一种基于深度学习的图像压缩感知方法技术

本发明专利技术提供了一种基于深度学习的图像压缩感知方法，所述方法包括获取压缩图像数据，在所述压缩图像数据中插入识别块和协同定位块，根据所述识别块和所述协同定位块的位置来确定偏移向量；并基于所述偏移向量和原始参考图像数据中所述协同定位块和所述识别块之间的视差向量来计算预测块向量，其中，将所述预测块向量添加到候选向量列表中，并对应于候选向量的图像块之间的接近度对候选向量列表进行排序。本发明专利技术通过所述识别块和协同定位块位置的确定，并插入所述图像数据中，使得所述图像数据中的有效成分能够被采集，提升对所述图像数据重建时的无损，也进一步的保证图像数据的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于深度学习的图像压缩感知方法


[0001]本专利技术涉及图像数据处理
，特别涉及一种基于深度学习的图像压缩感知方法。

技术介绍

[0002]压缩感知(Compressed sensing)理论，也被称为压缩采样(Compressive sampling)，是近年来信号处理领域的研究热点。该理论指出：若信号是稀疏的信号，则在远小于奈奎斯特(Nyquist)采样率的条件下，对该信号进行抽样，并通过求解优化问题的方法还原该信号，压缩感知方法可以同时执行采样和压缩过程，并且无需复杂的压缩编码，就可以减少大量的采样数据，进而提高了压缩速率。
[0003]如CN206629212U现有技术公开了一种图像压缩感知装置，目前的使用压缩感知理论一般是针对一维信号的处理。如果需要对二维的图像信号进行压缩抽样，则需要将二维的图像信号堆叠成一维的列向量，然后对一维的列向量进行压缩抽样。由于现有的方法需要将二维数据转为一维数据，导致在压缩抽样过程中观测矩阵数据庞大，并且需要占用大量的存储空间进行大量的逻辑运算，进而出现压缩抽样的速度慢，效率低的问题。
[0004]另一种典型的如CN107146259B的现有技术公开的一种新型的基于压缩感知理论的图像压缩方法，最常用的基于压缩感知理论的图像压缩是将图像进行分块后再进行压缩采样以及重建，由此而降低方法的复杂度，不过，当前的压缩感知方法在对图像信号进行压缩感知采样和信号重建时，由于缺少高效的采样策略和重建方法，导致整体性能不高，由此限制了这一理论在图像压缩方面的应用。r/>[0005]为了解决本领域普遍存在数据处理量大、依赖专家知识、无法迁移、精确性差、无法匹配样本，很难建立显式的图像信息特征等等问题，作出了本专利技术。

技术实现思路

[0006]本专利技术的目的在于，针对目前图片处理所存在的不足，提出了一种基于深度学习的图像压缩感知方法。
[0007]为了克服现有技术的不足，本专利技术采用如下技术方案：
[0008]一种基于深度学习的图像压缩感知方法，所述方法包括获取压缩图像数据，在所述压缩图像数据中插入识别块和协同定位块，根据所述识别块和所述协同定位块的位置来确定偏移向量；并基于所述偏移向量和原始参考图像数据中所述协同定位块和所述识别块之间的视差向量来计算预测块向量，其中，将所述预测块向量添加到候选向量列表中，并对应于候选向量的图像块之间的接近度对候选向量列表进行排序；
[0009]通过处理模块对压缩图像数据进行处理，并获得一个图像块矩阵Trans：
[0010][0011]其中，m为图像块的行数，n为图像块的列数，a
ij
表示第i行的第j个列的图像块；
[0012]建立所述预测块向量与所述图像块矩阵之间的映射关系，以建立各个图像块与预测向量之间的对应关系，并依据所述图像块矩阵中的图像块对所述候选向量列表进行排序；
[0013]获取候选向量列表中的任意两个预测块向量X和Y，并其对应的所述图像块的接近度Picture依据下式进行计算，
[0014][0015]其中，X＝(x1，x2，x3，
…
，x
i
)，x
i
为所述预测向量的横坐标；Y＝(y1，y2，y3，
…
，y
i
)，y
i
为所述预测向量的横坐标；根据接近度的值进行候选向量列表进行排序的更新。
[0016]可选的，所述方法还包括通过所述处理模块中的对象识别器处理一组图像块中的图像，并为该组图像块中的每个图像生成一组像素页面对象，其中，像素页面对象以二维排列方式在相应的图像块中显示；所述处理模块中的特征提取器响应一组像素页面对象，通过将每组像素页面对象中的每个像素顺序组织成一维像素数组，并从每组像素页面对象中提取已知像素特征；其中，每个对象位于相应的一维像素数组中，并作为在相应的像素页面对象集合中的像素位置坐标上；
[0017]通过所述特征提取器对原始图像的像素位置进行记录，形成的固有位置数组模板；将固有位置数组模板与多个已知的一维像素数组进行比较，其中，峰值信噪比是衡量图像之间相似度的一个重要比较标准，若原始图像和像素页面对象之间在峰值信噪比PSNR内匹配，则触发对所述像素页面对象进行部分采样；
[0018]其中，对于所述信噪比PSNR根据下式计算：
[0019][0020]其中，w为选取的图像块的宽度；h为选取的图像块的高度；I为原始参考图像；I
’
为经过一维像素数组所确定的压缩图像。
[0021]可选的，对于所述一维像素数组的确定，包括通过特征提取器将每个像素页面中的每个对象的像素位置坐标依次组织成一维像素数组。
[0022]可选的，所述方法还包括通过特征提取器将每个像素的位置转换为从相应像素页面的右上角到对象中心测量的第一向量，并从相应像素页面的右下角到中心测量的第二向量；同时选择第一向量或第二向量中哪个具有更大的距离值；选取该最大距离值并把该距离值选定为保护范围；
[0023]在对所述图像数据进行压缩时，确保该距离值中的图像数据在压缩阈值内不被压缩。
[0024]可选的，所述方法还包括根据所述压缩图像数据中，进行初步采样，并根据所述压缩图像数据中的像素点进行采集，并基于所述像素点的坐标位置确定所述识别块和所述协同定位块的位置，根据所述识别块和所述协同定位块的每个所述像素点的坐标位置的U方向和V方向上分别独立的找出质心,
[0025]其中，设图像数据中每一像素在U方向上坐标为u
i
；对应的像素值为p
i
；质心点在U方向上的坐标为u，则所述像素点的坐标位置依据下式进行计算；
[0026][0027]式中，m为图像中的像素点的个数；
[0028]设图像数据中每一像素在V方向上坐标为V
j
；对应的像素值为：Q
j
；质心点在V方向上的纵坐标为v，则所述像素点的坐标位置依据下式进行计算；
[0029][0030]式中，n为图像中的像素点的个数。
[0031]可选的，所述方法还包括确定识别块和所述协同定位块的位置，其中该位置的确定，根据下式进行计算：
[0032][0033]其中，G为搜索环的位置，K为边界的像素点总数；(U，V)为图像的某一区域的质心坐标；所述图像边界的坐标(w
c
，d
c
)为图像数据中的高像素点，其中，w
c
为图像边界的横坐标；d
c
为图像边界的纵坐标；c为边界像素点个数，c∈K，取值范围为
[0034][1,K]的任意正整数；
[0035]在各个搜索环的区域中寻找特征点bi，，则特征点的允许偏移范围为f(bi)，所述允许偏移范围依据下式进行计算，
[0036][0037]则在被识别的区域内所述识别块或协同定位块被识别的范围S(bi)为：
[0038本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像压缩感知方法，其特征在于，所述方法包括获取压缩图像数据，在所述压缩图像数据中插入识别块和协同定位块，根据所述识别块和所述协同定位块的位置来确定偏移向量；并基于所述偏移向量和原始参考图像数据中所述协同定位块和所述识别块之间的视差向量来计算预测块向量，其中，将所述预测块向量添加到候选向量列表中，并对应于候选向量的图像块之间的接近度对候选向量列表进行排序；通过处理模块对压缩图像数据进行处理，并获得一个图像块矩阵Trans：其中，m为图像块的行数，n为图像块的列数，a
ij
表示第i行的第j个列的图像块；建立所述预测块向量与所述图像块矩阵之间的映射关系，以建立各个图像块与预测向量之间的对应关系，并依据所述图像块矩阵中的图像块对所述候选向量列表进行排序；获取候选向量列表中的任意两个预测块向量X和Y，并将其对应的所述图像块的接近度Picture依据下式进行计算，其中，X＝(x1，x2，x3，
…
，x
i
)，x
i
为所述预测向量的横坐标；Y＝(y1，y2，y3，
…
，y
i
)，y
i
为所述预测向量的纵坐标；根据接近度的值对候选向量列表进行排序的更新。2.根据权利要求1所述的基于深度学习的图像压缩感知方法，其特征在于，所述方法还包括通过所述处理模块中的对象识别器处理一组图像块中的图像，并为该组图像块中的每个图像生成一组像素页面对象，其中，像素页面对象以二维排列方式在相应的图像块中显示；所述处理模块中的特征提取器响应一组像素页面对象，通过将每组像素页面对象中的每个像素顺序组织成一维像素数组，并从每组像素页面对象中提取已知像素特征；其中，每个对象位于相应的一维像素数组中，并作为在相应的像素页面对象集合中的像素位置坐标上；通过所述特征提取器对原始图像的像素位置进行记录，形成固有位置数组模板；将固有位置数组模板与多个已知的一维像素数组进行比较，其中，峰值信噪比是衡量图像之间相似度的一个重要比较标准，若原始图像和像素页面对象之间在峰值信噪比PSNR内匹配，则触发对所述像素页面对象进行部分采样；其中，对于所述信噪比PSNR根据下式计算：其中，w为选取的图像块的宽度；h为选取的图像块的高度；I为原始参考图像；I
’
为经过一维像素数组所确定的压缩图像。
3.根据权利要求2所述的基于深度学习的图像压缩感知方法...

【专利技术属性】
技术研发人员：王击，吴桐雨，
申请(专利权)人：中南大学，
类型：发明
国别省市：