本發(fā)明涉及計(jì)算機(jī)信息技術(shù)領(lǐng)域，具體地涉及圖像壓縮領(lǐng)域。

背景技術(shù)：

圖像壓縮是圖像傳輸和存儲(chǔ)中的最重要步驟之一，圖像壓縮技術(shù)可以分為兩種方式即有損和無(wú)損壓縮。有損壓縮的特點(diǎn)是一些重要的數(shù)據(jù)可能會(huì)因?yàn)閴嚎s被覆蓋，這不會(huì)發(fā)生在無(wú)損壓縮中，因此有損壓縮一般用于流媒體和電話應(yīng)用程序。無(wú)損壓縮的要求比有損壓縮的要求高很多，使得在壓縮之后圖像的各個(gè)部分都能得到保留，而不是被覆蓋，因此主要應(yīng)用于航空航天和醫(yī)學(xué)應(yīng)用領(lǐng)域。

重要的圖像質(zhì)量指標(biāo)包含峰值信噪比(PSNR)、WPSNR和壓縮圖像文件的存儲(chǔ)空間大小，用于比較和測(cè)試。在最近，隨著新技術(shù)、高速互聯(lián)網(wǎng)的來(lái)臨，大容量圖像壓縮成為了必須完成的重要任務(wù)之一。此外，醫(yī)學(xué)科學(xué)越來(lái)越需要大量圖像的數(shù)字存儲(chǔ)，其中通常大部分是灰度圖像。在無(wú)線傳感器網(wǎng)絡(luò)中，低功耗設(shè)備部署的地方，圖像壓縮技術(shù)也需要降低功耗，傳輸時(shí)間和故障概率。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述不足之處，本發(fā)明提出了一種使用香農(nóng)熵和差分進(jìn)化的多級(jí)閾值圖像壓縮方法，閾值將圖像劃分成幾個(gè)對(duì)象和背景，閾值數(shù)目增加時(shí)，圖像開(kāi)始分割，但在同一時(shí)間接近于原始圖像。直方圖是通過(guò)使用較高的閾值來(lái)獲取近似，從而降低壓縮誤差。直方圖的近似是通過(guò)香農(nóng)熵的最大化實(shí)現(xiàn)的。隨著閾值數(shù)目的增加，計(jì)算時(shí)間幾乎呈指數(shù)增加，為此差分進(jìn)化(DE)方法被用于優(yōu)化。由于基于直方圖處理的壓縮技術(shù)，不論圖像的大小計(jì)算時(shí)間是相同的。

本發(fā)明的目的是：使圖像壓縮能適用于各個(gè)領(lǐng)域，并實(shí)現(xiàn)減少壓縮時(shí)間、提高壓縮效率和壓縮圖像質(zhì)量的目的。

本發(fā)明為達(dá)到上述目的所采用的技術(shù)方案是：一種基于香農(nóng)熵和差分進(jìn)化的多級(jí)閾值圖像壓縮方法，該方法的實(shí)現(xiàn)步驟如下：

步驟1將原始圖像經(jīng)過(guò)dsp處理取得數(shù)字圖像信號(hào)，香農(nóng)熵初始化參數(shù)k0的值為0，迭代次數(shù)c為0，獲取圖像的平均自信息量。

步驟2坐標(biāo)變量y取較大的實(shí)數(shù)，坐標(biāo)變量x取圖像灰度平均值，對(duì)灰度均值殘差采樣，將其分成5×5矩陣分塊，根據(jù)去噪等級(jí)獲取隨機(jī)概率分布。

步驟3采用加權(quán)香農(nóng)熵閾值法獲得圖像分割的最佳閾值t*，并計(jì)算閾值t*所對(duì)應(yīng)的圖像分割效果評(píng)價(jià)函數(shù)H′的值。

步驟4若當(dāng)前函數(shù)H′值小于坐標(biāo)變量y的值，則將函數(shù)值傳給坐標(biāo)變量y，閾值t*傳值給坐標(biāo)變量x；迭代次數(shù)c加1，若c小于最大迭代次數(shù)則更新香農(nóng)熵初始化參數(shù)k的值，否則直接進(jìn)行差分進(jìn)化處理。

步驟5更新初始化參數(shù)k的值，kc＝kc+d，其中d是搜索步長(zhǎng)，即d＝1.0/最大步長(zhǎng)，坐標(biāo)變量x的值作為加權(quán)香農(nóng)熵法分割圖像的最優(yōu)參數(shù)值。

步驟6混合加權(quán)香農(nóng)熵和閾值分割信號(hào)，對(duì)其進(jìn)行差分進(jìn)化處理，對(duì)得到的矩陣進(jìn)行可逆變換，分解出信號(hào)中的噪聲，最終得到壓縮圖像。

本發(fā)明的有益效果是：使用該方法能夠?qū)崿F(xiàn)圖像壓縮在多個(gè)領(lǐng)域得以實(shí)現(xiàn)，達(dá)到壓縮時(shí)間減少，壓縮效率提高，壓縮圖像質(zhì)量提高的目的。

附圖說(shuō)明

圖1表示香農(nóng)熵差分進(jìn)化多級(jí)閾值壓縮流程

圖2表示表示香農(nóng)熵平均加權(quán)變化

圖3表示閾值分割最大值變化

具體實(shí)施方式

本發(fā)明使用香農(nóng)熵和差分進(jìn)化的多級(jí)閾值圖像壓縮方法，閾值將圖像劃分成幾個(gè)對(duì)象和背景，并使用直方圖和差分進(jìn)化方法用于本發(fā)明，提高了圖像的壓縮效率和質(zhì)量。

以下，結(jié)合附圖1到附圖3對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

一、香農(nóng)熵，結(jié)合圖1、圖2

在信息理論中，熵被用于衡量隨機(jī)變量的隨機(jī)性，熵的單位為比特。熵是不確定性的量度而不是確定性的量度，因?yàn)樵诫S機(jī)的信源的熵越大)。事件的概率分布和每個(gè)事件的信息量構(gòu)成了一個(gè)隨機(jī)變量，這個(gè)隨機(jī)變量的均值(即期望)就是這個(gè)分布產(chǎn)生的信息量的平均值(即熵)。假設(shè)一個(gè)離散隨機(jī)變量X，香農(nóng)熵初始化參數(shù)為k，迭代次數(shù)為c，X的取值范圍為X₁，X₂…X_n。被隨機(jī)變量傳輸?shù)男畔?shù)量可能通過(guò)以下的公式被定量測(cè)試。

I(X_i)＝-log₂P(X_i)

Xi是P(Xi)發(fā)生的可能性標(biāo)識(shí)，n是符號(hào)的總數(shù)量。香農(nóng)熵的定義為：

隨機(jī)變量有兩個(gè)可能的取值，香農(nóng)熵獲取一個(gè)最大值，類似地，n個(gè)隨機(jī)變量，當(dāng)隨機(jī)變量等于1/n的所有可能性達(dá)到的時(shí)候，就會(huì)取得其最大值，也就是隨機(jī)變量可能相等。當(dāng)概率分布P的不確定性程度越大時(shí)，其對(duì)應(yīng)的熵H(P)值越大；反之，其熵H(P)值就越小。香農(nóng)熵H(P)具有如下典型性質(zhì)：

(1)對(duì)于任意概率分布P，有0≤H(P)≤log(n)

(2)對(duì)于概率分布P＝(0,…,0,1,0,…,0)有H(P)＝0

(3)對(duì)于概率分布有H(P)＝log(n)

(4)對(duì)于兩個(gè)獨(dú)立的概率分布P和Q，有H(P>Q)＝H(P)+H(Q)成立。

在本發(fā)明中原始的圖像通過(guò)數(shù)字信號(hào)處理操作，取得的數(shù)字圖像信號(hào)，正是獲取香農(nóng)熵的關(guān)鍵。在確定隨機(jī)變量的初始化參數(shù)和迭代次數(shù)之后，接下來(lái)就可以確定隨機(jī)變量概率分布函數(shù)，也就該圖像的香農(nóng)熵函數(shù)。這個(gè)函數(shù)代表了需要壓縮的圖像的平均信息量，也就是這個(gè)圖像自身所攜帶多少信息。

本發(fā)明的加權(quán)香農(nóng)熵的定義如下：

其中wi是離散隨機(jī)變量X出現(xiàn)事件xi的權(quán)重，且滿足0≤w_i≤1(i＝1，2，…，n)。

二、加權(quán)閾值分割法，結(jié)合圖1、圖2、圖3

如果數(shù)字圖像的大小為M*N,f(x,y)是坐標(biāo)為(x,y)的像素點(diǎn)的灰度值，X取值范圍為1,2,…M,Y取值范圍為1,2,…N。假設(shè)L為灰度等級(jí)I的數(shù)量，則所有灰度等級(jí)的集合被表示成為G，例如：

f(x,y)∈G∈I

假設(shè)H為圖像的直方圖，hk＝nk/(M*N),nk是Dk中像素點(diǎn)的數(shù)量。如果圖像被n個(gè)閾值分成n+1個(gè)等級(jí)，那么閾值應(yīng)被選中，這樣兩閾值的直方圖頻率值幾乎是一樣的。這就是用了香農(nóng)熵的最大化概念，對(duì)灰度等級(jí)的每個(gè)組而言，為了獲取正確的閾值，每一個(gè)熵函數(shù)必須被最大化，這樣總的香農(nóng)熵也必須被最大化為了獲取最佳的閾值集合T。

H(T)＝H1(T)+H2(T)+…+Hn+1(T)

本發(fā)明將加權(quán)閾值分割法用在殘差去噪操作后，是因?yàn)榧訖?quán)閾值分割一般適用于圖像雜質(zhì)較低的數(shù)字信號(hào)。結(jié)合圖2的香農(nóng)熵平均加權(quán)值和最大閾值分割理論，使用閾值分割后的分割圖像，在進(jìn)行差分進(jìn)化處理的同時(shí)，性能會(huì)優(yōu)于直接進(jìn)行差分進(jìn)化處理的原始包含噪聲雜質(zhì)的低劣圖像信號(hào)。而且這種圖像質(zhì)量性能的提升是顯而易見(jiàn)的，所以在本發(fā)明中加權(quán)閾值分割也是尤為重要的一種改善圖像壓縮質(zhì)量的方法。

三、差分進(jìn)化法

差分進(jìn)化(DE)是一種啟發(fā)式算法，同時(shí)也是一個(gè)非常有競(jìng)爭(zhēng)力的進(jìn)化優(yōu)化器。差分進(jìn)化算法類似遺傳算法，包含變異，交叉操作，淘汰機(jī)制，而差分進(jìn)化算法與遺傳算法不同之處，在于變異的部分是隨選兩個(gè)解成員變數(shù)的差異，經(jīng)過(guò)伸縮后加入當(dāng)前解成員的變數(shù)上，因此差分進(jìn)化算法無(wú)須使用概率分布產(chǎn)生下一代解成員。算法的原理采用對(duì)個(gè)體進(jìn)行方向擾動(dòng)，以達(dá)到對(duì)個(gè)體的函數(shù)值進(jìn)行下降的目的，同其他進(jìn)化算法一樣，差分進(jìn)化算法不利用函數(shù)的梯度信息，因此對(duì)函數(shù)的可導(dǎo)性甚至連續(xù)性沒(méi)有要求，適用性很強(qiáng)。同時(shí)，算法與粒子群優(yōu)化有相通之處，但因?yàn)椴罘诌M(jìn)化算法在一定程度上考慮了多變量間的相關(guān)性，因此相較于粒子群優(yōu)化在變量耦合問(wèn)題上有很大的優(yōu)勢(shì)。DE與人工生命,特別是進(jìn)化算法有著極為特殊的聯(lián)系.DE和微粒群算法(PSO,也稱粒子群算法)一樣,都是基于群體智能理論的優(yōu)化算法,通過(guò)群體內(nèi)個(gè)體間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索.但相比于進(jìn)化算法,DE保留了基于種群的全局搜索策略,采用實(shí)數(shù)編碼、基于差分的簡(jiǎn)單變異操作和一對(duì)一的競(jìng)爭(zhēng)生存策略,降低了遺傳操作的復(fù)雜性。

本發(fā)明在差分進(jìn)化算法的步驟中，專門用來(lái)處理加權(quán)閾值分割后的圖像數(shù)字信號(hào)，對(duì)于在閾值分割中提到的性能優(yōu)化，對(duì)差分進(jìn)化的改善效率最大，所以在本流程中采用這種自啟發(fā)式的進(jìn)化方法來(lái)保證圖像的還原性，在這之后再進(jìn)行啟發(fā)式的矩陣逆變換算法，實(shí)現(xiàn)圖像的高度還原，保證輸出的壓縮圖像還原后能和原始圖像的誤差范圍不超過(guò)其他優(yōu)化操作。

上述結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作了詳細(xì)描述，應(yīng)該理解上述只是示例性的，因此，本發(fā)明的保護(hù)范圍應(yīng)當(dāng)由所附的權(quán)利要求書(shū)的內(nèi)容確定。