基于自适应字典稀疏表示人脸图像压缩算法的研究

《基于自适应字典稀疏表示人脸图像压缩算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要图像压缩是图像处理的一个重要环节，是图像存储和传输过程中要解决的重要问题。图像压缩技术已经研究了几十年，取得了很大的成绩，并已制定JPEG、JPEG2000等静止图像压缩标准。然而，对于一些使用广泛的特殊图像如人脸图像，由于其图像小且内容丰富，在低比特率条件下压缩重建后的图像质量不能令人满意。为此，需要通过引入新的理论对人脸图像的低比特率压缩进行研究。图像信息的有效表示是各种图像处理的基础，有效表示是指用甚少的表示系数即可表示图像的主要能量。因此，图像的稀疏表示能力对于压缩性能具有重要的影响。

2、为了解决传统正交变换的稀疏表示能力不足问题，本文研究自适应超完备字典稀疏表示方法，并将其应用于人脸图像的低比特率压缩。具体在以下方面取得了一些进展：1．本文提出了一种新的自适应超完备字典的构造算法：K．PCA算法。该算法是一种改进的K．SVD算法，用于超完备字典的训练学习，以实现图像的有效稀疏表示。与K-SVD算法相比较，该算法主要在初始字典的获取和原子的更新方面做了改进，以期望相似的样本采用相似的原子表示。相关图像去噪实验证明了该字典训练学习算法的可靠性。进一步，论文将该算法应用于人脸图像的低比

3、特率压缩。相关实验证实，应用本文所提算法构造的超完备字典进行人脸图像的低比特率压缩，其主客观效果都明显优于JPEG和JPEG2000。2．为了进一步提高人脸图像的压缩比，本文提出一种基于自适应双字典的人脸图像压缩算法。该算法将基于自适应字典稀疏表示的图像超分辨率重建算法与图像压缩算法有机结合起来，以保证在具有较高重建质量的情况下获得人脸图像的甚低比特率压缩。该算法主要利用对偶的低分辨率和高分辨率图像自适应获得的对偶双字典具有相同的稀疏表示系数这一特点。压缩时，首先对待压缩人脸图像下采样获得低分辨率

4、人脸图像，并在相应的低分辨率字典上稀疏分解图像，再对稀疏分解系数编码以实现压缩；解压缩时，则由稀疏表示系数与对偶的高分辨率字典重建图像。相关实验证实，本文提出的方法能够在保证图像重建质量的情况下，实现甚低比特率条件下(比特率小于O．125bpp)的人脸图像压缩。基于自适应字典稀疏表示的人脸图像压缩算法研究关键词：人脸压缩；稀疏表示；超完备字典：甚低比特率AbstractImagecompressionisallimportantpartofimageprocessing，alsoallimport

5、antissuestobesolvedinimagestorageandtransmission．Theimagecompressiontechnologyhasbeenstudiedfordecadesandhasgotsomeachievements，JPEGandJPEG2000havebeendeveloped．However,forsomespecialimagessuchasfacialimagewhichissmallbuthasrichcontent,thequalityofrec

6、onstructedimageisnotsatisfactoryunderlowbitratecompressioncondition．Therefore，introducingnewtheoreticalmethodtolowbitratecompressionoffacialimagesisverymeaningful．Validimagerepresentationisthebasisofimageprocessing，thesparsityoftransformcoefficientsis

7、veryimport刍mtforcompressionperformance．ToovercometheinsufficiencyofcommonlyusedDCTandWavelettransform，thispaperapplythetheoryofadaptiveover-completesparserepresentationstothefiledoffacialimagecompression．Specifically,progresshasbeenmadeinthefollowinga

8、re．as：Firstly,thispaperpresentsanewadaptiveovereompletedictionaryconstructionalgorithm：K-PCA．ThealgorithmisimprovedbytheK—SVDalgorithm，usedtotraincompletedictionary,inordertoachieveavalidrepresentationoftheimage．ComparedwiththeK-SVD，ouralgorit