基于自适应相似集合稀疏的差错隐藏方法技术

本发明专利技术提供了一种基于自适应相似集合稀疏的差错隐藏方法。本发明专利技术不同于传统的采用单一图像块或固定数目图像块作为修复单元的方法，该方法根据自然图像中图像块之间的联合特征，自适应地选取不同数量的相似图像块，构造自适应相似集合；然后以相似集合作为基本单元，训练自适应字典，并构造基于稀疏表示的图像恢复模型；最后，采用分解Bregman迭代框架算法高效地求解目标代价函数。本发明专利技术所提方法采用自适应相似集合作为差错隐藏的基本单元，能够有效地排除非相似块的干扰，准确地构造相似集合，保证恢复后的图像具有较好的清晰度，能够进一步提高图像的恢复质量。

【技术实现步骤摘要】
基于自适应相似集合稀疏的差错隐藏方法
本专利技术涉及一种基于自适应相似集合稀疏的差错隐藏方法，属于视频通信中的后处理技术。
技术介绍
随着互联网和无线移动通信的快速发展，视频通信逐渐成为网络通信的主要业务。压缩的视频码流对于信道误码极为敏感，传输过程中的误码可能导致解码端出现不能正确解码的图像块，严重降低视频的播放质量。为了减轻误码对视频质量的影响，相比于编码端的抗误码技术，解码端的错误隐藏技术由于不需要增加编码冗余和改变码流结构而受到广泛关注。空域错误隐藏主要利用帧内图像中普遍存在的空域相关性来恢复丢失块，不依赖任何时域信息。灵活宏块组织可以为不同空域错误隐藏(SEC)算法提供一个共同的比较基准和统一的测试平台。在灵活宏块组织中，一帧图像分为几个独立可解码的块组，并且每个块组包含一系列的块，不同的块组封装成不同的包，这样，解码图像的丢失块可以被邻近的正确像素块予以隐藏。在某些应用程序中，一个包的损失意味着图像内一个块组的损失。本专利技术专利针对的是图像编码块大小是8×8的情况，并假设丢失块的位置可以被解码器得到。根据丢失块的周围块的损坏情况，可以将损坏情况分为棋盘丢失或连续丢失。棋盘丢失表示一个丢失块周围的相邻块被正确接收，连续丢失的一个特例是图像突发错误，即一整行的块全部丢失，它是差错隐藏的一个难题。图1a和图1b给出了错误隐藏所用的两种通用丢失模式，即：棋盘丢失模式和连续丢失模式，图中每个方块表示大小为8×8像素块，白色表示接收成功的块，黑色表示接收到的损坏块。图1a显示了典型的棋盘丢失模式，丢失块周围四个相邻块都被正确接收。对于棋盘丢失模式，许多SEC算法可以充分地利用损失块周围的信息进行有效的错误隐藏。图1b是连续丢失模式的一个示例，这是一个更具挑战性的丢失模式，因为同在一行的相邻块均丢失，待隐藏的块缺少其左右的正确块信息，可以利用的相关信息更少，许多SEC算法都难以有效应对连续块损失。连续块损失仍然是空域错误隐藏的一个开放性的难题。
技术实现思路
本专利技术的目的是：提高视频通信中差错隐藏的质量性能。为了达到上述目的，本专利技术的技术方案是提供了一种基于自适应相似集合稀疏的差错隐藏方法，其特征在于，包括以下步骤：步骤1、输入原始图像I及模拟丢失矩阵S，S为典型通用丢失模式，S.*I得损坏图像y；步骤2、对损坏图像y采用双线性插值方式进行预处理，得到迭代输入图像In，并赋值给恢复图像x；步骤3、循环执行以下步骤：步骤3.1、更新迭代输入图像In，In＝x-c，式中，c为临时图像；步骤3.2、将迭代输入图像In分解为N个图像块xk，k＝1，2，...，N，基于相似准则得到每个图像块的相似图像块，每个图像块的所有相似图像块构成一个块组，由每个块组构造一个自适应相似集合，其中，第k个图像块xk的块组为由块细构造的自适应相似集合为步骤3.3、对每个自适应相似集合进行奇异值分解，获得与每个自适应相似集合相对应的自适应字典及稀疏表示向量，其中，对自适应相似集合进行奇异值分解后得到奇异值向量[SG_S，SG_V，SG_D]，式中，SG_V为对角矩阵，SG_S、SG_D为酉矩阵，将SG_V中绝对值小于τ＝λK/μN的元素置为0得到稀疏表示向量式中，λ及μ为比例系数，K为一般参数，由SG_S和SG_D得自适应字典步骤3.4、更新临时图像F，式中，为从中提取自适应相似集合并进行转置运算的运算符；步骤3.5、更新临时矩阵r，r＝S.*y+μ*(F+c)；步骤3.6、更新恢复图像x，x＝(1/μ)*(r-S.*(A.*(S.*r)))，式中，A＝1./(μ+S)，/表示两个向量的元素划分；步骤3.7、从第二次循环开始，计算前后两次得到的恢复图像x的平均绝对误差MAD，当MAD小于阈值E或者迭代次数到达阈值Imax时直接跳出循环，否则转到执行步骤3.1；步骤4、输出最终得到的恢复图像x。优选地，在所述步骤3.2中，块组中的每一个相似图像块作为所述自适应相似集合的列向量。优选地，在所述步骤3.2中，所述相似准则为欧几里得距离相似准则、结构相似性指数SSIM或平均绝对误差的相似准则。优选地，在所述步骤3.2中，所述第k个图像块xk的相似图像块通过以下步骤搜索：在大小为SWin的范围内每次滑动距离SDis来搜索第k个图像块xk的相似图像块，然后取前d个相似图像块的图像块构造所述自适应相似集合优选地，在所述步骤3.3中，所述自适应字典被定义为：则为中的第i列，i＝1，2，……，m，为SG_S中的第i列，为SG_D中的第i列的转置。本专利技术不同于传统的采用单一图像块或固定数目图像块作为修复单元的方法，该方法根据自然图像中图像块之间的联合特征，自适应地选取不同数量的相似图像块，构造自适应相似集合；然后以相似集合作为基本单元，训练自适应字典，并构造基于稀疏表示的图像恢复模型；最后，采用分解Bregman迭代框架(SBI)算法高效地求解目标代价函数。本专利技术所提方法采用自适应相似集合作为差错隐藏的基本单元，能够有效地排除非相似块的干扰，准确地构造相似集合，保证恢复后的图像具有较好的清晰度。本专利技术与其它空域差错隐藏算法相比，能够进一步提高图像的恢复质量。由于本专利技术方法以自适应相似集合作为基本单元，因此能够充分地利用自然图像中的空域相关信息，根据图像信号的先验特征指导图像的恢复过程，从而保证算法的高效性。附图说明图1a为错误隐藏所用的棋盘丢失模式；图1b为错误隐藏所用的连续丢失模式；图2为建议算法的流程图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。结合图2，本专利技术提供的一种基于自适应相似集合稀疏的差错隐藏方法可分为以下几个阶段进行：(1)提取自适应相似集合首先，将待恢复图像x划分为N个尺寸为的重叠图像块，每一个图像块由向量表式，k＝1，2，...N。中Bs表示每一个块向量的维度大小。对于每一个块Bs，在L×L的训练窗内，寻找它的最佳相似块，它由块组构成。本专利技术将平均绝对误差作为不同块之间的相似准则。中的所有块被组合成尺寸为Bs×c的矩阵，表示为它包含了中的每一个块来作为它的列向量，即矩阵包含了所有带有相似结构的块，它被称为一个相似集合，其定义为：式中是一个从x中提取集合的运算符，它的转置表示为能够把一个集合放到重构图像的第k个位置，在其它位置用0填充。通过求解所有相似集合的平均值，采用对整幅图像x的恢复转化为：式中./表示两个向量的元素划分，是一个所有元素都为1尺寸为BS×C的矩阵。在本专利技术中，每一个块xk代表一个向量，而每一个集合代表一个矩阵。通过上述定义，显而易见每一个块xk对应一个集台(2)构造基于自适应相似集合的稀疏字典为了在统一的框架内同时利用自然图像的局部稀疏性和非局部自相似性，本专利技术采用了自然图像在组域的稀疏表示，所提模型称为自适应相似集合稀疏表示模型，模型假设每一个相似集合都能够被自适应字典的一些原子精准地表示。构造字典每一个原子是一个和集合同样尺寸的矩阵，m是中原子的数量。的尺寸为(Bs×c)×m，即特别地，每一个集合利用进本文档来自技高网...

【技术保护点】
一种基于自适应相似集合稀疏的差错隐藏方法，其特征在于，包括以下步骤：步骤1、输入原始图像I及模拟丢失矩阵S，S为典型通用丢失模式，S.*I得损坏图像y；步骤2、对损坏图像y采用双线性插值方式进行预处理，得到迭代输入图像In，并赋值给恢复图像x；步骤3、循环执行以下步骤：步骤3.1、更新迭代输入图像In，In＝x‑c，式中，c为临时图像；步骤3.2、将迭代输入图像In分解为N个图像块xk，k＝1，2，...，N，基于相似准则得到每个图像块的相似图像块，每个图像块的所有相似图像块组成一个块组，由每个块组构造一个自适应相似集合，其中，第k个图像块xk的块组为

【技术特征摘要】
1.一种基于自适应相似集合稀疏的差错隐藏方法，其特征在于，包括以下步骤：步骤1、输入原始图像I及模拟丢失矩阵S，S为典型通用丢失模式，S.*I得损坏图像y；步骤2、对损坏图像y采用双线性插值方式进行预处理，得到迭代输入图像In，并赋值给恢复图像x；步骤3、循环执行以下步骤：步骤3.1、更新迭代输入图像In，In＝x-c，式中，c为临时图像；步骤3.2、将迭代输入图像In分解为N个图像块xk，k＝1，2，...，N，基于相似准则得到每个图像块的相似图像块，每个图像块的所有相似图像块组成一个块组，由每个块组构造一个自适应相似集合，其中，第k个图像块xk的块组为由块组构造的自适应相似集合为步骤3.3、对每个自适应相似集合进行奇异值分解，获得与每个自适应相似集合相对应的自适应字典及稀疏表示向量，其中，对自适应相似集合进行奇异值分解后得到奇异值向量[SG_S，SG_V，SG_D]，式中，SG_V为对角矩阵，SG_S、SG_D为酉矩阵，将SG_V中绝对值小于τ＝λK/μN的元素置为0得到稀疏表示向量式中，λ及μ为比例系数，K为一般参数，由SG_S和SG_D得自适应字典步骤3.4、更新临时图像F，式中，为从中提取自适应相似集合并进行转置运算的运算符；步骤3.5、更新临时矩阵r，r＝S.*y+μ*(F+c)；步骤3.6、更新恢复图...

【专利技术属性】
技术研发人员：王冰，刘浩，李康达，陈根龙，孙嘉曈，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31