具有动态范围保持的预失真图像比特深度量化和增强方法技术

本发明专利技术公开了一种具有动态范围保持的预失真图像比特深度量化和增强方法，属于图像处理技术领域。本发明专利技术首先对输入高比特图像进行归一化处理，然后计算预失真模板图像并调整其分辨率，得到预失真图像，之后将归一化后的高比特图像与预失真图像逐像素相加，再者根据低比特图像位深计算具有动态范围保持特性的量化函数对预失真高比特图像进行量化处理，最后将该低比特图像作为网络的输入图像，通过卷积神经网络对低比特图像进行比特深度增强得到高比特图像。这种具有动态范围保持的量化方法能够抑制重建图像中在过明或过暗区域的模糊，提高图像重构质量。提高图像重构质量。提高图像重构质量。

Bit depth quantization and enhancement of predistorted image with dynamic range preserving

【技术实现步骤摘要】
具有动态范围保持的预失真图像比特深度量化和增强方法


[0001]本专利技术属于图像处理
，尤其涉及一种具有动态范围保持的预失真图像的比特深度增强方法。

技术介绍

[0002]图像作为现代主流的信息载体，给日常生活带来便利的同时也给存储与传输设备带来较大的挑战。并且在一些像无线传感网络这类具有非对称系统复杂性的应用场景，即在数据接收端计算资源不受限，在数据传输端计算资源受限，故降低图像传输端的数据量是十分有必要的。通过将高比特图像(即高比特深度图像，图像的比特深度是描述像素每个通道所能表达的灰度范围，例如位深度为n的图像能够表示2n种灰度，颜色表示也更细腻，图像在视觉上的体验也更好)量化为低比特图像能够实现对图像的简单压缩，然而，降低图像的比特深度会带来颜色失真和伪轮廓的问题，这将严重影响观看体验。增大量化步长可以提升压缩效率，但是会引入更严重的伪轮廓和颜色失真，使得即使是性能最好的神经网络方法也无法保证对这两种伪迹的有效抑制。为此，联合重构方法在低比特图像生成时，通过施加预失真获得具有较少伪迹的低比特图像，有利于重构高质量的高比特图像。然而，现有的量化方法由于动态范围损失，使得基于深度学习的联合重构方法生成的高比特图像的过明和过暗区域的边界出现明显的模糊，影响主观视觉体验。

技术实现思路

[0003]本专利技术的目的在于提出一种具有动态范围保持的比特深度量化方法，能够进一步提升比特深度增强性能，实现对重构高比特图像在过明和过暗区域明显模糊的抑制，使得重构高比特图像达到最佳的主客观质量。
[0004]本专利技术采用的技术方案为：
[0005]具有动态范围保持的预失真图像比特深度量化和增强方法，包括以下步骤：
[0006]步骤S1：对高比特图像进行量化处理：
[0007]步骤S101：对输入的高比特图像进行归一化处理：将每个像素的灰度值除以所述高比特图像的最大灰度值；
[0008]基于量化目标的比特深度l计算得到量化步长Q＝1/(2
l
‑
1)，即高比特图像经量化处理后将得到比特深度为l的低比特图像；
[0009]步骤S102：根据量化步长Q计算得到预失真函数(Planned Sensor Distortion，PSD)模板图像；
[0010]步骤S102：对得到的模板图像进行无重叠平铺处理，得到图像分辨率与所述高比特图像一致的预失真图像；
[0011]步骤S103：将预失真图像与归一化处理后的高比特图像进行逐像素相加，得到预失真高比特图像；
[0012]步骤S104：根据量化步长Q设置具有动态范围保持的量化方式，对预失真高比特图
像进行量化，得到低比特图像；
[0013]步骤S2：通过卷积神经网络建立低比特图像到高比特图像间的映射关系，得到图像比特深度增强网络；以步骤S1得到的低比特图像作为所述图像比特深度增强网络的输入，基于其输出得到增强后的图像，即重构后的高比特图像。
[0014]进一步的，所述步骤S104中，具有动态范围保持的量化方式具体为：
[0015]若当前像素的灰度值小于或等于Q/2，则当前像素的灰度值被量化为0；
[0016]若当前像素的灰度值大于1
‑
Q/2，则当前像素的灰度值被量化为1；
[0017]若当前像素的灰度值位于[Q/2,1
‑
Q/2]，将取值范围[Q/2,1
‑
Q/2]均匀划分为多个子区间，对每个子区间，基于其中点得到当前子区间的量化值。
[0018]进一步的，所述步骤S104中，对于取值范围为[Q/2,1
‑
Q/2]的灰度值，量化时的新量化步长Δ＝(1
‑
Q)/(2
l
‑
2)，每个子区间的量化值为[Q+(2k+1)Δ]/2，其中，k＝0,1,
…2l
‑
3。
[0019]进一步的，S102中，模板图像为3
×
3，且在任意3
×
3邻域中为{Q(1
‑
L)/2L,Q(3
‑
L)/2L,
…
,Q(L
‑
1)/2L}的完整集合，其中L＝(2n+1)2，n＝1。
[0020]即本专利技术中，所采用的具有动态范围保持的量化方式属于一种非均匀量化方法，由于经过预失真模板图像处理的高比特图像的灰度值范围会出现小于0和大于1的情况，分别超出规定范围[0,1]外Q/2，故新的值域修改为[
‑
Q/2,1+Q/2]。当对图像进行l bit量化，则共有2
l
个量化区间，当预失真高比特图像处于小于等于Q/2的范围内时，灰度值被量化为0，当预失真高比特图像处于大于1
‑
Q/2的灰度范围时被量化为1，当预失真高比特图像在中间范围[Q/2,1
‑
Q/2]时，首先将该范围进行均匀量化，得到新的量化步长Δ＝(1
‑
Q)/(2
n
‑
2)，每个区间都取其中点作为量化值，即[Q+(2k+1)Δ]/2。对预失真高比特图像用该方式进行量化，从而得到低比特图像，该过程可以用函数表示如下：
[0021][0022]其中，I
L
表示量化后的低比特图像，I
PSD
表示预失真高比特图像。
[0023]本专利技术提供的技术方案至少带来如下有益效果：
[0024]对预失真高比特图像进行传统的例如四舍五入和向下取整的均匀量化方法会带来动态范围损失的问题，改进后的量化方法对最亮和最暗区间采取非均匀量化，对中间区域采取均匀量化，达到动态范围保持的目的，从而抑制重建高比特图像在过明和过暗区域的模糊问题。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它
的附图。
[0026]图1是本专利技术实施例提供的一种具有动态范围保持的预失真图像比特深度量化和增强方法的处理过程示意图；
[0027]图2是本专利技术实施例中的预失真模板图像示意图；
[0028]图3是本专利技术实施例中的量化处理示意图。
具体实施方式
[0029]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0030]本专利技术实施例提供了一种具有动态范围保持的预失真图像比特深度量化和增强方法，基于PSD的比特深度增强算法属于联合重构类算法，同时考虑低比特图像的生成过程和高比特图像的重构过程，在量化前对图像进行预失真处理以构建信号的有效多观测，有利于后续阶段卷积神经网络对比特深度进行重建，提高图像重构质量。当应用在图像传输处理时，可通过本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.具有动态范围保持的预失真图像比特深度量化和增强方法，其特征在于，包括以下步骤：步骤S1：对高比特图像进行量化处理：步骤S101：对输入的高比特图像进行归一化处理：将每个像素的灰度值除以所述高比特图像的最大灰度值；基于量化目标的比特深度l计算得到量化步长Q＝1/(2
l
‑
1)；步骤S102：根据量化步长Q计算得到预失真函数模板图像；步骤S102：对得到的模板图像进行无重叠平铺处理，得到图像分辨率与所述高比特图像一致的预失真图像；步骤S103：将预失真图像与归一化处理后的高比特图像进行逐像素相加，得到预失真高比特图像；步骤S104：根据量化步长Q设置具有动态范围保持的量化方式，对预失真高比特图像进行量化，得到低比特图像；步骤S2：通过卷积神经网络建立低比特图像到高比特图像间的映射关系，得到图像增强网络；以步骤S1得到的低比特图像作为所述图像增强网络的输入，基于其输出得到增强后的图像。2.如权利要求1所述的方法，其特征在于，所述步骤S104中，具有动态范围保持的量化方式具体为：若当前像素的灰度值小于或等于Q/2，则当前像素的灰度值被量化为0；若当前像素的灰度值大于1

【专利技术属性】
技术研发人员：傅志中，余娇，彭昌猛，徐进，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：