一种图像压缩时选择最优量化参数的方法、装置、设备及系统制造方法及图纸

本申请实施例公开了一种图像压缩时选择最优量化参数的方法、装置、设备及系统，所述方法包括建立图像内容特征与最优量化参数之间的回归模型函数；计算待压缩图像的图像内容特征，根据回归模型函数获得待压缩图像的预测量化参数；将预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在量化参数范围内选取压缩质量评价指标最高时的量化参数作为最优量化参数。利用本申请各个实施例，可以在满足码长门限并且保证图像压缩质量的前提下，可以快速选择最优量化参数。

A method, device, equipment and system for selecting optimal quantization parameters in image compression

【技术实现步骤摘要】
一种图像压缩时选择最优量化参数的方法、装置、设备及系统
本专利技术涉及数字图像处理
，特别地，涉及一种图像压缩时选择最优量化参数的方法、装置、设备及系统。
技术介绍
随着多媒体技术不断发展，信息化与人们生活密切相关，在信息爆炸的今天，庞大的数据量与信息存储空间之间的矛盾日益突出，特别是数字图像通信，例如，对一幅分辨率为1024×1024的24位的真彩色图像，其数据量为3MB，在实际的图像存储过程中，由于存储空间总是有限的，因此常给定码长门限，使得压缩后码长小于码长门限值。在编码长度受限的情况下，通过对量化参数的选择，得到最优量化参数，使得图像编码后的码长满足码长门限值的限制，并尽可能的保证图像的画质。由于码率表示图像每像素占用的比特数，其值为码长除以像素总数，给定码长门限也就是指定了图像的码率，码率控制是当下研究的热点课题。现有的图像压缩标准包括JPEG，JPEG-LS以及BPG等，其中，对于JPEG标准，一般通过迭代的方法对量化参数进行求解，计算量大，时间较长，不利于实际应用；对于JPEG-LS压缩标准，一般通过反馈调节的方法对量化参数进行求解，其中徐燕凌在“JPEG-LS图像压缩动态码率控制策略”一文中提出的一阶码率控制方法采用数组调节和固定门限值的方法来获得量化参数，但是这种方法的控制效果较差。BPG是2014年提出的图像格式，其图像压缩算法基于先进视频压缩协议HEVC(HighEfficiencyVideoCoding)，BPG在HEVC帧内编码基础上发展而来，但BPG图像压缩算法，仍无法在指定码率下得到最优量化参数，并且对于BPG压缩格式码率控制算法暂无研究。因此，在满足码长门限并且保证图像压缩质量的前提下，如何快速选择最优量化参数是本领域面临的急需解决的一个问题。
技术实现思路
本申请实施例的目的在于提供一种图像压缩时选择最优量化参数的方法、装置、设备及系统，在满足码长门限并且保证图像压缩质量的前提下，可以快速选择最优量化参数。一方面，本申请实施例提供了一种图像压缩时选择最优量化参数的方法，包括：建立图像内容特征与最优量化参数之间的回归模型函数；计算待压缩图像的图像内容特征，根据所述回归模型函数获得待压缩图像的预测量化参数；将所述预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在所述量化参数范围内选取压缩质量评价指标最高时的量化参数作为最优量化参数。在本申请一些实施例中，所述建立图像内容特征与最优量化参数之间的回归模型函数，包括：建立静态图像样本集；计算所述静态图像样本集中每一张静态图像样本的图像内容特征，以及指定码长门限时每一张静态图像样本对应的最优量化参数；对每一张静态图像样本的图像内容特征和对应的最优量化参数进行回归分析，获得图像内容特征与最优量化参数之间的回归模型函数。在本申请一些实施例中，所述对每一张静态图像样本的图像内容特征和对应的最优量化参数进行回归分析，获得图像内容特征与最优量化参数之间的回归模型函数，包括：在坐标系中绘制每一张静态图像样本的图像内容特征和对应的最优量化参数的散点图；根据所述散点图的分布规律，建立图像内容特征与最优量化参数的回归模型函数。在本申请一些实施例中，根据所述散点图的分布规律，建立图像内容特征与最优量化参数的回归模型函数包括：根据所述散点图的分布规律，当预设的代价函数取值小于1时的增函数构成的函数集作为图像内容特征与最优量化参数的回归模型函数。在本申请一些实施例中，所述预设的代价函数为均方差代价函数，当所述均方差代价函数取值最小时的函数作为图像内容特征与最优量化参数之间的回归模型函数。在本申请一些实施例中，所述回归模型函数为指数函数的加和、对数函数或有理函数中的任意一种。在本申请一些实施例中，所述图像压缩质量评价指标包括峰值信噪比、结构相似性以及均方误差中的任意一种。在本申请一些实施例中，所述图像内容特征为纹理特征和/或局部方差特征。第二方面，本申请实施例提供了一种图像压缩时选择最优量化参数的装置，包括：建立模块，用于建立图像内容特征与最优量化参数之间的回归模型函数；计算模块，用于计算待压缩图像的图像内容特征，根据所述回归模型函数获得待压缩图像的预测量化参数；选取模块，用于将所述预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在所述量化参数范围内选取待压缩图像压缩质量评价指标最高时的量化参数作为最优量化参数。在本申请一些实施例中，所述建立模块包括：建立单元，用于建立静态图像样本集；计算单元，用于计算所述建立单元建立的静态图像样本集中每一张静态图像样本的图像内容特征，以及指定码长门限时每一张静态图像样本对应的最优量化参数；分析单元，用于对所述计算单元计算得到的每一张静态图像样本的图像内容特征和对应的最优量化参数进行回归分析，获得图像内容特征与最优量化参数之间的回归模型函数。第三方面，本申请实施例提供了一种图像压缩时选择最优量化参数的设备，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：建立图像内容特征与最优量化参数之间的回归模型函数；计算待压缩图像的图像内容特征，根据所述回归模型函数获得待压缩图像的预测量化参数；将所述预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在所述量化参数范围内选取压缩质量评价指标最高时的量化参数作为最优量化参数。第四方面，本申请实施例提供了一种图像压缩时选择最优量化参数的系统，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现第一方面所述方法的步骤。本说明书一个或多个实施例提供的一种图像压缩时选择最优量化参数的方法、装置、设备及系统，根据静态图像集中每一张静态图像的图像内容特征和最优量化参数确定回归模型函数，当对待压缩图像进行压缩时，根据待压缩图像的图像内容特征和回归模型函数能够快速获得预测量化函数，将预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在量化参数范围内选取待压缩图像压缩质量评价指标最高时的量化参数作为最优量化参数。从而，可以利用本申请各实施例提供的方法能够在有限存储空间下对静态图像进行压缩，选择最优量化参数的方法简单快速，且在指定码长门限的情况下能够保证图像压缩质量。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本说明书提供的图像压缩方法的流程示意图；图2为本说明书提供的一种图像压缩时选择最优量化参数的方法的实施例的流程示意图；图3为图2提供的一种图像压缩时选择最优量化本文档来自技高网...

【技术保护点】
1.一种图像压缩时选择最优量化参数的方法，其特征在于，包括：/n建立图像内容特征与最优量化参数之间的回归模型函数；/n计算待压缩图像的图像内容特征，根据所述回归模型函数获得待压缩图像的预测量化参数；/n将所述预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在所述量化参数范围内选取压缩质量评价指标最高时的量化参数作为最优量化参数。/n

【技术特征摘要】
1.一种图像压缩时选择最优量化参数的方法，其特征在于，包括：
建立图像内容特征与最优量化参数之间的回归模型函数；
计算待压缩图像的图像内容特征，根据所述回归模型函数获得待压缩图像的预测量化参数；
将所述预测量化参数为中心上下浮动预设数据获得的范围作为量化参数范围，在所述量化参数范围内选取压缩质量评价指标最高时的量化参数作为最优量化参数。


2.根据权利要求1所述的图像压缩时选择最优量化参数的方法，其特征在于，所述建立图像内容特征与最优量化参数之间的回归模型函数，包括：
建立静态图像样本集；
计算所述静态图像样本集中每一张静态图像样本的图像内容特征，以及指定码长门限时每一张静态图像样本对应的最优量化参数；
对每一张静态图像样本的图像内容特征和对应的最优量化参数进行回归分析，获得图像内容特征与最优量化参数之间的回归模型函数。


3.根据权利要求2所述的图像压缩时选择最优量化参数的方法，其特征在于，所述对每一张静态图像样本的图像内容特征和对应的最优量化参数进行回归分析，获得图像内容特征与最优量化参数之间的回归模型函数，包括：
在坐标系中绘制每一张静态图像样本的图像内容特征和对应的最优量化参数的散点图；
根据所述散点图的分布规律，建立图像内容特征与最优量化参数的回归模型函数。


4.根据权利要求3所述的图像压缩时选择最优量化参数的方法，其特征在于，根据所述散点图的分布规律，建立图像内容特征与最优量化参数的回归模型函数包括：
根据所述散点图的分布规律，当预设的代价函数取值小于1时的增函数构成的函数集作为图像内容特征与最优量化参数的回归模型函数。


5.根据权利要求4所述的图像压缩时选择最优量化参数的方法，其特征在于，所述预设的代价函数为均方差代价函数，当所述均方差代价函数取值最小时的函数作为图像内容特征与最优量化参数之间的回归模型函数。


6.根据权利要求4所述的图像压缩时选择最优量化参数的方法，其特征在于，所述回归模型函数为指数函数的加和、对数函数或有理函数中的任意一种。

【专利技术属性】
技术研发人员：周军，江武明，丁松，王洋，孙婷，
申请(专利权)人：北京眼神科技有限公司，
类型：发明
国别省市：河北;13