多区域图像重建算法.docVIP

多区域图像重建算法 　　摘要：为在多区域轮廓曲线中实现中等水平视觉的区域纹理替换，提出了一种多区域图像重建算法该算法首先提取原始图像的分割区域及其索引号列表；其次根据分段迭代曲线拟合方法获得代表区域结构特征的多项式系数，并选取最小的区域纹理样本；最后利用重建的区域轮廓与合成的区域纹理实现区域恢复该算法能成功实现包含大量纹理的自然场景图像重建，实验结果表明降低了图像重建所需数据量，适用于图像与视频的静止背景重建 　　关键词：人类视觉系统； 图像纹理替换； 纹理合成； 曲线拟合； 多区域 　　中图分类号： TP301.6 文献标志码：A 　　0引言 　　传统的混合编码框架采用变换编码、预测编码和熵编码去除空间冗余、时间冗余和统计冗余由于人眼是图像信息的主要接受源，因此可利用人类视觉系统的感知特性去除视觉感知冗余，改善图像编码的编码效果及计算效率然而，基于像素的图像与视频表征方法自身的局限性，使得进一步显著提高压缩效率的目标难以实现[1]因此，如何找到一种更加有效的图像表征方法一直是图像编码领域的研究热点与难点问题 　　Kunt等[2]首先提出了利用人类视觉感知特性的第二代图像编码的思想，受到人们的广泛关注现实中存在的很多图像都包含大量的纹理，如草、墙砖、云、沙滩等，而这些图像通常构成图像或视频的静止背景NdjikiNya等[3]把图像中的纹理分为两大类：不重要主观细节纹理和重要主观细节纹理由于人类视觉系统固有的缺陷，图像中的纹理通常是人眼不关注的那部分内容，纹理细节的变化不会影响对原始纹理的主观理解 　　图像的纹理分析在图像处理、计算机视觉等领域中起着重要作用目前有很多文献阐述了图像纹理的分析与合成算法[4-6]Efros等[6]提出了一种非参数化的方法，通过拼接小的纹理补块合成图像纹理，取得了不错的效果图像中的线结构通常是指用来定义目标形状的轮廓或划分区域的边界目前对线结构的检测与提取技术的研究已经取得了长足的进步[7-8] 　　本文提出了一种多区域图像重建算法，使用区域的轮廓结构与纹理信息简洁可靠地表征图像由于区域个数是可变的，本文算法能选用最小的、适当的区域纹理样本实验结果表明，多区域图像重建算法保证重建图像符合人眼视觉要求，大大降低了图像重建所需数据量，并适用于图像与视频的静止背景重建 　　1多区域图像重建算法 　　多区域图像重建算法由多区域提取、区域结构特征提取、区域纹理样本选择、多区域图像重建4部分构成多区域提取采用图像分割与融合算法，获得原始图像的多个区域及其索引号列表；区域结构特征提取采用二值化、轮廓跟踪、下采样及分段迭代曲线拟合方法，获得代表区域结构特征信息的多项式系数；区域纹理样本选择是指在区域中截取一块包含区域纹理局部及全局特征的纹理样本；多区域图像重建采用区域轮廓重建与区域纹理合成算法，实现区域恢复当图像中的所有区域都被成功地恢复，就意味着多区域图像重建完成 　　1.1多区域提取 　　原始图像被分割为许多包含同质颜色与纹理特征的小分割区域[9-10]同时考虑到纹理样本选择对分割结果是敏感的，空间紧邻的小分割区域必须合并成较大的区域每个区域获得一个独一无二的索引号，同一区域中的所有像素有相同的索引号且该索引号等同于其区域索引号多区域提取示意图如图1所示 　　在图1（a）中，每一个方格代表一个像素；红色方格构成一个红色区域，绿色方格构成一个绿色区域，而蓝色方格构成一个蓝色区域，如图1（b）所示；每一个区域随机地得到一个索引号，例如1、2或3等，如图1（c）所示，每个红色方格对应的索引号都是1，每个绿色方格对应的索引号都是2，而每个蓝色方格对应的索引号都是3，它们共同构成了图1（a）中原始图像的索引号列表索引号列表将在区域结构特征提取过程中发挥至关重要的作用 　　1.2区域结构特征提取 　　区域结构特征提取过程分为四个阶段：二值化、区域轮廓跟踪、下采样及分段迭代曲线拟合，如图2所示这里仅对一个区域进行分析 　　首先，得到原始图像的二值化图像，其中白色区域代表待替换区域，如图2（a）所示 　　其次，利用轮廓跟踪算法[7]得到一个由区域边界曲线上的像素点组成的有序序列白色曲线代表待替换区域的轮廓曲线，如图2（b）所示轮廓跟踪执行过程如下： 　　1）以区域轮廓曲线上的起始点作为邻域的中心点，沿逆时针方向开始寻找下一个候补点 　　2）判断候补点是否在待替换区域的对象区域中，如果在，就把该候补点作为邻域的中心点；重复步骤1），直至得到轮廓上所有像素点的有序序列，即确定出待替换区域的轮廓曲线 　　1.3区域纹理样本选择 　　在多区域图像重建算法中，选择的区域纹理样本应该包含待替换区域内部纹理的大部分局部及全局特征利用二维自回归统计分析模型对区域内部纹理进行分析[12]图像的自