[发明专利]基于稀疏表示模型的图像解码方法

说明书

技术领域

本发明涉及一种图像解码方法，特别涉及一种基于压缩感知的图像解码方法。

背景技术

近年来，图像压缩编码技术取得了长足进展，涌现出许多图像编码标准，如JPEG和JPEG2000。这些标准都是通过变换将图像信号或预测残差信号的能量集中到少数显著变换系数上，通过量化和熵编码将变换系数压缩为一定结构的码流。解码端通过反熵编码、反量化和反变换重构图像信号。当量化步长较大时，解码的图像质量会大幅度下降。

最近，Candès、Donoho等人提出的压缩感知理论(Compressive Sensing/Compressed Sampling，CS)表明：对于某个变换域下稀疏的信号，可以利用优化方法由与变换基非一致关系的观测矩阵生成的少量数据精确重建。因此根据压缩感知理论，解码器可以利用信号的稀疏特性，基于编码端传输的量化的观测数据，采用优化方法重建信号。与传统的反变换的解码方法相比，压缩感知重建解码方法具有较高的鲁棒，有望获得更高的图像重建质量。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于稀疏表示模型的图像解码方法。

本发明的技术解决方案是：

本发明提供的基于稀疏表示模型的图像解码方法，包括以下步骤：

(1)建立六个分段线性自回归模型(又称PAR模型)，它们反映图像的不同纹理，相应地，六个PAR模型对应六个自适应稀疏矩阵A，所述自适应稀疏矩阵由像素的权重构成，所述像素的权重就是PAR模型的参数值；

(2)在解码端，将反量化得到的图像块的变换系数通过IDCT变换，得到该图像块I_n×n的初值再通过分析该图像块的结构特征和纹理特征，确定选用六个PAR模型中的哪一个，即确定该图像信号的最优模式；

(3)根据该图像信号的最优模式，预测该模式中PAR模型的参数值；

(4)将得到的模型参数填充到自适应稀疏矩阵A中；

(5)通过求解下式对该图像块进行信号重构：

f^=argmin||Af||1,s.t.||Φf-y||2≤ϵ,]]>

上式表示在满足||Фf-y||₂≤ε条件下取使||Af||₁最小的f值；式中，f表示图像块I_n×n经过列扫描后得到的N×1维向量，表示f的重构，A表示N×N维的自适应稀疏矩阵，其中N＝n×n，A使||Af||₁稀疏，ε表示由量化噪声引起的误差，y表示观测值，它通过在解码端将反量化得到的图像块变换系数矩阵进行列扫描获得，是N×1维的列向量；Φ表示标准观测矩阵；

(6)若步骤(5)解出的列向量不满足设定条件，则将其再次代入步骤(3)，预测PAR模型的参数值，继续步骤(4)和(5)，PAR模型参数通过f的第(t-1)次预测得到；如此迭代下去，直到前后得到的两个值满足设定条件为止；这样最后迭代得到的即为所求，然后将最后迭代得到的列向量转化成矩阵实现该图像块的解码。

步骤(1)中六个PAR模型包括两个四级的PAR模型和四个二级的PAR模型；自适应稀疏矩阵A用行向量表示为A＝{a₁；a₂；…；a_N}，每一行向量{a_i}包含一组PAR模型参数{a_i，j}；定义M为六个PAR模型的数学表示：

M＝{M¹，M²，M³，M⁴，M⁵，M⁶}