重要度驱动的纹理压缩方法技术

重要度驱动的纹理压缩方法，由两个部分组成：纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图。具体包括：控制图计算、重要度图计算、重要度驱动的纹理压缩、基于图像类比的解压。

【技术实现步骤摘要】

本专利技术属于信息

技术介绍
现如今大规模的基于网络环境的场景绘制(如谷歌地球，街景技术等)都需要大量具有真实感的纹理图像。在实现上存在两个挑战:(1)互联网上的传输带宽限制；(2)客户端存储这些需要绘制的纹理的存储空间的限制。需要有相应的技术来减少带宽和存储空间。传统的纹理压缩算法通常采用矢量量化等图像编码技术对纹理进行压缩，压缩率有限且没有使用GPU进行加速解压绘制。最新的纹理压缩技术利用纹理合成的思路对纹理图像进行压缩，通过提取纹理内重复使用的纹元图案对纹理图像压缩。该技术不但可以压缩图像的局部冗余信息，还可以压缩全局重复信息，且利于使用GPU解压绘制。逆向纹理合成算法基于纹理合成的思想，通过能量函数的优化将大幅输入纹理压缩成小块纹理摘要图像。逆向纹理合成存在的一个重要问题是在压缩的过程中同等对待所有区域。对于某些纹理来说并不是所有区域都是视觉一致性的，可分为前景部分和背景部分。从视觉显著性模型可知，纹理中的前景部分往往是人眼所关注的部分，在压缩时需尽可能保留。因此需要在压缩时对纹理的不同部分进行自适应压缩。最后，控制图在逆向合成框架中起着关键的作用，只有基于适当的控制图逆向合成才能重构原来纹理。网络环境下，纹理在客户端解压需要合适的控制图。逆向合成并没有针对控制图的生成提出较通用的解决方法，限制了逆向合成在纹理压缩领域的应用范围。针对逆向合成中存在的上述问题，目前还没有研究人员面向实时解压绘制提出自适应的快速纹理压缩算法。本专利技术对逆向合成的能量函数进行修改，使它适合于自适应的纹理压缩，即对纹理的重要区域和非重要区域进行不同程度的压缩。在计算阶段首先依据视觉显著性模型计算出纹理的重要度图，然后将重要度图，纹理及其控制图作为输入，对新的能量函数进行迭代优化。针对逆向合成的控制图问题，我们提出选取反映图像像素亮度变化的灰度图作为控制图。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种对纹理进行压缩、有效减少大尺度纹理图像所占用的纹理内存、实现其在网络上的快速传输和GPU上的实时绘制、基于重要度驱动的自适应纹理压缩方法，使得纹理图像解压之后重要区域的图像质量保持较好。本专利技术所述的，由两个部分组成:纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图；具体步骤如下:步骤一、控制图计算本专利技术的所有控制图都为原图的灰度图，灰度图很好地保存了原图的亮度细节；采用YIQ计算模型将原图(彩色图)转换为灰度图，该模型中Y代表亮度，即所需要的灰度信息，I代表色调，Q代表饱和度。根据相应的模型转化矩阵，将RGB转化成Y的计算公式如公式(I):Y=0.299R+0.587G+0.114B(I)其中R，G，B分别为红绿蓝三色。步骤二、重要度图计算纹理的重要度信息直接影响了算法的最终结果。为了得到更好的重要度信息，我们首先计算图像的显著性图，该显著性图与原图分辨率一致。基于Saliency Filters算法计算显著性图:首先对图像进行抽象化，即保留图像相关的结构特征，去除图像一些不需要的细节特征；然后计算出图像中具有唯一性的元素和颜色等底层信息的分布；最后综合这两者信息来得到显著性图saliency。假设输入图像为X，本专利技术采用公式(2)计算重要度图中每个像素的重要度值w(x, y):权利要求1.，由两个部分组成:纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图；具体步骤如下: 步骤一、控制图计算 本专利技术的所有控制图都为原图的灰度图，灰度图很好地保存了原图的亮度细节；采用YIQ计算模型将原图(彩色图)转换为灰度图，该模型中Y代表亮度，即所需要的灰度信息，I代表色调，Q代表饱和度。根据相应的模型转化矩阵，将RGB转化成Y的计算公式如公式Cl):Y=0.299R+0.587G+0.114B (I) 其中R，G，B分别为红绿蓝三色。步骤二、重要度图计算 纹理的重要度信息直接影响了算法的最终结果。为了得到更好的重要度信息，我们首先计算图像的显著性图，该显著性图与原图分辨率一致。基于Saliency Filters算法计算显著性图:首先对图像进行抽象化，即保留图像相关的结构特征，去除图像一些不需要的细节特征；然后计算出图像中具有唯一性的元素和颜色等底层信息的分布；最后综合这两者信息来得到显著性图saliency。假设输入图像为X，本专利技术采用公式(2)计算重要度图中每个像素的重要度值w(x，y):全文摘要，由两个部分组成纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图。具体包括控制图计算、重要度图计算、重要度驱动的纹理压缩、基于图像类比的解压。文档编号G06T9/00GK103198495SQ20131007687公开日2013年7月10日 申请日期2013年3月11日 优先权日2013年3月11日专利技术者汤颖, 周展, 范菁 申请人:浙江工业大学本文档来自技高网...

【技术保护点】
重要度驱动的纹理压缩方法，由两个部分组成：纹理图像压缩和解压。在压缩过程中，对于输入的纹理首先计算其控制图和重要度信息图，然后使用重要度驱动纹理压缩算法对原纹理进行压缩得到相应的压缩后纹理和控制图；在解压阶段，类似于图像类比，将压缩后的控制图和压缩后纹理以及原控制图分别作为输入，经图像类比得到解压后的纹理输出图；具体步骤如下：步骤一、控制图计算本专利技术的所有控制图都为原图的灰度图，灰度图很好地保存了原图的亮度细节；采用YIQ计算模型将原图（彩色图）转换为灰度图，该模型中Y代表亮度，即所需要的灰度信息，I代表色调，Q代表饱和度。根据相应的模型转化矩阵，将RGB转化成Y的计算公式如公式（1）：Y=0.299R+0.587G+0.114B????(1)其中R,G,B分别为红绿蓝三色。步骤二、重要度图计算纹理的重要度信息直接影响了算法的最终结果。为了得到更好的重要度信息，我们首先计算图像的显著性图，该显著性图与原图分辨率一致。基于Saliency?Filters算法计算显著性图：首先对图像进行抽象化，即保留图像相关的结构特征，去除图像一些不需要的细节特征；然后计算出图像中具有唯一性的元素和颜色等底层信息的分布；最后综合这两者信息来得到显著性图saliency。假设输入图像为X，本专利技术采用公式（2）计算重要度图中每个像素的重要度值w(x,y)：w(x,y)=k·saliency(x,y)+|∂∂xI(x,y)|+|∂∂yI(x,y)|)---(2)(修改说明：把原公式（2）改为上述公式（2）)其中saliency(x,y)为像素(x,y)处的显著性值，k是显著性信息的权重，通常k=1能取得理想的效果；I(x,y)为图像像素(x,y)处的亮度，方程后两项和为像素(x,y)处梯度值x方向分量和y方向分量的绝对值。进一步，我们对公式（2）计算出的重要度值进行归一化，使得重要度图中每个像素的值的范围在[0,1]之间。w(x,y)的值越大，其对应的像素的重要度越高。步骤三、重要度驱动的纹理压缩在得到重要度图和控制图之后，对原图和控制图进行压缩；本方法中纹理压缩被定义成能量函数优化问题，该能量函数计算原图所有的像素邻域与压缩后图像的像素邻域的双向相似性；对于输入图X（它可以是原图或控制图），它与压缩目标图Z之间考虑了重要度信息的能量函数如公式(4)所示.其中z/x为Z/X的样本值,q/p分别为Z/X的子集Z+/X+中的像素点位置，xp/zq表示p/q点为中心的空间邻域，zp/xq是Z/X中与xp/zq最相似的邻域,α是用户可调的权重值，当α=0.01时适合于绝大多数纹理；为p点邻域xp的重要度权重，计算图像一个区域的重要度方法有很多，如取邻域内所有像素权重的最小/大值、中值或均值等，我们取像素权重均值作为邻域xp的重要度;用同样方法计算区域xq的重要度；|·|2计算两个邻域之间的距离，通过对邻域内对应像素颜色差的平方求和来计算两个邻域之 间的距离。公式(3)的能量函数由两项相加组成，这两项形式相似，但是计算功能不同；第一项称为inverse项，确保了输入图像X中的每一个邻域xp在Z中能找到与之相似的zp;第二项称为forward项，它保证了Z中没有一个新的zq不与X中的任何xq相似；基于公式（3），下面推导出计算目标纹理Z中每一个像素q处颜色值的方法。对于目标纹理中的每一个像素q∈Z，它对整体能量值的贡献也包含对于forward和inverse两项的计算，具体贡献值可由如下步骤得到：(1)像素q对forward项的贡献表示在目标图Z中所有含有像素q的邻域（其中q1,...,qm为邻域的中心点，注意这里q1,...,qm需经过相应的偏移才能得到q），m值为邻域的个数，它与我们选择的邻域大小相关，当邻域大小为5x5时，m=25（本专利技术中,高斯金子塔的每一层有2组不同大小的邻域，分别为17x17,9x9）。邻域在X中的最近邻为表示中与中的q相对应的像素位置(如图2所示)。这样，q对forward?term的贡献值为（其中w(·)为像素的重要度值，IX(),IZ()分别给出输入图X和目标图Z的像素颜色值，下同）；(2)像素q对inverse项的贡献为X中的邻域并且这些邻域在Z中的最近邻域为包含q的邻域，其中n为邻域的个数，不同于上面的m值，n值的大小不是固定，随着q的不同而不同。像素p1,...,pn为邻域的中心点，它们同样经过相应的偏移得到像素点这些像素点与Z中像...

【技术特征摘要】

【专利技术属性】
技术研发人员：汤颖，周展，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：