一种基于演化计算的JPEG图像编码优化方法技术

本发明专利技术公开了一种基于演化计算的JPEG图像编码优化方法，涉及演化计算和JPEG编码优化技术领域，从进化计算的角度出发，对JPEG的量化表进行优化，针对图像编码中的码率多功能需求，研究基于多目标优化的多功能图像编码优化技术，在提升编码效率的同时，满足用户的多种码率需求，通过对图像编码问题进行多目标建模，设计符合率失真最优原则的进化算子、以及环境选择策略，能有效找到最优量化表，使得图像的编码效率能提升10％以上，同时，在优化的过程中产生的多组量化表能够有效应对图像压缩编码中的不确定性问题。缩编码中的不确定性问题。缩编码中的不确定性问题。

【技术实现步骤摘要】
一种基于演化计算的JPEG图像编码优化方法


[0001]本专利技术涉及演化计算和JPEG编码优化
，具体是一种基于演化计算的JPEG图像编码优化方法。

技术介绍

[0002]随着智能手机的普及，生活和工作中的数字图像数据量急剧增大，这些海量的图像数据给磁盘存储和网络传输带来了极大的挑战，图像压缩编码技术能够在保证图像质量的前提下减少图像数据量，目前图像压缩编码技术用的最多的还是JPEG标准，JPEG标准在图像应用领域仍然处于主导地位，所以对JPEG进行编码效率的优化，具有广阔的经济价值和应用前景。
[0003]在实际编码应用中，用户的需求并不明确，或者需求存在多样性，例如智能手机在拍摄一张图片时，既需要生成面向本地存储的高质量版本，又需要生成面向网络传输的低质量版本，针对这种应用场景，就需要同时生成不同码率的图像,在此过程中就会产生失真，为此，现提供一种基于演化计算的JPEG图像编码优化方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于演化计算的JPEG图像编码优化方法。
[0005]本专利技术的目的可以通过以下技术方案实现：一种基于演化计算的JPEG图像编码优化方法，包括：
[0006]将图像转化为YCbCr模式，其中Y为亮度分量，而Cb和Cr则为两个色度分量，然后对三个分量进行独立处理，从而获得离散余弦块，并对离散余弦块进行量化处理，将量化处理后的离散余弦块通过Z型扫描得到一维符号串，并对一维符号串进行游程编码，进而得到最终的二进制码流，完成编码流程；
[0007]在量化过程中，用不同的量化表可以得到码率不同的压缩图像，利用多目标优化的方法求解编码效率最高的量化表，过程包括：
[0008]步骤一：对默认量化表进行初始化，从而对默认量化表的MSE和码率进行优化；
[0009]步骤二：基于率失真优化的量化表更新策略；
[0010]步骤三：对获得的码率和MSE进行评价；
[0011]步骤四：对获得的码率和MSE进行选解。
[0012]进一步的，对三个分量进行处理的过程包括：将图像分为互不重叠的大小为8x8的图像块，每一个图像块为基本的处理单元，对每一个图像块进行离散余弦变换，离散余弦变换后得到的图像块即为离散余弦块；使用8x8的量化矩阵对离散余弦块进行量化，从而量化矩阵中存储的每个离散余弦频带位置的量化步长，通过除法取整方式实现信息舍弃。
[0013]进一步的，对默认量化表进行初始化的过程包括：
[0014]将量化表规模记为pop，最大迭代次数记为maxgen，初始迭代次数gen＝0，初始量化表的设定用默认量化表通过质量因子QF设定不同的值，得到不同的量化表；将问题优化
的目标定义为MSE和码率，默认量化表为决策变量，则通过min函数对MSE和码率进行优化，所述码率R
u，v
(Q)通过公式7进行量化系数的一阶熵进行估算获得：
[0015][0016]其中，Num
blk
代表图像中8x8块的数量，S
i
代表量化索引i的系数数值分布范围，S
i
＝[i*Q(u,v)
‑
Q(u,v)/2,i*Q(u,v)+Q(u,v)/2]，
[0017]Num
F(u,v)
为频带(u,v)上值为F(u,v)的数量。
[0018]进一步的，MSE和码率的获取过程包括：
[0019]对图像进行量化，图像的量化过程为：
[0020][0021]其中，(u，v)为频带坐标，F(u,v)为位于频带(u,v)处的离散余弦系数值，Q(u,v)和a(u,v)分别为位于频带下的量化步长和量化后的索引i，量化过程如公式3所示，反量化的重建过程为：
[0022][0023]由公式3和公式4可以估算出相应的量化误差：
[0024][0025]进一步的，离散余弦变换是一种正交规整变换，因此空间域的误差能量与频率域的误差能量保持不变，我们可以直接利用频率域的能量误差计算空间域的量化误差。由于离散余弦块包含64个频带，则压缩图像的MSE和码率可通过每个频带的MSE和码率进行累积。
[0026]进一步的，基于率失真优化的量化表更新策略的过程包括：获得率失真度量准则，量化表的更新根据率失真度量准则沿着率失真性能提升最大的方向进化：首先产生一个随机数a，如果a小于0.2，个体就进行交叉操作；如果a大于0.2，个体就进行变异操作，交叉变异产生新的大小为pop的量化表，称为子量化表，将子量化表与父量化表合并得到新的量化表pop_new。
[0027]进一步的，率失真度量准则的获取过程包括：
[0028][0029]其中和ΔR(Q)|
Q(u，v)
→
Q
′
(u，v)
分别表示当量化表中频带(u，v)上的量化补偿Q(u，v)改变为Q
′
(u，v)时MSE和码率的变化。
[0030]进一步的，对码率和MSE的评价的过程包括：根据初始化步骤中的公式4和公式7可以计算出pop_new的码率和MSE，用码率和MSE即可判断用当前量化表得到的图像质量如何，码率和MSE是两个相互矛盾的评价指标，即码率越小越好，MSE也是越小越好。
[0031]进一步的，对获得的码率和MSE进行选解的过程包括：
[0032]根据非支配排序方法对得到的码率和MSE进行排序，得到排序后的具有多个前沿面的量化表，统计第一前沿面上的个体数num，如果num小于50，直接将第一前沿面的个体进入下一代，否则就进行凸包选择，然后对凸包上的解进行缩放，缩放因子定义如下：
[0033][0034]其中QF为质量因子，而scale factor为对量化表中量化步长进行缩放的因子；最终缩放后的量化表为：
[0035]Q
′
(u，v)＝clip(Q(u，v)*scale factor+50/100，1，255)，公式10
[0036]其中Q'(u,v)和Q(u,v)分别为缩放后的和基准的在频带(u,v)处的量化步长，clip()为截取函数，最终得到新的量化表P
temp
。
[0037]与现有技术相比，本专利技术的有益效果是：从进化计算的角度出发，对JPEG的量化表进行优化，针对图像编码中的码率多功能需求，研究基于多目标优化的多功能图像编码优化技术，在提升编码效率的同时，满足用户的多种码率需求；通过对图像编码问题进行多目标建模，设计符合率失真最优原则的进化算子、以及环境选择策略，能有效找到最优量化表，使得图像的编码效率能提升10％以上，同时，在优化的过程中产生的多组量化表能够有效应对图像压缩编码中的不确定性问题。
附图说明
[0038]图1为本专利技术的原理图。
具体实施方式
[0039]目前JPEG图像编码优化方法主要分为以下几类：
[0040]第一类：基于率失真优化的量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于演化计算的JPEG图像编码优化方法，其特征在于，包括：将图像转化为YCbCr模式，其中Y为亮度分量，而Cb和Cr则为两个色度分量，然后对三个分量进行独立处理，从而获得离散余弦块，并对离散余弦块进行量化处理，将量化处理后的离散余弦块通过Z型扫描得到一维符号串，并对一维符号串进行游程编码，进而得到最终的二进制码流，完成编码流程；在量化过程中，用不同的量化表得到码率不同的压缩图像，利用多目标优化的方法求解编码效率最高的量化表，过程包括：步骤一：对默认量化表进行初始化，从而对默认量化表的MSE和码率进行优化；步骤二：基于率失真优化的量化表更新策略；步骤三：对获得的码率和MSE进行评价；步骤四：对获得的码率和MSE进行选解。2.根据权利要求1所述的一种基于演化计算的JPEG图像编码优化方法，其特征在于，对三个分量进行处理的过程包括：将图像分为互不重叠的大小为8x8的图像块，每一个图像块为基本的处理单元，对每一个图像块进行离散余弦变换，离散余弦变换后得到的图像块即为离散余弦块；使用8x8的量化矩阵对离散余弦块进行量化，从而量化矩阵中存储的每个离散余弦频带位置的量化步长，通过除法取整方式实现信息舍弃。3.根据权利要求2所述的一种基于演化计算的JPEG图像编码优化方法，其特征在于，对默认量化表进行初始化的过程包括：将量化表规模记为pop，最大迭代次数记为maxgen，初始迭代次数gen＝0，初始量化表的设定用默认量化表通过质量因子QF设定不同的值，得到不同的量化表；将问题优化的目标定义为MSE和码率，默认量化表为决策变量，则通过min函数对MSE和码率进行优化，所述码率R
u，v
(Q)通过公式7进行量化系数的一阶熵进行估算获得：其中，Num
blk
代表图像中8x8块的数量，S
i
代表量化索引i的系数数值分布范围，S
i
＝[i*Q(u,v)
‑
Q(u,v)/2,i*Q(u,v)+Q(u,v)/2]，Num
F(u,v)
为频带(u,v)上值为F(u,v)的数量。4.根据权利要求1所述的一种基于演化计算的JPEG图像编码优化方法，其特征在于，MSE和码率的获取过程包括：对图像进行量化，图像的量化过程为：其中，(u，v)为频带坐标，F(u,v)为位于频带(u,v)处的离散余弦系数值，Q(u,v)和a(u,v)分别为位于频带下的量化步长和量化后的索引i，量化过程如公式3所示，反量化的重建过程为：

【专利技术属性】
技术研发人员：王啟军，刘萍，
申请(专利权)人：安徽大学，
类型：发明
国别省市：