基于最小可觉差的视觉自适应图像压缩编码：原理、算法与应用优化.docxVIP

基于最小可觉差的视觉自适应图像压缩编码：原理、算法与应用优化

一、引言

1.1研究背景与意义

在数字化时代，图像作为信息的重要载体，广泛应用于诸多领域，如多媒体、通信、医疗、遥感等。随着图像获取设备的不断普及与发展，图像数据量呈爆炸式增长。例如，高清数码相机拍摄的单张照片数据量可达数MB，医学领域的高分辨率断层扫描图像数据量更是可观。如此庞大的图像数据量，给存储和传输带来了极大的挑战。一方面，存储设备的容量有限，大量未压缩的图像数据会迅速耗尽存储空间，增加存储成本；另一方面，在网络传输中，大尺寸图像数据需要占用大量带宽，导致传输速度缓慢，影响用户体验，甚至在带宽受限的情况下无法传输。因此，图像压缩技术成为解决这些问题的关键，它通过去除图像数据中的冗余信息，在尽可能减少图像质量损失的前提下，降低图像的数据量，从而实现高效的存储和传输。

传统的图像压缩算法，如JPEG、JPEG2000等，在去除图像数据冗余方面取得了一定的成果，但它们大多基于信号处理和信息论的基本原理，较少考虑人眼视觉系统（HumanVisualSystem，HVS）的特性。人眼视觉系统对图像的感知具有一定的特性，例如对不同频率成分的敏感度不同，对亮度变化的敏感度高于颜色变化，对图像边缘和纹理等低频信息更为敏感，而对一些细微的噪声和高频细节相对不敏感。基于最小可觉差（JustNoticeableDifference，JND）的视觉自适应图像压缩编码正是在此背景下提出的，它充分利用人眼视觉特性，以JND为量化准则，根据图像中不同区域对人眼视觉的重要性程度，自适应地调整压缩策略。这种方法能够在保证图像视觉质量的前提下，进一步提高压缩效率，使得压缩后的图像在人眼观察下与原始图像几乎无差异，同时有效减少数据量，对于提升图像在存储和传输过程中的效率具有重要意义，在图像通信、图像存储、多媒体内容分发等领域具有广阔的应用前景。

1.2国内外研究现状

在国外，基于最小可觉差的视觉自适应图像压缩编码研究起步较早。早期，Ahumada等人通过计算空域对比度敏感函数（CSF）得到灰度图像的JND模型，为后续研究奠定了基础。随后，Watson提出了DCTune方法，进一步考虑了亮度自适应、对比度掩蔽等特性对JND的影响，使JND模型更加完善。近年来，研究人员不断对JND模型进行改进和优化，并将其应用于图像压缩编码中。例如，Zhang等人通过加入亮度自适应因子和对比度掩蔽因子，使得JND模型具有更高的精度，并应用于图像压缩，取得了较好的视觉质量和压缩效果。在算法实现方面，一些研究致力于将JND模型与其他先进的图像压缩技术相结合，如小波变换、分形编码等，以实现更高效的压缩。

国内在该领域的研究也取得了丰硕成果。中国科学院、清华大学等科研机构和高校的研究人员在JND模型改进和图像压缩算法优化方面开展了深入研究。Liu等人在经典的非线性相加掩蔽模型（NAMM）基础上，通过全变分（TV）分解对图像中的纹理以及结构分量赋以不同加权值，使像素域JND模型具有更好的计算精度，并应用于图像压缩编码，有效提升了图像的视觉质量。Wu等人则在计算纹理掩盖时进一步考虑了人眼对规则区域与非规则区域不同的敏感性，提出一种基于亮度自适应与结构相似性的JND模型，在图像压缩应用中展现出良好的性能。此外，国内研究人员还在基于深度学习的图像压缩与JND模型融合方面进行了探索，尝试利用深度学习强大的特征提取和学习能力，进一步提高基于JND的图像压缩编码效果。

当前研究虽然在基于最小可觉差的视觉自适应图像压缩编码方面取得了显著进展，但仍存在一些不足之处。一方面，现有的JND模型在准确性和通用性方面仍有待提高，对于复杂场景和多样化的图像内容，模型的适应性还不够强，难以准确反映人眼视觉特性。另一方面，在压缩算法的效率和复杂度方面，部分算法计算复杂度较高，导致编码和解码时间较长，限制了其在一些对实时性要求较高的场景中的应用。此外，在压缩后图像的质量评估方面，现有的客观评价指标与主观视觉感受之间还存在一定的差距，如何建立更加准确、符合人眼视觉感知的图像质量评价体系，也是该领域亟待解决的问题。

1.3研究目标与创新点

本研究旨在基于最小可觉差实现更高效、更符合人眼视觉特性的图像压缩编码，具体目标如下：一是改进和优化JND模型，充分考虑人眼视觉系统在不同场景和图像内容下的特性，提高模型对各种图像的适应性和准确性，使其能够更精确地衡量图像中不同区域的视觉重要性；二是基于改进的JND模型，设计一种新的视觉自适应图像压缩编码算法，根据图像各区域的JND阈值，自适应地分配比特率，在保证图像关键视觉信息无损或损失最小的前