基于正則化方向失真的大規模圖數據壓縮質量評價

李 敏

（淮北師范大學計算機科學與技術學院，安徽 淮北235000）

0 引言

隨著圖像處理技術的發展，需要對大規模多聚焦圖像數據進行壓縮處理，以提高圖像數據的存儲能力，降低數據存儲開銷，因此研究復雜環境下大規模多聚焦圖像數據壓縮質量優化評價方法具有重要意義，相關的大規模圖數據壓縮和質量評價方法研究受到人們的極大關注［1-2].本文提出基于正則化方向失真的大規模圖數據壓縮質量評價方法.對大規模多聚焦圖像數據進行壓縮是建立在圖像特征提取和挖掘的基礎上，構建圖像數據的特征辨識模型，結合模糊信息特征檢測方法，進行大規模多聚焦圖像數據壓縮，采用正則化方向失真反饋補償方法進行大規模圖數據壓縮過程的自適應尋優，根據信息融合結果實現大規模圖數據壓縮質量評價.最后進行仿真測試分析，展示了本文方法在提高大規模圖數據壓縮質量評價方面的優越性能.

1 大規模圖數據采樣和特征分析

1.1 大規模多聚焦圖像數據采樣

為了實現基于正則化方向失真的大規模圖數據壓縮質量評價，以多聚焦圖像為研究對象，建立大規模多聚焦圖像數據采樣模型［3]，表示為：

根據數據采集結果進行大規模多聚焦圖像的像素特征重建，計算圖像的行頻率和列頻率，對大規模多聚焦圖像進行壓縮感知處理，將信息熵作為特征量［4]，進行圖像壓縮信息重構，大規模多聚焦圖像的像素分布強度為：

根據圖像模糊噪聲點的分布特性，大規模多聚焦圖像像素的分布矩陣表示為：

采用模糊信息重組方法獲取大規模多聚焦圖像的差異度信息特征量，信息熵反映了圖像所包含的信息量，通過計算圖像的信息熵［5]，得到大規模多聚焦圖像的超分辨融合矩陣為：

對采集到的大規模多聚焦圖像進行分塊融合匹配處理，提取圖像各聚焦區域的細節信息，用Xi，j表示（i，j）位置的概率密度函數，對圖像進行灰色區域重組，得到大規模多聚焦圖像的空間域特征分布為：

有：

建立大規模多聚焦圖像的超分辨率特征分布集，對圖像的灰度區域M×M進行特征重建，利用邊緣保持度衡量圖像的分布強度，通過計算邊緣保持度實現大規模多聚焦圖像邊緣輪廓檢測［6].

1.2 圖像邊緣輪廓特征提取

在每個區域極小值的位置進行圖像輪廓特征提取［7]，得到大規模多聚焦圖像的灰度等級特征分布為：

建立大規模多聚焦圖像的邊緣輪廓特征檢測模型，對圖像噪聲、物體表面細微特征進行壓縮感知處理，得到圖像邊緣輪廓特征點K(x0,y0)，以K(x0,y0)為中心，計算大規模多聚焦圖像局部區域像素值，表示為：

如果pixel_A＜pixel_B，對大規模多聚焦圖像的局部區域像素值進行模糊檢測，建立圖像多重視覺特征檢測模型，通過尋找局部區域特征信息，對圖像相鄰區域的特征量進行增強處理，設J(x)t(x)為圖像的梯度幅值，得到大規模多聚焦圖像的灰度特征量為：

構建大規模多聚焦圖像的模糊度檢測模型，獲得圖像空間視覺分布像素值為：

計算大規模多聚焦圖像的相似度，結合像素分布矩陣進行大規模多聚焦圖像梯度幅值重建，得到灰度像素集為Z，將區域極大值作為圖像的標記符，得到圖像邊緣輪廓特征提取模型為：

其中，η表示大規模多聚焦圖像的相鄰區域亮度，φ表示拉普拉斯銳化特征分量，R表示大規模多聚焦圖像的模板匹配系數［8].

2 大規模圖數據壓縮質量評價

為了增強圖像的邊緣和細節，提取大規模多聚焦圖像各聚焦區域的細節信息，采用模糊信息融合方法進行圖像邊緣輪廓特征檢測，根據圖像邊緣細節的保持程度進行大規模圖數據壓縮，提取大規模多聚焦圖像相似度特征量，得到圖像的模糊度生成序列為：

上式中，i=1,2,...,T，表示大規模多聚焦圖像的亮區域權重，如果背景集合中不存在新區域，此時大規模多聚焦圖像的未標記區域集合表示為：

計算A 與所有它的鄰域之間的相似程度，采用正則化學習的方法［9]獲取新的區域合并集，該集合滿足：

其中，δ為大規模多聚焦圖像的暗度區域分布特征量，采用超像素特征匹配方法得到邊緣模糊圖像的灰度直方圖為：

采用信息融合方法，進行大規模圖數據壓縮質量評價［10]，其中圖數據壓縮的模板匹配集合描述為：

結合正則化的圖像融合和特征辨識方法，得到大規模圖數據壓縮的特征分量為：

式中，l=1,2,…,R并且k≠l.根據下述公式，對大規模圖像數據進行正則化方向失真補償，得到補償模型為：

建立大規模圖數據空間壓縮和多分辨信息融合模型，根據信息融合結果實現大規模圖數據壓縮質量評價，評價結果表示為：

3 仿真實驗分析

為了驗證本文方法在實現大規模圖數據壓縮質量評價中的性能，設計仿真實驗.圖數據采樣的信息熵為0.45，相鄰區域的特征分辨率為60*60，灰度圖像的特征分布系數為0.34，樣本測試集為30組，根據上述仿真環境和參數設定，進行大規模多聚焦圖像壓縮和質量評價，其中原始圖像如圖1所示.

以圖1的圖像為研究對象，進行大規模圖數據壓縮，得到壓縮結果如圖2所示.

分析圖2得知，本文方法能有效實現大規模多聚焦圖像壓縮.測試壓縮質量評價精度，得到對比結果見表1.分析得知，本文方法進行大規模多聚焦圖像壓縮評價的精度較高，說明壓縮質量較好.

表1 大規模多聚焦圖像壓縮質量評價精度Tab. 1 Quality evaluation accuracy of large scale multi focus image compression

4 結語

本文以多聚焦圖像為研究對象，建立大規模多聚焦圖像數據采樣模型，對圖像局部區域像素值進行模糊檢測，建立圖像多重視覺特征檢測模型，根據圖像邊緣細節的保持程度進行大規模圖數據壓縮，提取圖像相似度特征量.采用正則化方向失真反饋補償方法進行大規模圖數據壓縮過程的自適應尋優，根據信息融合結果實現圖數據壓縮質量評價.實驗結果顯示，采用該方法進行大規模圖數據壓縮質量評價的自適應性較好，特征分辨能力較強，壓縮質量評價精度高，具有可靠性，能夠有效提高圖像質量評價水平.