[发明专利]一种联合先验模型和细节增强的图像去压缩方法

权利要求书

1.一种联合先验模型和细节增强的图像去压缩方法，其特征在于包括以下步骤：

步骤一：针对JPEG压缩图像，建立高斯量化噪声模型构建数据项；具体地，高斯量化噪声模型为：

其中，y表示压缩图像，x表示原始图像，e表示具有高斯分布的量化噪声，表示量化噪声方差，Q表示大小为8×8的量化矩阵，表示矩阵Q左上角九项的平均值；构建得到的数据项为：

步骤二：构建基于形状自适应低秩先验和量化约束先验的去块模型；具体地，对于给定压缩图像y，首先将其划分成许多重叠的m×m个图像块，在W×W搜索窗口内寻找c个最相似的块以形成块组G_i，将所有图像块堆叠为矩阵表示从图像y中提取块组的操作；然后，基于步骤一中的量化噪声模型，将从压缩图像矩阵中估计原始图像矩阵的问题表示为：此处表示压缩噪声矩阵，表示压缩噪声方差，γ是一个正常数，定义为：表示的第j个奇异值，m²为上述重叠的m×m图像块总个数，c为块组G_i中的相似块个数；其次，使用基于各向异性局部多项式逼近—置信区间的交集的各向异性自适应邻域获得形状自适应块，将其应用于压缩图像的低秩近似；用A(·)表示提取形状自适应块，则可进一步将上述问题表示为：最后，为了获得更准确的估计并避免过度平滑，选择对DCT系数进行量化约束，得到量化约束集S对结果做一个额外约束；

步骤三：构建基于稀疏表示的细节增强方法；具体地，首先用JPEG标准压缩每个原始训练图像，然后用上述步骤二的去块模型获得相应的解压缩图像，引入脊回归并使用训练样本邻域训练稀疏字典D_l，在l₂范数的约束下表示为：其中，y_k是解压缩图像的特征块，N_l包含与y_k匹配的字典D_l原子的K个最近训练样本，λ是正则化参数，β为希望得到的稀疏系数；可得到这个最小二乘问题的解为：由于解压缩图像字典和原始图像字典之间存在相同的稀疏系数，可以得到解压缩图像和原始图像间映射矩阵M为：其中，N_h是训练集中对应于N_l的细节图像样本邻域；得到映射矩阵后，即可通过的方式计算每个特征块对应的图像细节块最后，整合图像细节块，平均重叠区域以获取最终恢复的图像；

步骤四：在最大后验框架下，建立联合先验模型和细节增强的图像去压缩的优化函数；具体地，其可表示为：

其中，x(0)＝y,F_j(·)表示从中提取特征块，表示将特征块聚合为图像，/表示逐元素除法，O是一个所有元素都是1的矩阵；

步骤五：用奇异值阈值和凸二次最小化求解优化函数，重建出去压缩图像；具体地，首先将上述步骤四种的优化函数方程式分解为如下两个子问题：

然后，对于子问题，用奇异值阈值(SVT)算法求解；对于x子问题，由于为严格凸二次最小化问题，将梯度设置为0，得到无约束条件下的解为：其中，表示将块组返回为图像；此外，利用上述量化约束集S作进一步约束得到最终解最后，将初始去块图像应用于上述步骤三的细节增强方法得到最终恢复的图像。