[发明专利]DCT域内基于视觉注意力机制的图像JND阈值计算方法

说明书

技术领域

本发明涉及图像／视频编码技术领域。

技术背景

传统的图像／视频编码技术主要针对空间域冗余、时间域冗余以及统计冗余进行压缩编码，但很少考虑到人眼视觉系统特性和心理效应，因此大量视觉冗余数据被编码并传输，为了进一步提高编码的效率，研究人员开始了致力于去除视觉冗余的研究。目前一个表征视觉冗余的有效方法就是基于心理学和生理学的最小可察觉失真模型，简称JND模型，也可称为恰可察觉失真模型，即人眼不能感知的变化，由于人眼的各种屏蔽效应，人眼只能觉察超过某一阈值的噪声，该阈值就是人眼的恰可觉察失真，代表着图像中的视觉冗余度。JND模型常用来指导图像或视频的感知编码和处理，如预处理、自适应量化、码流控制、运动估计等。

现有的可察觉失真(JND)模型可以大致分为两类：第一类为像素域JND模型，其基本原理大多是通过表征亮度自适应效应和纹理掩蔽效应来建模，例如文献1(参见X.Yang，W.Lin，Z.Lu，E.P.Ong，and S.Yao，“Just-noticeable-distortion profile with nonlinear additivity model for perceptual masking color images”，LEEE Trans.CircuitsSyst.Video Technol.，vol.15，no.6，pp742-752，Jun.2005)中提出了基于空域的彩色图像JND模型，但是由于其无法很好的将对比敏感度函数(Contrast Sensitive Function，CSF)整合进来，因此这类模型没有办法得到精确的JND值，常作为计算JND阈值的快速方法来使用。

第二类JND模型为子带JND模型，这类模型是在变换域中进行计算，例如DCT域、小波域、CONTOURLET域等。由于大多数图像／视频编码标准都是基于DCT域(如JPEG、H.261／3／4、MPEG-1／2／4)，因此基于DCT域的JND模型得到了很多研究者的关注，例如文献2(参见Z.Wei and K.N.Ngan，“Spatial just noticeable distortion profile for image in DCT domain，”In Proc.IEEE Int.Conf.Multimeda and Expo，pp.925-928，2008.)中结合图像的亮度自适应特性，空间对比度效应以及基于块分类的对比度掩盖效应，但是该模型并没有考虑人眼的视觉注意力机制对JND模型的影响，因此计算精度有待进一步提高。

发明内容

在WEI的模型的基础上本发明结合视觉注意力机制提出了一个新的DCT域内图像JND模型建模方法，通过综合考虑视觉注意力效应和对比度掩蔽效应设计出了一种综合的调制函数和亮度自适应效应一起对空间对比度敏感函数进行调制的方法。

为此，本发明给出技术方案实施步骤为：

一种基于DCT域的图像可觉察失真度计算方法，采用如下技术方案，包括以下步骤：

步骤S1：将选定的图像进行8x8的DCT变换，将其由空域变换到DCT域。

步骤S2：在DCT域，根据空间对比度效应阈值和亮度自适应调制因子的乘积计算获得的基本的可觉察失真度JND值。

步骤S3：利用canny边缘检测器对图像进行分块，分为平滑块、边缘块和纹理块，得到基于块结构的对比度掩蔽函数。

步骤S4：利用视觉注意模型对图像进行显著性检测，得到图像的显著图。

步骤S5：

若选择方案一，此步骤则按照步骤S4所得的显著图对图像进行分割，将图像分为显著区域和非显著区域，然后基于每个点的显著值，得到基于视觉注意力机制的对比度掩盖因子。

若选择方案二，此步骤则首先将图像分割成显著区域和非显著区域，然后对步骤S4所得的显著图分块，用每个块的显著值的平均值代替整个块的显著值，并基于每个块的显著值得到基于视觉注意力机制的对比度掩蔽因子。

步骤S6：将步骤S5得到的图像显著区域和非显著区域的分割结果和步骤S3所得的块分类结果相结合，对图像进行更加细致的分块，并将基于视觉注意力机制对比度掩蔽因子和基于块结构的对比度掩蔽因子按照线性关系结合起来，得到综合的对比度掩蔽调制函数，

步骤S7：步骤S6计算得到的调制函数值对步骤S2计算得到的JND基本阈值进行调制，得到最终的JND阈值。

上述技术方案体现出的关键技术要点：