一种基于小波包和矢量量化相结合的图像压缩编码方法技术

本发明专利技术属于数字图像压缩编码和传输领域，其特征是：对图像进行多级小波变换，分解成低频系数和高频系数；对低频系数使用熵编码得到低频码流；对高频系数进一步进行小波包分解并根据分解后的各级高频子带系数在空间和频率上的对应关系，构成分类训练矢量；对训练矢量集进行能量阈值筛选并分别采用基于等失真准则的广义学习矢量量化方法来设计矢量量化器的码书，然后进一步使用熵编码进行无损压缩，从得到高频码流；最后对由低频码流和高频码流的压缩数据进行解码得到恢复图像。本发明专利技术能够在获得较大压缩比的情况下，保证图像的恢复质量和编码速度，并能较好的保留图像的高频细节信息。

An image compression coding method based on wavelet packet and vector quantization

The invention belongs to the field of digital image compression encoding and transmission, which is characterized by multi wavelet transform to the image is decomposed into low frequency and high frequency coefficients by using entropy encoding stream; low frequency low frequency coefficients of high frequency coefficients; for further correspondence between the wavelet packet decomposition according to the levels of high frequency sub band coefficients are decomposed in space and the frequency of the classification of the training vector; the energy threshold and screening methods based on generalized learning vector quantization distortion criterion to design the vector quantizer codebook of training vectors, then further using entropy encoding for lossless compression, obtained from high frequency stream; at the end of the decoded image restoration by data compression low frequency and high frequency video stream. The invention can guarantee the restoration quality and the coding speed of the image under the condition of obtaining a larger compression ratio, and can better preserve the high frequency detail information of the image.

【技术实现步骤摘要】

:本专利技术属于数字图像压缩编码和传输领域，涉及一种新的基于小波包变换和矢量量化相结合的图像压缩编码方法，是对传统图像有损压缩方法的创新和改进，可广泛应用于数据编码与传输、多媒体技术和地理信息系统等领域中。
技术介绍
:随着计算机技术、通讯技术和多媒体技术等领域的高速发展，数字图像因其具有信息丰富、获取便利等优势而被广泛的使用。但这也导致了数据量的极具增加，给图像数据的存储和传输带来了巨大的负担，因此研究行之有效的图像压缩编码技术有着重要的理论意义和实用价值。矢量量化(Vector Quantization, VQ)技术是一种高效的有损数据压缩方法,它是以香农的速率失真理论作为理论基础，其基本原理是:首先基于输入矢量设计矢量量化的码书，码书由码字构成，码字的维数和输入矢量相同，而码书的规模远小于输入矢量集；然后使用矢量量化器码书中与输入矢量相匹配码字的索引来替代输入矢量进行存储和传输，而解码只需要快速的查表操作，因此具有压缩比大、编码速度快等优点。矢量量化过程如图1所示。矢量量化最基本也是最重要的问题是设计性能良好的码书，码书的性能直接影响图像压缩编码的质量。LBG方法是码书设计的经典方法，该方法是基于局部寻优原理，但它具有计算繁琐，易产生无效码字，对初始码书敏感，适应能力差等缺点。另外一类被广泛使用的方法是基于人工神经网络的码书设计方法，利用神经网络的非线性函数逼近性能实现输入矢量集到码书的映射，其中典型的方法有竞争学习神经网络(Competitive LearningNeural Network, CLNN),它是一种硬判决的聚类算法,但存在的问题是往往导致局部最优，全局失真过大，甚至码字欠利用。除了码书设计方法以外，影响码书质量的另外一个重要因素是训练输入矢量集的有效性，为了解决这一问题，目前很多研究工作将小波分析技术引入到矢量量化中，并取得了一定的效果。其基本思想是首先将图像进行小波变换，得到高频率子带和低频率子带；然后基于各频带系数的关系构成矢量集合；再应用矢量量化方法进行压缩编码。但现有方法还没有充分挖掘和利用小波变换后不同频带系数的在位置、方向和内容上的相关性。此外，对于高分辨率多细节图像，例如遥感图像、医学图像等，小波分解的高频系数部分其频率分辨率却较低，因此对图像细节的分辨能力不足，这往往会导致图像重建后图像的细节部分由较大的损失。
技术实现思路
:专利技术目的:本专利技术提供，给出基于小波包变换系数的分类训练矢量组织方式和基于等失真广义学习矢量量化技术的矢量量化器码书设计方法，其目的在于解决现有技术的图像压缩比较低，矢量量化码书质量不高，恢复图像细节损失严重等不足，提出一种有效的基于小波包变化和矢量量化相结合的图像压缩编码方法。技术方案:本专利技术是通过以下技术方案实施的:，其特征在于:该方法按以下步骤:步骤(I):对于待压缩编码图像，对其进行多级小波变换，分解成低频系数和高频系数；步骤(2):对于小波分解后的低频系数采用标量量化方法，再使用熵编码得到低频码流；步骤(3):对于小波分解后各频带的高频系数进一步采用小波包技术分别对其进行分解；步骤(4):根据各级高频子带系数在空间和频率上的对应关系，构成分类训练矢量;步骤(5):根据矢量能量阈值对训练矢量进行筛选；步骤(6):对于筛选后的分类矢量，分别采用基于等失真准则的广义学习矢量量化方法来设计矢量量化器的码书；步骤(7):对矢量量化的码流进一步使用熵编码进行无损压缩，从得到高频码流；步骤(8):对由低频码流和高频码流构成的压缩数据，采用上述编码的逆过程进行解码，再进行重建得到恢复图像。在步骤(3)中，分别对小波变换后的第I级，第2级和第3级频带三个方向的高频系数进行二维小波包变换，将各频带各方向的高频系数进一步分解，分解后的系数能够更精确的描述图像各方向细节信息。在步骤(4)中，各子带对应位置的系数代表原图像同一细节在不同分辨率下不同方向的描述，它们具有带间的相关性，根据这种空间位置和内容上的相关性来构造训练分类矢量，选择同一方向不同子带上同一位置的系数组成训练矢量，不同的级别频率子带选取不同数量的系数；再根据高频系数的方向性，将训练矢量进行分类，每类矢量用于设计各自的量化器码书，训练过程各自独立。在步骤(6)中，将设计矢量量化器最优码书的等失真准则引入到广义学习矢量量化方法中，加入一种基于等失真广义学习矢量量化的码书设计方法，其主要步骤包括:I)初始化码书C (O)，初始码字可从输入训练序列矢量中随机选取N个矢量；初始化码书中各码字的部分失真Di (O);设最大迭代次数为T，允许误差门限值ε >0，初始学习率为α (O)；2)对于各学习步骤t = 1，.，Τ，计算每步的变化学习率α⑴；①根据每个码字所属区域内的训练矢量计算各码字的部分失真Di (t)；②基于各码字的部分失真，计算改进的失真测度为如,Ji);③根据新的失真测度找出竞争获胜码字矢量；④修正码书中的获胜码字和其他码字矢量；3)调整码书中各码字分割区的所属训练矢量；4)计算误差Et;5)若误差小于给定阈值或达到最大学习步数，则停止，并确定为最终的码书；否则转步骤2)，进行重新计算。优点及效果:1.本专利技术提出一种基于小波包变换和矢量量化相结合的图像压缩编码方法，该方法能够即保证了图像低频平滑部分低失真和稳定性，又保留了图像各方向的高频细节信息，使得压缩图像在获得高恢复质量的情况下具有较大的压缩比，同时也提高了图像的压缩编码速度。2.本专利技术采用小波包对图像高频系数进行分解相对于常用的单纯小波分解压缩算法，能保留更细致的图像细节信息，这在高分辨率遥感卫星图像等需要保留图像边缘细节的领域中具有绝对的优势。同时，给出的基于小波包分解后的分类矢量组织方法，充分利用了不同频率子带的空间相关性和内容相关性，能够有效提高矢量量化码书的设计质量。此外将矢量集按照细节方向性进行分类，分别设计码书，体现了并行计算的思想，降低了算法的复杂度，极大地提高了码书生成的实时性，也解决了传统码书设计方法速度慢的问题。3.本专利技术提出了一种新的矢量量化码书设计方法，该方法基于香浓的设计最优矢量量化器理论，将等失真准则引入到广义矢量量化学习算法中，并将其用于码书设计。该方法对竞争训练中的矢量评判标准进行重新定义，使得码书中各码子所属区域的部分失真趋于相等，也解决了码子的欠利用问题。该方法相对于LBG等常用的码书设计方法，能够减小码书的整体误差，极大地提高了矢量量化的有效性。同时也遵循了设计码书的最优准则，在理论上可设计最优矢量量化器。【附图说明】:图1为矢量量化编码和解码流程框图；图2为压缩编码流程框图；图3为图像小波分解图；图4为小波包分解及系数矢量构成图；图5为基于改进的广义学习矢量量化流程图；图6为图像解码流程框图。【具体实施方式】:本专利技术提出一种有效的基于小波包变化和矢量量化相结合的图像压缩编码方法，通过对小波变换后的低频系数进行低失真的标量量化来保证图像平滑部分的高质量恢复；通过对小波变换后的高频系数做进一步的小波包分解来有效地利用图像的高频细节部分，以详细分割各方向的高频细节，并合理利用分解各子频带系数的相关性构成了分类训练矢量集；在此基础上，根据设计最优化矢量量化码书的等失真准则，本文档来自技高网...

【技术保护点】
一种基于小波包和矢量量化相结合的图像压缩编码方法，其特征在于：该方法按以下步骤：步骤（1）：对于待压缩编码图像，对其进行多级小波变换，分解成低频系数和高频系数；步骤（2）：对于小波分解后的低频系数采用标量量化方法，再使用熵编码得到低频码流；步骤（3）：对于小波分解后各频带的高频系数进一步采用小波包技术分别对其进行分解；步骤（4）：根据各级高频子带系数在空间和频率上的对应关系，构成分类训练矢量；步骤（5）：根据矢量能量阈值对训练矢量进行筛选；步骤（6）：对于筛选后的分类矢量，分别采用基于等失真准则的广义学习矢量量化方法来设计矢量量化器的码书；步骤（7）：对矢量量化的码流进一步使用熵编码进行无损压缩，从得到高频码流；步骤（8）：对由低频码流和高频码流构成的压缩数据，采用上述编码的逆过程进行解码，再进行重建得到恢复图像。

【技术特征摘要】
1.一种基于小波包和矢量量化相结合的图像压缩编码方法，其特征在于:该方法按以下步骤: 步骤(1):对于待压缩编码图像，对其进行多级小波变换，分解成低频系数和高频系数； 步骤(2):对于小波分解后的低频系数采用标量量化方法，再使用熵编码得到低频码流； 步骤(3):对于小波分解后各频带的高频系数进一步采用小波包技术分别对其进行分解； 步骤(4):根据各级高频子带系数在空间和频率上的对应关系，构成分类训练矢量； 步骤(5):根据矢量能量阈值对训练矢量进行筛选； 步骤(6):对于筛选后的分类矢量，分别采用基于等失真准则的广义学习矢量量化方法来设计矢量量化器的码书； 步骤(7):对矢量量化的码流进一步使用熵编码进行无损压缩，从得到高频码流； 步骤(8):对由低频码流和高频码流构成的压缩数据，采用上述编码的逆过程进行解码，再进行重建得到恢复图像。2.根据权利要求1所述的基于小波包和矢量量化相结合的图像压缩编码方法，其特征在于:在步骤(3)中，分别对小 波变换后的第I级，第2级和第3级频带三个方向的高频系数进行二维小波包变换，将各频带各方向的高频系数进一步分解，分解后的系数能够更精确的描述图像各方向细节信息。3.根据权利要求1所述的基于小波包和矢量量化相结合的图像压缩编码方法，其特征在于:在步骤(4)中，各子带对应位置的系数代表原图像同一细节...

【专利技术属性】
技术研发人员：段勇，李鹤婷，于霞，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：