[发明专利]一种基于JND模型的图像压缩感知方法

说明书

本发明属于图像压缩领域，提供一种基于JND模型的图像压缩感知方法，用以提高图像压缩感知算法的效率。本发明利用JND模型建立感知误差的阈值，将原始图像块划分为人眼敏感的图像块和人眼不敏感的图像块；在压缩感知采样的样本分配过程中，为人眼敏感的图像块分配较多的样本，为人眼不敏感的图像块分配较少的样本，在整体采样率不变的情况下，根据人眼对图像内部特征的敏感程度自适应地分配采样样本，实现采样样本的合理分配，提高了采样效率，从而提高图像的重建质量。

技术领域

本发明属于图像压缩领域，主要涉及一种基于JND模型的图像压缩感知方法。

背景技术

压缩感知理论提供了一种突破奈奎斯特采样定理的高效数据压缩方法，对于稀疏信号，在远低于奈奎斯特采样率的条件下对其进行采样，仍能实现对信号的完整重建；压缩感知理论在图像处理领域的一个重要应用就是对图像信号进行数据压缩。以压缩感知采样为基础，人们可以在对图像信号进行数据采集的同时实现对数据的压缩，因此构成了一种高效的数据处理方法。

现有的基于压缩感知理论的图像压缩算法，忽略了图像内部的纹理特征等信息，对图像内部的不同区域采用相同的采样率进行采样和压缩，因此限制了图像压缩感知算法的效率。图像的内部特征包括边缘特征和纹理特征，而这两种特征对人类的视觉感知十分重要。人类的视觉系统容易觉察到图像中物体边缘的变化以及图像内部的纹理变化；针对人类视觉系统自身的特性，人们提出了最小可觉察误差(Just-Noticeable-Distortion，JND)模型，从而对人类视觉系统的亮度对比度特性和时空域掩藏效应进行模拟，并通过对图像内部边缘信息和纹理信息变化的客观评估，来衡量人眼对图像内部信息变化的敏感度。

发明内容

本发明的目的在于提供一种基于JND模型的图像压缩感知方法，用以提高图像压缩感知算法的效率，本发明以分块式图像压缩采样为基础，以JND模型为指导，定义图像块的纹理复杂度，根据图像的内部特征对图像块进行分类，对于具有不同特征的图像块，分配不同数量的采样样本，在总体采样率不变的前提下，实现高效的样本分配，提高压缩感知采样的效率和图像的重建效率。

为实现上述目的，本发明采用的技术方案为：

一种基于JND模型的图像压缩感知方法，其特征在于，包括以下步骤：

步骤1.预处理

针对分辨率为C×R的图像X，首先计算其压缩感知采样样本数、r为压缩感知采样率、C为原始图像的宽度、R为原始图像的高度，符号表示对符号内的数按照四舍五入的方式取最接近于它的整数；

然后，采用无重叠式图像分块方法将图像X划分为N个互不重叠的、边长为l的正方形图像块，记为x₁，x₂，…，x_i，…，x_N，i为图像块的索引：i∈{1，2，…，N}，N即为图像块的个数，并且N＝(C·R)/l²；

步骤2.计算图像复杂度

首先，对每一个像素点x，定义其梯度为θ(x)：G_v(x)为该像素点垂直方向梯度、G_h(x)为该像素点水平方向梯度；

然后，对每一个图像块x_i，定义其直方图为H_k(x_i)：δ(·)为单位冲击函数：

最后，对每一个图像块x_i，定义其图像复杂度为c_pi：||·||₀表示L₀范数；

步骤3.初始化每个图像块的采样样本数

对每一个图像块x_i，定义其采样样本数为c_i：