[发明专利]基于霍夫曼编码的深度图压缩方法、解压缩方法及编码器

说明书

本发明公开了基于霍夫曼编码的深度图压缩方法、解压缩方法及编码器，涉及图像压缩技术，属于电通信的技术领域。该方法根据从深度图像中提取的输入数据流创建霍夫曼树，根据所创建的霍夫曼树并通过深度学习算法训练描述深度图输入像素点和实际霍夫曼编码值对应关系的线性回归模型，根据训练后的线性回归模型输出的优化霍夫曼编码构建对应于输入像素点的编码表，通过快速地为输入的像素点计算霍夫曼编码实现了深度图的快速压缩，缩短压缩时间，提高编码效率。

技术领域

本发明公开了基于霍夫曼编码的深度图压缩方法、解压缩方法及编码器，涉及图像压缩技术，属于电通信的技术领域。

背景技术

深度图是通过立体照相机或者TOF相机获取的。深度图像又被称作距离影像，是指以从图像采集器到场景中各点的距离作为像素值的图像，它直接反映了景物可见表面的几何形状。深度图像经过坐标转换可以计算为点云数据，有规则及必要信息的点云数据也可以反算为深度图像数据。我们通过深度相机构建交互式空间，多个相机可用于测量较大的交互空间或者解决单个相机的视线限制。但是，我们需要校准相机并且将它们置于同一坐标系中，但是每一台相机只能连接一台pc，因此我们需要多台联网的电脑，通过局域网传输相机数据，将图像处理的任务交给主机，因此深度图压缩技术就起到了作用。

联网多个相机的pc传输数据将受到网络带宽的影响，例如单个微软的kinect传感器传输彩色高清图像使用视频传输速率需要超过1.4Gbps的网络带宽，但是使用高质量的压缩方式可以将所需带宽降低到30.7Mbps或15.4Mbps，允许在典型的1Gbps局域网上使用多个摄像头。Kinect的深度图像为512×424，每个深度图像约为424KB或104Mbps。一个典型的1Gbps大约可以支持7个kinect设备，但是通过压缩深度图像可以允许支持七个以上的设备，减少延迟，并为其它要传输的数据保留网络带宽。

经典的霍夫曼编码依据字符出现概率来构造异字头的平均长度最短的码字，当创建的霍夫曼树包含较多带权路径时，为输入的像素点寻找对应的霍夫曼编码相对复杂、耗时较大，因而降低编码效率。本申请旨在提出一种能够快速地为输入的像素点寻找霍夫曼编码的深度图压缩方法。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了基于霍夫曼编码的深度图压缩方法、解压缩方法及编码器，通过快速地为输入的像素点计算霍夫曼编码实现了深度图的快速压缩，解决了传统霍夫曼编码效率较低的技术问题。

本发明为实现上述发明目的采用如下技术方案：

基于霍夫曼编码的深度图压缩方法，根据从深度图像中提取的输入数据流创建霍夫曼树，根据所创建的霍夫曼树并通过深度学习算法训练描述深度图输入像素点和实际霍夫曼编码值对应关系的线性回归模型，根据训练后的线性回归模型输出的优化霍夫曼编码构建对应于输入像素点的编码表。

进一步的，基于霍夫曼编码的深度图压缩方法中，通过深度学习算法训练描述深度图输入像素点和实际霍夫曼编码值对应关系的线性回归模型的过程中，采用梯度下降法拟合使得代价函数最小的线性回归模型参数。

进一步的，基于霍夫曼编码的深度图压缩方法中，从深度图像中提取的输入数据流创建霍夫曼树的方法为：将深度图转换为二进制编码的输入数据流，将输入数据流的字符值转换为ascii码后再根据ascii码中各字符的权值构建霍夫曼树。

进一步的，基于霍夫曼编码的深度图压缩方法中，存储编码表于输出文件中。

再进一步的，基于霍夫曼编码的深度图压缩方法中，代价函数为：x为输入的像素点，a和b为线性回归模型的参数，m为训练的数量，y(x)为线性回归模型的计算值，a(x)为实际的霍夫曼值。

再进一步的，基于霍夫曼编码的深度图压缩方法中，采用梯度下降法合使得代价函数最小的线性回归模型参数的具体方法为：按照表达式递减线性递归模型参数a直至模型收敛，α为步长。