[发明专利]一种稀疏编码的存储优化方法

说明书

本发明公开一种稀疏编码的存储优化方法，以均方误差为目标函数对目标信号y进行稀疏表征，并计算稀疏表征结果的线性系数s_i；在基于不同图像度量一致性的基础上，分析基于均方误差的重构图像和基于结构相似性的重构图像的PSNR值和对比度；根据分析结果，对稀疏表征结果中的线性系数s_i的比特进行分配，利用最少量的比特数存储稀疏编码的编码结果，实现稀疏编码的存储优化。本发明的稀疏编码的存储优化方法在对于不同图像度量方法进行深入分析研究的基础上，通过综合考虑重构图像的PSNR值和图像对比度对稀疏编码的比特分配问题进行分析，根据分析结果，完成了稀疏编码的最优化比特分配方法，即实现稀疏编码的存储优化，节省了稀疏编码的存储空间。

技术领域

本发明涉及信号处理技术领域，特别涉及一种稀疏编码的存储优化方法。

背景技术

信号的表征与编码一直是信息领域的一个研究热点，同时也是信息技术中发展最为迅速的方向之一。模拟信号的数字化使现实世界中的信息可以被采集并被计算机处理，伴随着存储技术的高速发展，硬件设备的存储能力也在不断提升，各类信息也在以更快的速度增加。一般来说，采用低维空间中的点集来表示信号，具有表达信息丰富和较强的直观性等优点。但同时也包含大量冗余信息，不但占用网络资源量增加，而且也不利于计算机对信息的分析和处理。因此，编码技术具有极为重要的作用，它不仅可以减少存储信息所占用的空间，提高传输效率，同时对部分信号，例如实时视频数据的传输、显示等都具有极为重要的意义。稀疏编码就是一种常见的信息表示方式。

稀疏编码是指采用一组基函数的线性组合来获得原始图像的编码表示的过程。在这组线性组合中只有少量系数的绝对值较大，而剩余大部分系数的绝对值非常小或者接近于0。因此，只需要极少部分的系数就可以近似地逼近原始信号。

在稀疏编码中，对于任意一个维度为d的信号向量y，需要找到一个线性变换来线性逼近y。给定一个基函数集X，X中包含n个维度为d的向量{x₁,x₂,…,x_n}，具体形式如下：

y＝s₁x₁+s₂x₂+…+s_nx_n+o1

上式中，s₁,s₂,…,s_n和o是线性标量系数，而向量1是维度为d，元素值全为1的向量。在稀疏编码中，向量集合X被称为基函数集(或码本集)，集合中的每个向量x_i被称为基函数(或码本)。为了存储编码结果x，只需要存储线性系数s，o和x_i在基函数集中的索引(其中，i＝1,2,…,m)。

经过多年的研究，稀疏编码已经在诸多领域中取得了突破性的进展，但是目前尚没有关于稀疏编码最优化存储模式的研究出现。在稀疏编码算法研究中没有人分析编码稀疏数据的比特分配。在信号的稀疏编码存储中，稀疏编码的存储模式好坏不仅影响信号保存时所占用的内存空间，而且稀疏编码的稀疏系数的数据存储精度也会对重构信号的质量产生很大的影响，目前稀疏编码的存储不够优化，占用存储空间大。

传统的图像质量度量方法种类很多，如均方误差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)都是基于绝对误差的度量方法。而结构相似性(SSIM)指数是另一种重要的质量度量方法，并且已被证明在人类视觉系统(HVS)中更为有效。尽管MSE和SSIM之间在数学原理上存在许多本质的区别，但它们之间依然存在一些重要的关联。

基于绝对误差的图像度量方法，如均方误差(MSE)、信噪比(SNR)和峰值信噪比(PSNR)是最常用的相似性度量方法。对于给定的两个信号x和y，信号x可以表示为一个信号向量{x₁,x₂,…,x_d}，信号y也可以表示为{y₁,y₂,…,y_d}。那么两个图像块x和y之间的MSE值可以计算如下，