[发明专利]一种基于香农熵和差分进化的多级阈值图像压缩方法

说明书

所属领域

本发明涉及计算机信息技术领域，具体地涉及图像压缩领域。

背景技术

图像压缩是图像传输和存储中的最重要步骤之一，图像压缩技术可以分为两种方式即有损和无损压缩。有损压缩的特点是一些重要的数据可能会因为压缩被覆盖，这不会发生在无损压缩中，因此有损压缩一般用于流媒体和电话应用程序。无损压缩的要求比有损压缩的要求高很多，使得在压缩之后图像的各个部分都能得到保留，而不是被覆盖，因此主要应用于航空航天和医学应用领域。

重要的图像质量指标包含峰值信噪比(PSNR)、WPSNR和压缩图像文件的存储空间大小，用于比较和测试。在最近，随着新技术、高速互联网的来临，大容量图像压缩成为了必须完成的重要任务之一。此外，医学科学越来越需要大量图像的数字存储，其中通常大部分是灰度图像。在无线传感器网络中，低功耗设备部署的地方，图像压缩技术也需要降低功耗，传输时间和故障概率。

发明内容

针对上述不足之处，本发明提出了一种使用香农熵和差分进化的多级阈值图像压缩方法，阈值将图像划分成几个对象和背景，阈值数目增加时，图像开始分割，但在同一时间接近于原始图像。直方图是通过使用较高的阈值来获取近似，从而降低压缩误差。直方图的近似是通过香农熵的最大化实现的。随着阈值数目的增加，计算时间几乎呈指数增加，为此差分进化(DE)方法被用于优化。由于基于直方图处理的压缩技术，不论图像的大小计算时间是相同的。

本发明的目的是：使图像压缩能适用于各个领域，并实现减少压缩时间、提高压缩效率和压缩图像质量的目的。

本发明为达到上述目的所采用的技术方案是：一种基于香农熵和差分进化的多级阈值图像压缩方法，该方法的实现步骤如下：

步骤1将原始图像经过dsp处理取得数字图像信号，香农熵初始化参数k0的值为0，迭代次数c为0，获取图像的平均自信息量。

步骤2坐标变量y取较大的实数，坐标变量x取图像灰度平均值，对灰度均值残差采样，将其分成5×5矩阵分块，根据去噪等级获取随机概率分布。

步骤3采用加权香农熵阈值法获得图像分割的最佳阈值t*，并计算阈值t*所对应的图像分割效果评价函数H′的值。

步骤4若当前函数H′值小于坐标变量y的值，则将函数值传给坐标变量y，阈值t*传值给坐标变量x；迭代次数c加1，若c小于最大迭代次数则更新香农熵初始化参数k的值，否则直接进行差分进化处理。

步骤5更新初始化参数k的值，kc＝kc+d，其中d是搜索步长，即d＝1.0/最大步长，坐标变量x的值作为加权香农熵法分割图像的最优参数值。

步骤6混合加权香农熵和阈值分割信号，对其进行差分进化处理，对得到的矩阵进行可逆变换，分解出信号中的噪声，最终得到压缩图像。

本发明的有益效果是：使用该方法能够实现图像压缩在多个领域得以实现，达到压缩时间减少，压缩效率提高，压缩图像质量提高的目的。

附图说明

图1表示香农熵差分进化多级阈值压缩流程

图2表示表示香农熵平均加权变化

图3表示阈值分割最大值变化

具体实施方式

本发明使用香农熵和差分进化的多级阈值图像压缩方法，阈值将图像划分成几个对象和背景，并使用直方图和差分进化方法用于本发明，提高了图像的压缩效率和质量。

以下，结合附图1到附图3对本发明进行详细说明。

一、香农熵，结合图1、图2

在信息理论中，熵被用于衡量随机变量的随机性，熵的单位为比特。熵是不确定性的量度而不是确定性的量度，因为越随机的信源的熵越大)。事件的概率分布和每个事件的信息量构成了一个随机变量，这个随机变量的均值(即期望)就是这个分布产生的信息量的平均值(即熵)。假设一个离散随机变量X，香农熵初始化参数为k，迭代次数为c，X的取值范围为X₁，X₂…X_n。被随机变量传输的信息数量可能通过以下的公式被定量测试。

I(X_i)＝-log₂P(X_i)

Xi是P(Xi)发生的可能性标识，n是符号的总数量。香农熵的定义为：

随机变量有两个可能的取值，香农熵获取一个最大值，类似地，n个随机变量，当随机变量等于1/n的所有可能性达到的时候，就会取得其最大值，也就是随机变量可能相等。当概率分布P的不确定性程度越大时，其对应的熵H(P)值越大；反之，其熵H(P)值就越小。香农熵H(P)具有如下典型性质：