[发明专利]一种自适应计算图像底层特征重要性权重的方法

摘要

本发明是一种自适应计算图像底层特征重要性权重的方法，用于保证图像压缩时敏感目标的视觉完整性。本方法根据图像自适应的计算最佳的压缩参数，其中包括颜色、梯度、亮度和中心距离四个特征。在颜色的计算上，对待处理图片进行颜色直方图的统计并根据频率建立权重函数计算颜色权重；计算梯度时，将图像分块，在每个小块内计算像素点的梯度并对其方向进行直方图统计，计算块内方向变化规律来确定梯度重要性权重；在亮度的计算上，将待处理图像分割为两部分，计算每部分的亮度值并以值较大的部分作为权重计算的主要参考依据；在位置的计算上则赋予固定值，最终得到各底层特征相应的权重参数。

主权项

一种自适应计算图像底层特征重要性权重的方法，包括以下步骤：步骤一，计算颜色重要性权重：将待处理图像转换到HSV空间，对H通道的每行像素建立以n为步长的行直方图并进行统计，保存每个行直方图中的最大值和最小值；通过以下公式(1)计算出在待处理图像中表征颜色重要性的权重值wC， w c = 4 10 f min f max + 5 , w c ∈ ( 4 15 , 0.8 ) ⋐ ( 0,1 ) - - - ( 1 ) 其中fmin是所有行直方图中最小值的平均值，fmax是所有行直方图中最大值的平均值；步骤二，计算梯度重要性权重：将待处理图像分为若干块，计算各块内每个像素点的梯度并统计梯度方向，建立梯度直方图，然后计算所述各个块内像素值的方差，通过以下公式(2)计算出在待处理图像中表征梯度重要性的权重值wg； w g = 1 - grad i - grad min grad max - grad min , ifD ( S i ) > 4 M 0 , else - - - ( 2 ) 其中图像被划分为若干块，gradmax为所有块中梯度值最大的值，gradmin为所有块中梯度值最小的值，M为将0到2π区间以预定间隔分割的区间个数； grad i = Σ ( x , y ) ∈ patch i | | grad ( x , y ) | | grad i 为第i个块的梯度值。 D ( S i ) = Σ j = 1 8 ( x j - x ‾ ) 2 for patch i - - - ( 3 ) 公式(3)，将0到2π区间以预定间隔分为M个方向，D(Si)为块梯度直方图落入每个方向的方差，patchi表示所划分的块中的任意一块；步骤三，计算亮度重要性权重：图像中亮度较高的区域往往是图像中的敏感区域由于LAB空间中L分量代表了图像的亮度，将待处理图像转换到LAB空间，将转换后的图像以“回”字形分为面积相等的两个区域，对两个区域的L分量进行归一化处理并求和，根据以下公式(4)、(5)计算出在待处理图像中表征亮度重要性的权重值wi； w i = 1 s i + 5 - - - ( 4 ) S i = Σ ( x , y ) ∈ region 1 I ( x , y ) / 255 S region 1 , Σ ( x , y ) ∈ region 1 I ( x , y ) > Σ ( x , y ) ∈ region 2 I ( x , y ) 1 - Σ ( x , y ) ∈ region 1 I ( x , y ) / 255 S region 1 , Σ ( x , y ) ∈ region 1 I ( x , y ) < = Σ ( x , y ) ∈ region 2 I ( x , y ) - - - ( 5 ) 其中wi为亮度重要性权重，Si为亮度重要性，I(x，y)表示在Lab空间中像素坐标为(x，y)的亮度值，region1为“回”字形中心区域，region2为剩余区域，Sregion1为“回”字形中心区域的面积，步骤四，将位置重要性权重值wp设为固定的值，其中wp在(0，1)范围内；步骤五：对以上获得的四种权重值wc、wg、wI、wp按照以下公式进行归一化得到最终的底层特征重要性权重值，w′c，w′g，w′i，w′p为归一化后四种底层特种的最终极重值， w c ′ = w c w c + w g + w I + w p w g ′ = w g w c + w g + w I + w p w I ′ = w I w c + w g + w I + w p w p ′ = w p w c + w g + w I + w p - - - ( 6 )