图象压缩编码

 
图像压缩已研究了几十年，提出了诸如DPCM、DCT、VQ等压缩方法，并已出台了基于DCT等技术的国际压缩标准，如JPEG、MPEG、H.261等。人们逐渐发现了这些方法的许多缺点：比如高压缩比时图像出现严重的方块效应、人眼视觉系统的特性不易被引入到压缩算法中，等等。人们认为目前有三种方法属于第二代图像编码方法：基于分割的压缩方案、基于模型的压缩方案及基于分形的压缩方案。
分形图像编码是目前较有发展前途的图像编码方法之一, 也是目前研究较为广泛的编码方法之一。对其研究已有近十年的历史，其间，人们发现了它所具有的许多优点：比如，它突破以往熵压缩编码的界限，在编码过程中，采用了类似描述的方法，而解码是通过迭代完成的，且具有分辨率无关的解码特性等。
分形图像编码的思想最早由Barnsley和Sloan引入，将原始图像表示为图像空间中一系列压缩映射的吸引子。在此基础上，Jacquin设计了第一个实用的基于方块分割的分形图像编码器，他首先将原始图像分割为值域子块和定义域子块，对于每一个值域子块，寻找一个定义域子块和仿射变换（包括几何变换、对比度放缩和亮度平移），使变换后的定义域子块最佳逼近值域子块。随后Fisher等提出了四象限树编码方案，采用有效的分类技术，极大的提高了编码性能。随着几十种新算法和改进方案的问世，分形图像编码目前已形成了三个主要发展方向：加快分形的编解码速度、提高分形编码质量、分形序列图像编码。
 
 
     

我们的主要工作
1、目前，分形图象编码还处于基础研究和实验模拟的发展阶段，没有形成正式的国际标准，尚未得到广泛的应用。其主要缺陷在于编码过程非常耗时。由于分形图像编码过程具有潜在的并行特性，研究者借助于并行计算做了大量的工作，以硬件结构模型为依据，可以划分为SIMD、MIMD、ASIC等类别，力求满足实时处理的要求。
针对MIMD系统，我们提出了一种树状拓扑结构，以构造有效的处理器网络。此结构由标准的金字塔计算机演化而来，形式紧凑，能充分利用每一处理器单元的通信能力。与几种流行的拓扑结构相比，它的直径最小，能够支持复杂的并行机制，具有极强的可控性和扩展能力。我们利用经济型硬件Quadputer板（具有4个IMS T800 transputer、4MB内存容量的插入板），提出并实现了一种基于树状拓扑MIMD系统的并行分形图象编码方案，具有良好的性能。而且，通过加入更多的处理器单元扩展系统，我们的方案很容易满足各种特定场合的需要。
2、在以前的分形图像编码方案中，为了满足紧缩变换的要求，定义域子块比值域子块大，通常是值域子块的四倍。这说明它们考虑到了不同尺度下的自相似性。然而，在自然图像中，也大量存在着相同尺度下的自相似性。例如人的左眼和右眼非常相似，它们是相同尺度而非不同尺度。为克服这一缺点，我们引入了等尺度块映射的思想，在对值域子块编码过程中首先搜索相同尺度的定义域子块，不满足条件再去匹配不同尺度的定义域子块。此方案增加了可选择的定义域子块的总数，从而增大了值域子块和匹配的定义域子块的相似程度，获得了更好的解码图像质量。同时，我们使用一种双重分类的技术对等尺度块映射方案作了改进，在基本不影响匹配精度的前提下，极大的提高了编码速度。
3、在深入研究了分形图象编码的数学原理之后，我们发现传统方法是拼贴图象对原始图象的充分近似，这并不能带来解码图象质量的不断提高。实际上，编码过程应该减小解码图象和原始图象的差距。这似乎是不可能的，因为只有当编码完成后，才能得到全部的变换参数；只有得到了全部的变换参数，才能重建原始图象。同时我们也注意到，原始图象的编码是针对值域子块依次进行的，使用已有的部分变换参数迭代于原始图象，就能够得到一系列近似的解码图象，并且不断的逼近最终的解码图象。由此，我们在编码过程中引入了反馈环节，在每一值域子块编码之后立即更新定义域子块集合，从而渐进的实现了解码图象对原始图象的直接近似。与Fisher的经典方案相比，此举进一步改善了恢复图象的质量达2dB之多。
4、分形图像编码中，首要的一步是将原始图像分割为值域子块和定义域子块,分割的方式和结果往往决定着最终的编码性能。一般来说，分割方法对图像内容的自适应能力越强，编码性能越好。目前，具有不规则形状区域分割的分形图像编码方案成为研究的热点，它们采取划分-合并的思路，与传统的编码方案相比，具有更好的自适应能力和编码性能。然而，这些所谓的不规则形状区域仍然是线性轮廓(折线)。为了克服这一局限性，我们提出并实现了一种具有任意形状区域分割的分形图像编码器，它采取两步分割的思路，即基于分形维数的粗分和基于区域增长的细分，粗分划定种子的增长范围，细分实现种子的像素级增长。这一方案在很大程度上提高了对图像内容的自适应能力，改善了编码性能，而且与以往的方案相比，即便在同样的压缩性能下，我们的解码图像也具有更好的视觉效果。
5、研究图像内容扩展分形特征，克服分形维数特征非精确相似匹配的缺点，利用可变长扩展Dp图像特征，精确匹配相似，缩小定义域范围，减小匹配搜索时间，最终减小编码时间，快速实现编码。
?通常，人们所说的维数都是整数维，属于拓扑维的范畴。维数表示描述一个对象所需的独立变量的个数。在直线上确定一个点需要一个坐标，在平面上确定一个点得用两个坐标，在三维空间中确定一个点得用三个坐标，等等。除拓扑维数外，还有度量维数，它是从测量的角度定义的。人们研究了度量单位和测量结果之间的关系。Mandelbrot指出：跨越尺度的变化不是任意的，必须遵从一定的规律。长度测量结果的可变性包含着另一种不同的量的不变性，这个保持不变的参量就是维数。维数通常是一个非负的整数，但在分形几何中，维数可以扩大为分数，因此分形几何又称为分数维几何，把其维数称为分维。
由于自然界中不同种类的形态物质一般具有不同的维数，并且自然界中的分形与图像的灰度之间有一定的对应关系，因此分形维数可以用来描述图像表面的纹理特点和粗糙程度。分形维数是相似性特征的一种描述，相同或相似的图像的分形维数相同，但是分形维数相同的图像却不一定相似，存在差距很大的可能。这是因为分形维数仅仅是图像纹理复杂度的统计特征，计算时相对位置特征被忽略，所以分形维数特征一般作为粗略图像纹理估计分类使用。针对这个弱点，我们提出强化分形维数特征的新思路，即根据维纹理论提取图像块中基于分形维数的新信息量，这就是水平、垂直分形维数特征和可变长分形维数特征。
通过图像分形维数、可变长分形维数特征，可满足图像块间精确相似的要求，克服单独使用分形维数特征的缺点，据此我们对定义域池缩小搜索空间，减少匹配时间，可变长分形维数特征的计算是在分形维数特征基础之上进行的，计算量花费不多，但是获得了新的维数信息量，压缩时间显著缩短。