[发明专利]一种基于图像级JND预测的感知图像压缩方法

说明书

本发明涉及一种基于图像级JND预测的感知图像压缩方法，该方法具体为：预测待压缩图像的JND数目，计算每个JND对应的预测QF值，根据给定压缩QF值与各预测QF值间的关系，获得最终的感知QF值，基于所述感知QF值进行图像压缩。与现有技术相比，本发明具有自适应较强、图像压缩效率高等优点。

技术领域

本发明涉及图像压缩技术领域，尤其是涉及一种基于图像级JND预测的感知图像压缩方法。

背景技术

随着社交网络和多媒体技术的发展，在互联网上产生了大量的图片信息。根据最近的统计结果，Instagram用户每天上传大约9000万张图片。因此，如何存储和传输这些图像是一项极具挑战性的工作。现有的图像压缩标准，比如H.264和HEVC，都是将PSNR(PeakSignal to Noise Ratio，峰值信噪比)和MSE(Mean Square Error，均方误差)作为衡量失真的标准。然而，PSNR在计算的过程中认为每个像素点同等重要，和人眼视觉系统不符。因此，研究面向人眼视觉系统的图像压缩算法显得尤为重要。

人们已提出多种方法来解决这一难题，包括基于JND(Just NoticeableDifference，恰可察觉失真)的方法、基于注意力模型的方法等。目前，基于JND的图像/视频感知压缩方法是研究的重点，如专利申请CN108447101A公开了一种基于JND模型的图像压缩感知方法。现有的JND模型主要分为两种：基于像素域和基于DCT(Discrete CosineTransform，离散余弦变换)域。基于像素域的方法主要考虑了人眼视觉系统中的亮度掩蔽效应和对比度掩蔽效应；基于DCT域的JND模型在像素域模型的基础上，加入了空间对比度函数。现有的感知编码模型虽然能够在一定程度上减少编码中的感知冗余信息，但是只考虑了有限的视觉特性并且不随着量化参数的改变而改变。最新的感知实验表明人眼视觉系统对图像质量的感知呈现阶梯状，并不是连续变化的，每个突变点可以看成是JND值。但是，对于一张图像，需要通过大量的主观实验才能得到最终的JND值，无法在现实中应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自适应、低复杂度和高压缩率的基于图像级JND预测的感知图像压缩方法。

本发明的目的可以通过以下技术方案来实现：

一种基于图像级JND预测的感知图像压缩方法，该方法具体为：

预测待压缩图像的JND数目，计算每个JND对应的预测QF值，根据给定压缩QF值与各预测QF值间的关系，获得最终的感知QF值，基于所述感知QF值进行图像压缩。

进一步地，采用一训练好的SVM模型预测待压缩图像的所述JND数目。

进一步地，训练所述SVM模型时，采用的训练数据包括源图像的JND数目以及每张源图像对应的多张失真图的平均JND标签值。

进一步地，每张失真图的所述平均JND标签值通过一基于CNN的自适应JND标签预测模型获得。

进一步地，所述基于CNN的自适应JND标签预测模型为两尺度的CNN分类模型，包括卷积层、池化层、全连接层和分类层。

进一步地，所述基于CNN的自适应JND标签预测模型的训练过程具体包括：

11)将训练集中的各图像划分为多个不重叠的图像块，所述训练集包括源图像及对应的失真图像；

12)对每个图像块的每个像素点值进行归一化处理后，设置每个图像块的JND标签；

13)以处理后的训练集进行自适应JND标签预测模型的训练。

进一步地，所述平均JND标签值的具体获得步骤包括：