一种基于视觉感知的HEVC速率控制算法制造技术

本发明专利技术涉及人工智能领域，具体是一种基于视觉感知的HEVC速率控制算法，将字典训练和信号重构结合起来直接训练图像本身，采用迭代法提高字典训练的精度，并采用新的CS测量方法排除测量矩阵与稀疏字典之间的相互相关系数，并降低冗余。本发明专利技术所提出的压缩感知算法受构造的最小有效测量集的限制，能够利用比传统压缩感知小得多的测量值重建高分辨率、高质量、细节丰富的图像。

A hevc rate control algorithm based on visual perception

【技术实现步骤摘要】
一种基于视觉感知的HEVC速率控制算法
本专利技术涉及人工智能领域，具体是一种基于视觉感知的HEVC速率控制算法。
技术介绍
利用压缩感知(CS)技术对图像进行采样和重建得到了越来越多的关注，它为我们提供了一个同时获取和压缩图像数据的框架，而在传统的成像系统中，数字图像是通过奈奎斯特采样以较高的速率获取的，然后将大部分采样数据丢弃以进行压缩。CS的基本思想是可以在远小于奈奎斯特采样率的条件下获取信号的离散样本，保证信号的无失真重建。主要包括两个核心思想，第一个是信号的稀疏结构，另一个是不相关特性。现有基于压缩感知的超分辨率重建方法还存在不足之处，比如无法利用较小的有效测量值重建高分辨率、高质量、细节丰富的图像。因此，针对以上现状，迫切需要开发一种基于视觉感知的HEVC速率控制算法，以克服当前实际应用中的不足。
技术实现思路
本专利技术实施例的目的在于提供一种基于视觉感知的HEVC速率控制算法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术实施例提供如下技术方案：一种基于视觉感知的HEVC速率控制算法，将字典训练和信号重构结合起来直接训练图像本身，采用迭代法提高字典训练的精度，并采用如下的CS测量方法排除测量矩阵Φ与稀疏字典Ψ之间的相互相关系数，假设yM＝[y1,y2,...,yM,]是CS的测量值，是由yM所得的重构信号，的重构信号由yi＝[y1,y2,…yi](1≤i≤M)所得，的重构信号来自yM并排除第i个测量值的M-1个测量值；的重构信号是由yp所得，并排除第j个测量值的p-1个测量值，并将相应的测量矩阵设为降低冗余的具体步骤如下：1)重构分别使用测量集yM、yM-1得到，然后计算误差2)若e＜τ，设闭环控制变量，并转到步骤3)；若e>τ，则转到步骤9)；3)计算Aj＝Φp-1,jΨ的互相关系数μ(Aj)的最小值为umin＝min(u(Aj))(1≤j≤p)，其对应的测量矩阵为Amin；4)利用测量值进行重构，同时计算误差5)若e＜τ，设置p＝p-1并重复步骤3)～5)；若e>τ，则转到步骤6)；6)测量集表示为T，将对应的测量矩阵设置为设置循环控制变量p＝n；7)计算误差根据该误差，将T划分为两组T1和T2；T1表示为键集，T2表示为非键集；8)根据降序Ej对度量值排序T2，排序后的集合仍记为T2，按从后往前顺序，消去T2的元素并确保T1和T2的其余元素仍能充分重构；9)T1和T2的其余元素用于更新T；重复步骤7)～9)，直到T2元素为空。作为本专利技术进一步的方案：在步骤2)中，τ为重构误差的阈值。作为本专利技术进一步的方案：在步骤3)中，al和am为两列向量。作为本专利技术进一步的方案：在步骤7)中，T1为不能完全重构的信号并在T去掉这些元素。作为本专利技术进一步的方案：在步骤7)中，T2为能完全重构的信号。作为本专利技术进一步的方案：在有效测量最小集的约束下，CS重构算法的解方程表示为：作为本专利技术进一步的方案：采用正交小波变换作为稀疏表示，采用维纳滤波对图像进行平滑处理。与现有技术相比，本专利技术实施例的有益效果是：该基于视觉感知的HEVC速率控制算法，针对现有基于压缩感知的超分辨率重建方法的不足，建立了一套基于压缩感知的最小有效测量算法。为了减少测量冗余，本申请在小波域中构造局部自适应稀疏字典，以获得更好的稀疏表示。在保证信号重构的前提下，根据互相干理论，尽可能地去除测量矩阵和字典的互相关系数，建立最小有效测量集。实验结果表明，所提出的压缩感知算法受构造的最小有效测量集的限制，能够利用比传统压缩感知小得多的测量值重建高分辨率、高质量、细节丰富的图像。附图说明图1为本专利技术实施例中30％采样率下第一种CS和MVMCS算法的图像重建结果局部示意图。图2为本专利技术实施例中30％采样率下第二种CS和MVMCS算法的图像重建结果局部示意图。图3为本专利技术实施例中30％采样率下第三种CS和MVMCS算法的图像重建结果局部示意图。图4为本专利技术实施例中对CS和MVMCS算法的图像恢复结果进行PSNR值比较示意图。图5为本专利技术实施例中采用CISR、SRCR和MVMCS方法的第一种图像重建结果示意图。图6为本专利技术实施例中采用CISR、SRCR和MVMCS方法的第二种图像重建结果示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。传统的字典训练主要是在样本数据库中训练高质量的图像块，并利用它们重建信号。本申请将字典训练和信号重构结合起来直接训练图像本身，可以有效地降低计算复杂度。考虑到训练图像中存在的丢失或损伤，采用迭代法提高字典训练的精度。为了进一步减少CS中的冗余，本申请采用了一种新的CS测量方法，排除了测量矩阵Φ与稀疏字典Ψ之间的相互相关系数。假设yM＝[y1,y2,...,yM,]是CS的测量值，是由yM所得的重构信号，的重构信号由yi＝[y1,y2,…yi](1≤i≤M)所得，的重构信号来自yM并排除第i个测量值的M-1个测量值。的重构信号是由yp所得，并排除第j个测量值的p-1个测量值，并将相应的测量矩阵设为实施例1本专利技术实施例中，降低冗余的步骤如下：1)重构分别使用测量集yM、yM-1得到，然后计算误差2)若e＜τ，其中τ为重构误差的阈值，设闭环控制变量，并转到步骤3)；3)计算Aj＝Φp-1,jΨ的互相关系数其中al和am为两列向量；μ(Aj)的最小值为umin＝min(u(Aj))(1≤j≤p)，其对应的测量矩阵为Amin；4)利用测量值进行重构，同时计算误差5)若e＜τ，设置p＝p-1并重复步骤3)～5)；若e>τ，则转到步骤6)；6)测量集表示为(含元素)T，将对应的测量矩阵设置为设置循环控制变量p＝n；7)计算误差根据该误差，将T划分为两组T1和T2，T1为不能完全重构的信号并在T去掉这些元素，T2为能完全重构的信号；T1表示为键集，T2表示为非键集；8)根据降序Ej对度量值排序T2，排序后的集合仍记为T2，按从后往前顺序，消去T2的元素并确保T1和T2的其余元素仍能充分重构；9)T1和T2的其余元素用于更新T；重复步骤7)～9)，直到T2元素为空。实施例2本专利技术实施例与实施例1的降低冗余的步骤不同之处在于：本实施例中，在步骤2)中，若e>τ，其中τ为重构误差的阈值，设闭环控制变量，并转到步骤9)。根据上述算法步骤，得到的测量集只包含关键测量值。也就是说，如果去掉有效测量的最小值集，则不能完全重构信号。CS重建算法主要基于基跟踪算法(BP)、匹配跟踪算法(MP)和迭代硬阈值(迭代硬收缩，IHT)等。在MVMCS中，本申请将IHT作为重构算法来加速算法的收敛速度。因此，在有效测量最小集的约束下，CS重构算法的解方程可以表示为：实验结果为了验证MVMCS方法Lena、Barbara的有效性，选取了pepper图像作为测试图像(尺寸256×256)。使MVMCS算法与传统的CS算法进行比较，采用小波变换作为CS稀疏表示。为了保证CS与MVMCS方法具有可比性，C本文档来自技高网...

【技术保护点】
1.一种基于视觉感知的HEVC速率控制算法，其特征在于，将字典训练和信号重构结合起来直接训练图像本身，采用迭代法提高字典训练的精度，并采用如下的CS测量方法排除测量矩阵Φ与稀疏字典Ψ之间的相互相关系数，假设y

【技术特征摘要】
1.一种基于视觉感知的HEVC速率控制算法，其特征在于，将字典训练和信号重构结合起来直接训练图像本身，采用迭代法提高字典训练的精度，并采用如下的CS测量方法排除测量矩阵Φ与稀疏字典Ψ之间的相互相关系数，假设yM＝[y1,y2,...,yM,]是CS的测量值，是由yM所得的重构信号，的重构信号由yi＝[y1,y2,…yi](1≤i≤M)所得，的重构信号来自yM并排除第i个测量值的M-1个测量值；的重构信号是由yp所得，并排除第j个测量值的p-1个测量值，并将相应的测量矩阵设为降低冗余的具体步骤如下：1)重构分别使用测量集yM、yM-1得到，然后计算误差2)若e＜τ，设闭环控制变量，并转到步骤3)；若e>τ，则转到步骤9)；3)计算Aj＝Φp-1,jΨ的互相关系数μ(Aj)的最小值为umin＝min(u(Aj))(1≤j≤p)，其对应的测量矩阵为Amin；4)利用测量值进行重构，同时计算误差5)若e＜τ，设置p＝p-1并重复步骤3)～5)；若e>τ，则转到步骤6)；6)测量集表示为T，将对应的测量矩阵设置为设置循环控制变量p＝n；7)计算误差根据该误差，将T...

【专利技术属性】
技术研发人员：李蕊，李博，仝选悦，程彬，宋薇，徐晓亮，
申请(专利权)人：南阳理工学院，
类型：发明
国别省市：河南,41