The invention discloses a dictionary learning static image lossy compression method based on the minimum quantization error criterion, which is used to solve the technical problems of the existing static image lossy compression method and the large quantization error. The technical scheme is the objective function of the information entropy of the sparse coefficient corresponding index as the regularization term added in sparse encoding, using orthogonal matching pursuit algorithm to select the dictionary atoms, by minimizing the dispersion of information entropy to limit the dictionary, reduce the sparse coefficients of the corresponding index encoding cost; at the same time, in the process of dictionary learning, through to sort the sparse coefficient, and find the sparse coefficient of deviation square and minimum K used sequence division, each division as a quantitative group, between different quantization group with different quantization step, using the same quantization step with a quantitative group, in order to make the final minimum quantization error.
【技术实现步骤摘要】
基于最小量化误差准则的字典学习静态图像有损压缩方法
本专利技术涉及一种静态图像有损压缩方法,特别是涉及一种基于最小量化误差准则的字典学习静态图像有损压缩方法。
技术介绍
文献“Compressibilityconstrainedsparserepresentationwithlearntdictionaryforlowbit-rateimagecompression,IEEETransactionsonCircuitsandSystemsforVideoTechnology,2014,Vol24(10),p1743–1757”公开了一种基于凸松弛与压缩约束的稀疏编码方法用于图像的有损压缩。该方法使用基于凸松弛的稀疏编码代替了传统的追踪匹配算法,强化了图像表示系数的稀疏性和稳定性。同时,将压缩约束加入到稀疏编码的求解过程中,将稀疏编码问题转化为范数优化问题,通过循环迭代逼近该问题的最优解,从而获得图像在给定的超完备字典上的稀疏系数。最终,通过对稀疏系数进行量化和熵编码获得低码率的压缩图像码流。文献所述方法在超完备字典上选取的字典原子分散在整个字典空间中,使得字典原子的整体信息熵较高,难以进行有效的编码压缩;另外,文献所述方法中,量化表使用K-means算法进行学习,该过程独立于字典学习过程,因此量化表无法适应学习到的超完备字典,造成量化误差变大。
技术实现思路
为了克服现有静态图像有损压缩方法量化误差大的不足,本专利技术提供一种基于最小量化误差准则的字典学习静态图像有损压缩方法。该方法将稀疏系数对应索引的信息熵作为正则项加入稀疏编码的目标函数中,在使用正交匹配追 ...
【技术保护点】
一种基于最小量化误差准则的字典学习静态图像有损压缩方法,其特征在于包括以下步骤:步骤一、对训练图像进行分块和规范化;将所有训练图像划分为16×16的图像块,对于每个图像块,按照公式(1)进行规范化
【技术特征摘要】
1.一种基于最小量化误差准则的字典学习静态图像有损压缩方法,其特征在于包括以下步骤:步骤一、对训练图像进行分块和规范化;将所有训练图像划分为16×16的图像块,对于每个图像块,按照公式(1)进行规范化其中,vij表示图像块中坐标为(i,j)的像素点的灰度值,m,n分别表示图像块的长宽;将图像块拉直为向量构成字典学习的输入信号;步骤二、先利用自组织特征映射对部分图像块进行初步聚类,再通过K-means算法对所有图像块进行聚类;在聚类中,使用欧氏距离来度量任意两个图像块之间的距离其中,si,sj表示任意两个不同的图像块向量,d(si,sj)表示其欧氏距离;步骤三、利用字典学习算法对每个类簇训练一个超完备字典和一个量化表,字典中的每个原子即为该类簇图像块共有的结构模式;同时将稀疏系数的量化误差和其对应索引的信息熵作为正则项加入字典学习的目标函数中,通过迭代求解公式(3)和公式(5)对量化表和字典同时进行学习,减小最终的编码代价;
【专利技术属性】
技术研发人员:夏勇,王昊,张艳宁,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。