像压缩
梯度下降法反向传播算法(13)是广泛使用的算法的人工神经网络(ann)。前馈神经网络架构能够近似的大多数问题与高精度和泛化能力。该算法主要集中在纠错学习规则。误差传播包括两个通过不同的网络层:一个向前和向后传球。向前传球,输入向量应用到网络的感知节点及其传播的影响通过网络层的层。
最后,一组输出产生的实际响应网络。在传球前进,突触权重的网络都是固定的。在后传中,突触权重都是按照一个纠错规则调整。网络的实际响应中减去从所需的响应产生一个错误的信号。这个错误信号然后通过网络传播对突触的方向条件。突触权重调整,使网络的实际响应接近预期的响应。
图像压缩的过程。在实验中,与三层前馈神经网络被选中。与16个输入层、隐藏层神经元,输出层,介绍了64个神经元网络。反向传播算法用于训练过程。培训网络,256×256莉娜选择图像(参见算法1)。
|
||||||||||||||||
3.2。译码器的设计
在编码器执行基于ANN的压缩后,减压过程进行译码器。通过最终的重建图像拉普拉斯算子结合现有基于DST和纹理合成。shearlets理论讨论了除了最重要的两个模块,即shearlet域拉普拉斯算子的修补和纹理合成。
3.2.1之上。连续Shearlet变换
连续shearlet变换(17,18)是一种nonisotropic版本的连续小波变换与优越的定向灵敏度。为,
每个分析元素称为shearlet。的频率花砖shearlets图所示3。
3.2.2。离散Shearlet变换
通过取样连续shearlet变换,我们可以得到一个离散变换如图所示4(参见算法2)。
|
||||||||||||
3.2.3。Shearlet域拉普拉斯算子的修补
从纯粹的修复的角度来看,修补的问题可以表示如下。让是原始图像,它是由一个源区域,用的像素值是已知的,和一个目标区域,用,代表受损的区域被修复或区域填充,这意味着填补。如图5,这些都是不重叠的区域,也就是说,和源和目标之间的边界地区。结合现有的简化的图像编码架构是图所示5和提出工作的伪代码描述如下:提出的伪代码框架与基于pde修补算法拉普拉斯算符(参见算法3)。
(一)
(b)
3.2.4。纹理合成
失踪的纹理块与纹理填充从周边2]。让该地区被用。丢了块将会填满,像素到像素,光栅的方式。让是一个代表模板触摸左边的一个像素。我们继续找估计从可用的社区,这样一个给定的距离是最小化。按[2),是一个规范化的平方之和(SSD)指标的差异。一旦这样的估计发现,我们选择像素的直接估计权作为我们的候选人。对于随机纹理,算法随机选择的一个像素邻近的估计。模板可以是一个简单的种子3×3块像素。然后,所有可能的3×3块8个社区,找到最小归一化的SSD和一个像素是复制到当前的像素块的损失。这个算法是相当快(当使用改善21- - - - - -25]。
4所示。绩效评估
我们说明了该算法的性能对图像压缩和图像修复shearlet域使用ann和比较它与刘等人提出的图像修复方法。32008),是用MATLAB编写的代码。
4.1。测试条件和参数
该算法测试与USC-SIPI和柯达彩色图像图像数据库。在所有的睾丸,我们使用shearlet基地拉普拉斯算子的修补,我们设置的参数值,对于无噪声图像和对噪声图像。
4.2。整体性能
图6显示测试图像莉娜和相应的提出了系统的结果。在该测试中,从输入图像中提取边缘,如图6 (b)和删除的图像块清除(25%)如图6 (c)。
(一)
(b)
(c)
(d)
(e)
基于保护街区,shearlet拉普拉斯算子的修补结果图6 (d)。当比较图的恢复图像6 (e)JPEG 2000方案节省了36.15%的QP = 75比特。的比较标准图像显示50%位拯救是通过该方案相比JPEG 2000和31.61%储蓄相比,提出的基于边缘的图像修复方法刘et al。3]。bit-saving结果如表所示1。
图7显示了重建图像的方案与标准h / AVC Intracoding。表中所示的节约率也明显,2,但不是与JPEG 2000的比较。该方案可以获得48.07%的码率储蓄相比,先进的h Intracoding Kodim19 QP = 24的形象。码率节省图像Kodim11达到33.01%的方案相比,基于边缘的图像修复方法。
(一)
(b)
(c)
(d)
图8显示JPEG 2000的比较结果。第一行图8显示了该方法的结果和第二行了JPEG 2000的结果。提出系统的部分保存在表指示1。该方案平均节省43.54%位QP = 75 5图像如图8。峰值信噪比(PSNR)也是用来测量恢复图像的质量。这是定义如下: 在哪里是图像的最大可能的像素值。
(一)
(b)
(c)
(d)
(e)
图9给予客观质量对比方案,JPEG 2000和h / AVC Intracoding。它可以被观察到的客观质量方案优于这两个标准的压缩方案(JPEG和h . 2000 / AVC内部)和基于边缘的修补算法在低和高比特率。该算法适用于主观质量和PSNR值不是一个好的测量评价的主观质量,特别是对于结果的图像拉普拉斯算子在shearlet修复领域。
(一)
(b)
(c)
(d)
(e)
(f)
相同的视觉的重建图像质量不管大PSNR区别如图10。修补与边缘产生的结果难以区分与h / AVC内部。但修补方法降低比特率,因为更少的比特数需要编码的边缘。该算法平均节省21.07%的比特率有较高比例的图像纹理区域(山魈和kodim13)当QP = 24表所示2。
(一)
(b)
最近没有参照质量评估方法是采用本文提出的(26)来评估该方案相比,JPEG 2000和h / AVC内部。注意,在[26),阻止压缩图像中检测到的工件。从图11重建图像,它可以观察到,通过该方案包含更少的阻塞比JPEG 2000和h / AVC内部在相同的压缩比。结果显示了更好的降低码率与之前的方法相比视觉质量而言。
(一)
(b)
(c)
(d)
4.3。计算复杂度
的实验中,英特尔2 GHz CPU使用。shearlet域拉普拉斯算子的修补与助理的帮助信息模块是在2008年MATLAB实现。根据实证结果,shearlet域拉普拉斯算子的译码器修复过程需要平均3 - 4迭代收敛。我们发现该方案需要1 - 3 s解码768×512图像去除40%。修补的时间复杂度是删除区域的大小成正比。
该算法更简单,因为存在的区域移除和助理信息生成基于离散Shearlet变换(DST)。
5。结论
在本文中,我们开发一个基于人工神经网络的图像压缩框架,采用shearlet域修补技术。在这个算法中,相关区域自动识别和移除编码器。然后他们在解码器恢复使用修复方案。用于编码的关键技术是梯度下降法和自适应学习速率和反向传播算法拉普拉斯算子的图像修复shearlet域。实验结果表明,该方案会产生好的结果。该方案可达到50%和48.07%位储蓄相比,JPEG 2000和h / AVC内部,分别。
边缘提取可以灵活和适应性强的压缩。发现的地区,可以消除被认为是一个开放的问题,解决这个问题似乎会导致增加压缩比和输出质量。
利益冲突
作者宣称没有利益冲突有关的出版。