基于图像低频子带极大值映射量化算法.docVIP

基于图像低频子带极大值映射量化算法 　　摘要：针对图像压缩中的死区量化不能有效保留图像边缘信息的问题，提出了低频子带极大值映射量化算法。在图像经过小波变换后所形成的各级子带中，首先利用与低频子带系数呈映射关系的各级高频子带系数的均值确定低频子带中各系数的重要性。在量化过程中，高频子带系数采用JPEG2000中的死区量化步长进行量化，低频子带系数根据自身重要性自动更新量化步长，从而有效保留图像的边缘信息。提出的算法在量化步长更新时对低频系数的选择具有自适应性的优点，与传统的JPEG2000算法相比，所提算法能够加快优化截断的嵌入式分块编码（EBCOT）阶段Tier1的编码速度。实验结果表明，所得图像证明了此算法在保留图像的边缘信息方面具有一些优势，所提算法的峰值信噪比与传统的死区量化相比有约0.2dB的提升。 　　关键词：图像压缩；小波变换；边缘保留；自适应；量化步长更新 　　中图分类号： TP391.41 　　0引言 　　自1980年法国数学家Morlet提出小波变换后，由于小波变换在时域和频域都具有较好的分析能力，所以它在图像压缩领域得到了广泛的应用，从而大大加快了图像压缩算法改进的进程。边缘信息在图像识别中扮演着重要角色，失真的边缘（例如模糊）会严重影响图像的主观质量[1]。图像的纹理和边缘对图像的主观质量影响很大，在图像放大方面，文献[2]利用内插的方法尽量保留图像的边缘；在图像去噪方面，文献[3]主要在去噪的同时尽量保留纹理；而在图像压缩方面，文献[4]通过对不同方向的子带设置不同的阈值对图像的边缘细节进行保留，达到视觉无损的效果。由此可见，边缘细节信息在各种图像处理中对重建图像的主观质量来说显得非常重要。根据人类视觉系统（Human Visual System， HVS）可知，人眼对图像平滑区信息的失真比较敏感，对图像边缘区信息的失真很敏感。对图像的边缘信息具有重要的制约因素是图像压缩过程中的量化。为了更好地保留图像的边缘细节，就要对图像的不同部分采取不同的量化方法。众所周知，一部分压缩是在对变换系数的量化期间实现的[5]，所以在图像压缩的过程中，量化是一个非常关键的阶段。文献[6]利用分段线性变换将图像中较小的系数进行适当的放大，从而在量化过程中尽量减小误差达到保留图像的边缘细节的目的。标量量化（Scalar Quantization， SQ）是一种最简单的量化方法，输入的动态幅值被用户均匀地划分成一定的份数。但是与其他量化算法相比如若达到相同的压缩效果，标量量化往往需要更大的带宽。所以一般情况下，标量量化不会被单独用于图像压缩中。死区量化（Deadzone Quantization， DQ）[7]方法虽然对不同分解级数的子带给定不同的量化步长，但其并未考虑图像的细节信息，所以在压缩倍数比较大时不能较好地保留图像的边缘等细节信息，标量量化同样也没有考虑图像的细节信息对图像的主观视觉效果的影响。文献[8]提出的小波极大值映射量化（Wavelet Maxima Mapping Quantization， WMMQ）算法是先通过最高分解级数的高频子带系数对低频子带的边缘区域进行判定，再赋予其与平滑区不同的量化步长，与标量量化相比，在保留图像的边缘细节信息方面有较大的提升，但是它并未考虑其他高频子带对边缘区域判定的影响。文献[8]的结论提到，这种量化算法还未被用于图像压缩的过程中。针对以上几种量化算法的不足，本文提出了低频子带极大值映射量化（Lowpass subband Maxima Mapping Quantization， LMMQ）算法，该算法综合考虑所有高频子带系数对边缘区域的影响，更加精确地划分边缘区域，然后对低频子带的边缘区和平滑区设定不同的量化步长，边缘等细节能够更好地被保留下来。实验结果表明，与JPEG2000[9]中的死区量化算法相比，本文算法取得了比较好的主观视觉效果，客观的数据也表明提出的算法具有更佳的图像细节信息的保留能力。 　　1低频子带极大值映射量化算法 　　文献[10]对小波变换后的高频子带进行分块处理，按照块中的能量大小将高频子带分成边缘块、纹理块和平滑块，然后对各类不同的块用不同的量化步长进行量化，与传统的JPEG2000算法相比获得了较好的主观视觉效果，而本文主要针对低频子带进行自适应量化处理。文献[8]的量化算法在对低频子带的量化变换中只考虑了最高分解等级的三个高频子带对低频子带系数的映射，对低频近似图像的平滑区和边缘区的划分不够精确，从而使得低频子带系数不能准确地选择量化步长。本文在划分边缘区和平滑区方面进行有效的改进，利用所有高频子带中的系数对低频子带的系数进行重新归类，减小判定误差，使边缘区域和平滑区域的划分更加准确。图1是低频子带极大值映射量化算法流程，图中的