专利名称：基于pcnn模型的静止图像压缩编译码方法和系统的制作方法
技术领域：
本发明属于图像处理领域。具体涉及一种利用PCNN的用于静止图像压缩编码方法和系统以及一种适用于大分辨率图像的压缩编码方法和系统。
背景技术：
第二代编码技术中，主要采用两个方向，一为将图像分为不同的频带，然后对不同的频带进行编码；二为将图像进行分块操作，然后对每个块进行编码。迄今为止，基于分块操作的图像压缩方法由于具有计算速度快、不需图像的形状信息等优点而获得广泛应用，如静止图像压缩标准JPEG，以及视频压缩标准如H. 26UM PEG 等。但是这类压缩算法也有其自身的固有缺陷，如在各块的边界存在灰度的不连续性(方块效应)，将对重建图像的主观质量产生极大的影响；同时，由于这类算法采用固定大小的块，通过舍弃部分高频系数来获得压缩效果，因此只能获得中低程度的压缩比。第二代编码技术不再局限于信息论的框架，而是要求充分利用人的视觉、生理、心理及图像信源的各种特征，进一步提高压缩比。编码时首先将图像中诸如边界、轮廓、纹理等结构特征提取出来予以编码，解码时再根据结构和参数信息进行图像重建，在获得更高压缩比的同时消除了 JPEG等方法存在的重建图像失真，比如方块效应。传统的方法很少考虑图像的内容含义及人眼视觉系统(VHS)，用规则的方块分割处理后再编码，因此容易导致高压缩时出现严重的图像失真。基于分割的"第二代"编码技术不再局限于简单的方块编码，其出发点是先让分割区域(或纹理)与原始图像对应部分之间在视觉意义下最大地接近，然后再对这些区域 (纹理)进行编码。当然，这种突破常规的做法必然带来处理上的问题，比如，使用何种方案分割图像，才能使分割简单且适用范围广泛，使用何种基函数压缩图像区域，如何定位分割出的图像内容等等。在图像的不规则区域编码中，存在四种最基本的分割方案，他们分别是基于阈值的分割，基于边界的分割，基于区域的分割和混合分割编码方案。阈值分割的核心思想在于在图像分割时，初始设定某几个阈值，当图像中像素的灰度处于某两个邻近阈值范围内时， 则将这些点分割到一个区域当中。边界分割的核心思想则在于先对图像进行处理找到图像中实际存在的边界，然后对边界编码或者对边界和其内部像素灰度值编码。区域分割的核心思想是根据区域中的某些特性对图像进行处理，从而得到区域的分割结果。混合编码则是采用上述的三种方案混合使用，从而得到实际处理后的分割区域。然而，目前所使用的各种区域分割方案并没有完美的达到视觉意义下最大地接近，而只是简单的达到视觉意义上的较近似的分割。从PCNN模型提出开始，人们就了解到PCNN能够得到广泛的应用。而PCNN的脉冲同步的特性，则可以在图像处理中得到非常完美的图像分割结果。已经完成的PCNN模型的研究表明，PCNN模型及其某些变化模型，已经非常完美的应用在图像的二值分割中，从而能更方便的应用在后续的目标与背景的提取。然而，在图像的多级分割时，原始PCNN模型则表现不是非常理想。另外在区域编码的编码过程中，人们经常采用的是三种最基本的基函数组表示区域中的灰度值1，X，y，χ2, xy, y2, χ3, x2y......类型的二元多项式；1, cos(x), cos(2x), cos(3x)......类型的余弦函数；以及二元多项式或者余弦函数的扭曲形式。在编码过程中，先对这些基函数进行正交化，得到基于分割区域的正交基函数，然后对应于区域中像素的灰度值求得对应正交基函数的系数，然后用这些系数就可以求出对应像素的原来灰度值的近似值。比如JPEG编码中，就是先对图像分成8女8的小块，然后采用余弦函数作为标准正交基函数。然后通过块内像素灰度值求出对应块的标准正交基函数的系数，然后对这些系数进行编码即可。而对于不规则的块的编码，由于块的不规则性，那么就不能采用固定的标准正交基函数，而只能先采用一个基函数集，然后对这个基函数集进行史密特正交化过程，求出对应的标准正交基函数集合。然后再通过块内像素灰度值求出对应块的标准正交基函数的系数，最后对这些系数进行编码。然而，目前使用得最多的史密特正交化方法的运算量非常大，远达不到实时要求， 这就需要采用其他的方案或者对史密特正交化方案进行优化或找到其的快速算法。
发明内容
本发明的目的是提供一种基于PCNN模型的静止图像压缩编译码方法和系统，具体有三个目的，一是提供一种灰度静止图像的分割方法，二是提供一种彩色静止图像的分割方法，三是提供一种改进的灰度/彩色静止图像的分割方法。本发明是基于PCNN模型的静止图像压缩编译码方法和系统，在编码系统中，第一子系统采用脉冲耦合神经网络模型对静止图象进行图象分割；第二子系统对分割结果进行编码，其中，包含分割块的编码和分割块内具体灰度的编码；其中，分割块编码采用链码编码，具体灰度编码采用史密特正交化的方案，对相应正交基系数进行编码；在解码系统中按照编码后的分割块数据和分割块灰度的编码数据恢复原始图像。本发明对图像采用PCNN模型的区域分割，达到多值分割的完美效果，而后对分割结果进行改进的史密特正交化方案对其编码，从而达到在较高的信噪比的情况下的较大压缩比的效果，同时消除传统块分割编码方案中的各种不良效应。另外，在后续的编码过程中，由于史密特正交变换编码计算量太大，并不适用于实际操作，所以本发明还提出了改进的固定编码方法和系统来实现高分辨率图的编码。图像的分割编码的关键在于寻找最佳的图像分割算法。该算法要求将图像分割成区域中的像素满足某种近似准则的不同区域。本发明中采用的近似准则是区域内的像素灰度近似。
图1是本发明的系统框图，图加为原始Iena图像，图2b为PCNN分割中第一次迭代循环时的二值点火图，图2c为进行求取闭合连通域后的图像，其中直接第几个块就以几存储，图3为m= Ln = 1，4，7，13，19，33的脉冲图像，图如为Iena图，图4b为其分割结果示意图，图如为Iena图中一分割子块，图恥则为其对应扩充后的最小矩形，图6a为一幅MODIS遥感图像图，图6b为如对应分割结果示意图。
具体实施例方式如图1所示，本发明是基于脉冲耦合神经网络模型的静止图像压缩编译码方法和系统，在编码系统中，第一子系统采用脉冲耦合神经网络模型对静止图象进行图象分割；第二子系统对分割结果进行编码，其中，包含分割块的编码和分割块内具体灰度的编码；其中，分割块编码采用链码编码，具体灰度编码采用史密特正交化的方案，对相应正交基系数进行编码；在解码系统中按照编码后的分割块数据和分割块灰度的编码数据恢复原始图像。基于PCNN模型的静止图像压缩编译码方法和系统，其中一种灰度静止图像的分割方法，利用PCNN(脉冲耦合神经网络，Pulse Coupled Neural Networks)模型将图像分割成灰度平滑的分割块，所述方法的步骤为(1)利用指数衰减方式来确定PCNN模型中的阈值θ [η]；(2)通过PCNN模型的循环计算得出相应循环的点火图，此点火图实际上就是原图像相同大小的二值图像；(3)对每次循环的点火图进行闭合区域分离，并对每一区域进行相应的编号。第二，一种彩色静止图像的分割方法，将图像中的最大分量求出来，然后根据上述方法对图像的最大分量部分进行分割。第三，一种改进的灰度/彩色静止图像的分割方法，采用改进的LAPCNN(有限脉冲波PCNN，Limited Autowaves PCNN)模型将大分辨率图像分割成灰度平滑的分割块，所述方法的步骤为(1)利用图像的灰度直方图来确定LAPCNN模型中的θ [η]，具体的θ [η]值为直方图中的峰值加上某一个特定值；(2)通过LAPCNN模型的循环计算得出相应循环的点火图，此点火图实际上就是原图像相同大小的二值图像；(3)对每次循环的点火图进行闭合区域分离，并对每一区域进行相应的编号。第四，根据第一、第二所述的编码方法，采用采用以下步骤对每一个编号的分割块进行顺序编码(1)确定编码所需要的基函数为二元多项式集1，χ, y，χ2, xy, y2...；(2)对应于当前处理的块进行基函数集的史密特正交化过程。求出正交化后的正交基函数集，Φο ,Cp1...CPn...;(3)对应于当前处理块中象素的灰度值，求出步骤O)中每个基函数的系数；(1)综合(1)“2)，(3)步骤中的结果，将(3)中的系数转化成(1)中N(—般N = 6)个基函数的N个系数；(2)对中的N个系数编码。对每个系数的整数部分和小数部分分别编码；(6)对第一、第二所述方法的分割结果中的分割块进行相应的区域编码。根据第三所述的编码方法，将每一个分割块进行扩充，将不规则的分割结果扩充成正方形的块，其中本不属于该分割块区域的象素的灰度值转化为原区域所有像素灰度的平均值。第五，根据第三所述的编码方法，不考虑此块位置情况下，每一个扩充后的分割块的标准正交基函数是确定的，然后再根据扩充后的分割块进行求系数即可。第六，根据第三所述的编码方法，其特征在于编码权利要求书6中所得的系数。第七，根据第四所述的解码方法，根据所编码的系数和区域位置直接代入每个点的位置求出其原图像的灰度。第八，第五、第六、第七所述的解码方法，根据所编码的系数以及块大小数据和区域位置直接代入每个点的位置求出其原图像的灰度。通过对小型哺乳动物的研究演化而来的脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)是一种基于神经生理学的模型，它由神经元组成，每个神经元通过
下面的迭代等式实现具体运算
权利要求
1.基于PCNN模型的静止图像压缩编译码方法和系统，在编码系统中，第一子系统采用脉冲耦合神经网络模型对静止图象进行图象分割；第二子系统对分割结果进行编码，其中， 包含分割块的编码和分割块内具体灰度的编码；其中，分割块编码采用链码编码，具体灰度编码采用史密特正交化的方案，对相应正交基系数进行编码；在解码系统中按照编码后的分割块数据和分割块灰度的编码数据恢复原始图像。
2.根据权利要求1所述的基于PCNN模型的静止图像压缩编译码方法和系统，其中灰度静止图像的分割方法，其特征在于利用脉冲耦合神经网络模型将图像分割成灰度平滑的分割块，所述方法的步骤为(1)利用指数衰减方式来确定脉冲耦合神经网络模型中的阈值θ[η]；(2)通过脉冲耦合神经网络模型的循环计算得出相应循环的点火图，此点火图实际上就是原图像相同大小的二值图像；(3)对每次循环的点火图进行闭合区域分离，并对每一区域进行相应的编号。
3.根据权利要求1所述的基于PCNN模型的静止图像压缩编译码方法和系统，其中彩色静止图像的分割方法，其特征在于将图像中的最大分量求出来，然后根据权利要求1中方法对图像的最大分量部分进行分割。
4.根据权利要求1所述的基于PCNN模型的静止图像压缩编译码方法和系统，其中改进的灰度/彩色静止图像的分割方法，其特征在于采用改进的有限脉冲波模型将大分辨率图像分割成灰度平滑的分割块，所述方法的步骤为(1)利用图像的灰度直方图来确定改进的有限脉冲波模型中的θ[η]，具体的θ [η]值为直方图中的峰值加上某一个特定值；(2)通过改进的有限脉冲波模型的循环计算得出相应循环的点火图，此点火图实际上就是原图像相同大小的二值图像；(3)对每次循环的点火图进行闭合区域分离，并对每一区域进行相应的编号。
5.根据权利要求书2，3所述的编码方法，其特征在于采用采用以下步骤对每一个编号的分割块进行顺序编码(1)确定编码所需要的基函数为二元多项式集1，X，1，X2,Xy, ι2...；(2)对应于当前处理的块进行基函数集的史密特正交化过程。求出正交化后的正交基函数集，Φο ,φι·..φΝ.·.；(3)对应于当前处理块中象素的灰度值，求出步骤O)中每个基函数的系数；(4)综合(1)，(2),(3)步骤中的结果，将(3)中的系数转化成(1)中N(—般N = 6) 个基函数的N个系数；(5)对中的N个系数编码。对每个系数的整数部分和小数部分分别编码；(6)对权利要求书1，2的分割结果中的分割块进行相应的区域编码。
6.根据权利要求书4的所述的编码方法，其特征在于将每一个分割块进行扩充，将不规则的分割结果扩充成正方形的块，其中本不属于该分割块区域的象素的灰度值转化为原区域所有像素灰度的平均值。
7.根据权利要求书4的所述的编码方法，其特征在于不考虑此块位置情况下，每一个扩充后的分割块的标准正交基函数是确定的，然后再根据扩充后的分割块进行求系数即可。
8.根据权利要求书4所述的编码方法，其特征在于编码权利要求书6中所得的系数。
9.根据权利要求书5所述的解码方法，根据所编码的系数和区域位置直接代入每个点的位置求出其原图像的灰度。
10.根据权利要求书6，7，8所述的解码方法，根据所编码的系数以及块大小数据和区域位置直接代入每个点的位置求出其原图像的灰度。
全文摘要
基于PCNN模型的静止图像压缩编译码方法和系统，涉及静止图象的一种高效的分割压缩编码的方法和系统。同时还有其对应的解码方法和系统。在编码系统中，第一子系统采用PCNN模型对静止图象进行图象分割。第二子系统对分割结果进行编码，其中，包含分割块的编码和分割块内具体灰度的编码。其中，分割块编码采用链码编码，具体灰度编码采用史密特正交化的方案，对相应正交基系数进行编码。在解码系统中按照编码后的分割块数据和分割块灰度的编码数据恢复原始图像。
文档编号G06T9/00GK102411785SQ201110277828
公开日2012年4月11日 申请日期2011年9月16日 优先权日2011年9月16日
发明者余文锐, 史飞, 苏茂俊, 赵荣昌, 马义德, 齐春亮 申请人:兰州大学