基于神經網絡的船載導航雷達視頻圖像壓縮*

王治國　陳重陽　譚　笑

(海軍工程大學管理工程系　武漢　430033)

?

基于神經網絡的船載導航雷達視頻圖像壓縮*

王治國陳重陽譚笑

(海軍工程大學管理工程系武漢430033)

摘要對于船載導航雷達視頻圖像進行壓縮,不僅要進行幀內壓縮,而且要利用幀間相關性進行幀間壓縮。論文在借鑒MPEG標準對序列圖像壓縮處理方法的基礎上,提出了基于神經網絡的幀間壓縮算法。經過測試,該方法可獲得較高的壓縮比和較好的重建圖像質量,方便了存儲和傳輸。

關鍵詞神經網絡; 導航雷達; 圖像壓縮

Class NumberTP391.4

1引言

艦船使用的導航雷達視頻圖像是序列圖像,對其進行壓縮要利用幀間相關性。在考慮運用神經網絡對船載導航雷達序列圖像進行壓縮的過程中,一個簡單的思路是,在逐幀的基礎上利用對向傳播神經網絡算法[1]。然而,由于每一幀圖像是當作一幅單獨的圖像進行處理的,因此用這種方法實現的壓縮就會受到限制,其最大壓縮比將和圖像幀內壓縮方法獲得的壓縮比一樣[2～5]。對船載導航雷達視頻圖像進行壓縮,除了要利用空間冗余,還要利用相鄰圖像間存在的相似性而產生的時間冗余,這樣才能獲得大的壓縮比。

2基于神經網絡的壓縮算法

對于序列圖像的壓縮處理,現有MPEG系列標準,該標準用于對多媒體數據的壓縮編碼及其重放[6～7]。在借鑒MPEG標準對序列圖像的壓縮處理方法基礎上,提出基于神經網絡的船載導航雷達視頻圖像壓縮編碼方案。

2.1MPEG標準對序列圖像的壓縮處理方法

在對序列圖像進行處理方面,MPEG為充分利用幀間相關性,同時防止誤碼擴散傳播,采用了幀內編碼、幀間前向預測和幀間雙向預測等幾種方式,相應地將圖像序列分為幀內編碼幀(I幀)、前向預測幀(P幀)和雙向幀(B幀),采取以離散余弦變換(DCT)為基礎、有運動補償(MC)的幀間預測的混合編碼方案[8～9]。

2.2基于神經網絡的壓縮編碼方案

在運用神經網絡對船載導航雷達視頻圖像進行壓縮時,像MPEG標準一樣,也把雷達序列圖像分為不同的幀。對I幀,采用對向傳播神經網絡算法進行壓縮[1]。由于相隔一定時間的兩幀圖像間的相關性將變得很小,同時為了防止差錯在幀間的擴散,需要使I幀以一定的頻率出現。其出現頻率可以依具體情況進行選擇,一般取I幀每15幀出現一次。

對于P幀、B幀的壓縮處理,MPEG標準先進行運動補償、前向/雙向預測,然后對運動補償后的幀間差用類似于I幀的算法編碼。它采用運動補償技術作為利用幀間冗余度的主要手段,該技術在消除時間冗余度方面起了非常大的作用。但是,運動補償技術需要進行MC全域搜索計算,其計算量很大,尤其在運動矢量的范圍比較大的時候,需要大量的時間進行運動估計和MC全域搜索計算。為縮減運算量,本文提出以下基于神經網絡的幀間壓縮處理方案,對P幀、B幀進行壓縮處理。

在本方案中,壓縮器主要由兩部分組成,一是運動檢測器,二是神經網絡壓縮器。神經網絡壓縮器包含一組具有不同壓縮率的神經網絡。壓縮處理前,先將雷達序列圖像的每一幀都分成8×8像素的子塊。雷達序列圖像中的I幀按照對向傳播神經網絡算法進行壓縮[1]。對于雷達序列圖像中的P幀、B幀,先將其輸入運動檢測器進行運動檢測。在本方案中,使用一種非常簡便、運算量很小的運動檢測方法:將當前幀圖像子塊的像素平均值同參照幀對應圖像子塊的像素平均值進行比較,如果兩者差值大于或等于某一閾值則認為該圖像子塊運動,如果兩者差值小于某一閾值則認為該圖像子塊是不運動的,閾值的大小可根據擬達到的峰值信噪比PSNR來確定。使用該運動檢測方法,極大地節省了運算量。經運動檢測器檢測為不運動的圖像子塊,不進行壓縮編碼,而只是在數據流中設置標志以通知解碼器,使其在接收端按參照幀對應子塊的像素值進行恢復。經運動檢測器檢測為運動的圖像子塊,用自組織特征映射網絡(SOFM網絡)對其進行分類。觀察船載導航雷達視頻圖像可以發現,占畫面絕大部分的無回波區(即海洋部分)是成片的,回波和許多有源干擾通常也是成片出現的。當把這些圖像分成8×8像素的子塊,以子塊為單位進行處理,這些子塊就可以分為五類:全為海洋的子塊、全為回波的子塊、全為二次回波的子塊、全為雷達標繪線的子塊以及既有海洋又有回波、二次回波、雷達標繪線或包含其任意兩者的子塊。由于表示海洋像素的像素值都是同一個值,表示回波像素的像素值是同一個值,表示二次回波像素的像素值是同一個值,表示雷達標繪線像素的像素值也是同一個值,因此可以進一步將子塊只分為兩類:單值圖像子塊和多值圖像子塊。由于自組織特征映射網絡(SOFM網絡)對輸入數據具有較強的劃分聚類功能[10～11],因此采用該網絡對船載導航雷達視頻圖像子塊進行分類。

對于單值圖像子塊,采用大壓縮比神經網絡壓縮器對其編碼;而對于多值圖像子塊,將其輸入到多值壓縮比神經網絡壓縮器進行壓縮。多值壓縮比神經網絡壓縮器中包含三個分別具有4∶1、8∶1、16∶1壓縮比的神經網絡。在神經網絡壓縮器中,設定一個重建質量閾值(實驗中取峰值信噪比PSNR=32dB),多值運動圖像子塊被三個神經網絡壓縮,在滿足重建質量的前提下,選擇壓縮比最大的神經網絡作為該多值運動圖像子塊的壓縮神經網絡。然后,將壓縮數據和對應的壓縮神經網絡的編號進行存儲和傳輸。在接收端,根據對應的壓縮神經網絡和壓縮數據對該多值運動圖像子塊進行重構。該基于神經網絡的船載導航雷達視頻圖像壓縮方案的實現框圖可由圖1表示。

圖1　基于神經網絡的船載導航雷達視頻圖像壓縮編碼的實現框圖

3實驗分析

隨機抽取船載導航雷達視頻圖像連續15幀圖像中的任意兩幀,按照上述基于神經網絡的壓縮編碼方法進行壓縮,可以得到在第二幀圖像的壓縮比達到51.20時其峰值信噪比PSNR=32.0431dB。重建圖像由于運動,回波邊沿部分有些許失真,而相對靜止的部分恢復完好,導航雷達視頻圖像的大部分信息被保存下來,因此使用該方法得到的重建圖像質量可以滿足艦船航行要求。

4結語

本文介紹了基于神經網絡的船載導航雷達視頻圖像壓縮方法。通過測試,獲得了較高的壓縮比和較好的重建圖像質量,便于存儲和傳輸。該方法與用MPEG標準進行壓縮的方法相比,縮減了運算時間,滿足了實際航行需求。

參 考 文 獻

[1] 王治國,王英才,陳京京.基于對向傳播神經網絡的海圖圖像壓縮[J].海洋測繪,2002,22(6):39-41.

WANG Zhiguo, WANG Yingcai, CHEN Jingjing. Chart image compression based on the counter propagation neural network[J]. Hydrographic Surveying and Charting,2002,22(6):39-41.

[2] Christopher Cramer. Neural networks for image and video compression: A review[J]. European Journal of Operational Research,1998,108(2):266-282.

[3] A Namphol, SH Chin, M Arozullah. Image compression with a hierarchical neural network[J]. International Journal of Computer and Engineering Management,1996,32(1):326-338.

[4] J Jiang. Image compression with neural networks: A survey[J]. Signal Processing Image Communication,1999,14(9):737-760.

[5] M Mougeot, R Azencott, B Angeniol. Image compression with back propagation: improvement of the visual restoration using different cost functions[J]. Neural Networks,1991,4(4):467-476.

[6] 任乾魯,曹愛增,韓延彬,等.動態視頻圖像MPEG標準淺析[J].濟南大學學報,2004,18(4):315-318.

REN Qianlu, CAO Aizeng, HAN Yanbin, et al. Brief introduction to MPEG standard[J]. Journal of Jinan University,2004,18(4):315-318.

[7] 李學明.自適應圖像分塊壓縮算法的實現和性能分析[J].計算機工程與應用,2003,39(1):1-5.

LI Xueming. Implementation and performance analysis for adaptive block size image compression[J]. Computer Engineering and Applications,2003,39(1):1-5.

[8] 耿靜.MPEG視頻的發展趨勢[J].數據通信,2002,22(4):32-34.

GENG Jing. Development trend of MPEG video[J]. Data Communications,2002,22(4):32-34.

[9] 徐凡,湯懷禮.MPEG編解碼系統的開發[J].信息工程學院學報,1997,16(3):17-21.

XU Fan, TANG Huaili. Development of MPEG codec system[J]. Journal of Information Engineering Institute,1997,16(3):17-21.

[10] 丁碩,常曉恒,巫慶輝.自組織特征映射網絡在模式分類中的應用研究[J].科學技術與工程,2014,14(5):266-269.

DING Shuo, CHANG Xiaoheng, WU Qinghui. Study of the application of self-organizing feature mapping neural network in pattern classification[J]. Science Technology and Engineering,2014,14(5):266-269.

[11] Hsieh Kunlin, Jeng Chengchang, Yang Iching, et al. The study of applying a systematic procedure based on SOFM clustering technique into organism clustering[J]. Expert Systems with Applications,2006,33(2):330-336.

Compression of Marine Navigation Radar Video Image Based on Neural Network

WANG ZhiguoCHEN ChongyangTAN Xiao

(Department of Management Science, Naval University of Engineering, Wuhan430033)

AbstractFor marine navigation radar video image compression, it not only needs to carry out the intraframe compression, but also to do the interframe compression of using interframe correlation. On the basis of MPEG standard, this paper porposes the interframe compression algorithm based on neural network. After testing, the algorithm can obtain the higher compression ratio and better performance of reconstructed image, which is convenient for storage and transmission.

Key Wordsneural network, navigation radar, image compression

* 收稿日期:2015年11月13日,修回日期:2015年12月24日

作者簡介:王治國,男,碩士,助教,研究方向:軍事航海。陳重陽,男,碩士,副教授,研究方向:軍事航海。譚笑,男,博士,講師,研究方向:軍事航海。

中圖分類號TP391.4

DOI:10.3969/j.issn.1672-9722.2016.05.036