李 敏

（淮北師范大學計算機科學與技術(shù)學院，安徽 淮北235000）

0 引言

隨著圖像處理技術(shù)的發(fā)展，需要對大規(guī)模多聚焦圖像數(shù)據(jù)進行壓縮處理，以提高圖像數(shù)據(jù)的存儲能力，降低數(shù)據(jù)存儲開銷，因此研究復雜環(huán)境下大規(guī)模多聚焦圖像數(shù)據(jù)壓縮質(zhì)量優(yōu)化評價方法具有重要意義，相關(guān)的大規(guī)模圖數(shù)據(jù)壓縮和質(zhì)量評價方法研究受到人們的極大關(guān)注［1-2].本文提出基于正則化方向失真的大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價方法.對大規(guī)模多聚焦圖像數(shù)據(jù)進行壓縮是建立在圖像特征提取和挖掘的基礎(chǔ)上，構(gòu)建圖像數(shù)據(jù)的特征辨識模型，結(jié)合模糊信息特征檢測方法，進行大規(guī)模多聚焦圖像數(shù)據(jù)壓縮，采用正則化方向失真反饋補償方法進行大規(guī)模圖數(shù)據(jù)壓縮過程的自適應尋優(yōu)，根據(jù)信息融合結(jié)果實現(xiàn)大規(guī)模圖數(shù)據(jù)壓縮質(zhì)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(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價方面的優(yōu)越性能.

1 大規(guī)模圖數(shù)據(jù)采樣和特征分析

1.1 大規(guī)模多聚焦圖像數(shù)據(jù)采樣

為了實現(xiàn)基于正則化方向失真的大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價，以多聚焦圖像為研究對象，建立大規(guī)模多聚焦圖像數(shù)據(jù)采樣模型［3]，表示為：

根據(jù)數(shù)據(jù)采集結(jié)果進行大規(guī)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(guī)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(gòu)，大規(guī)模多聚焦圖像的像素分布強度為：

根據(jù)圖像模糊噪聲點的分布特性，大規(guī)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(guī)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(guī)模多聚焦圖像的超分辨融合矩陣為：

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

有：

建立大規(guī)模多聚焦圖像的超分辨率特征分布集，對圖像的灰度區(qū)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(xiàn)大規(guī)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(qū)域極小值的位置進行圖像輪廓特征提?。?]，得到大規(guī)模多聚焦圖像的灰度等級特征分布為：

建立大規(guī)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(guī)模多聚焦圖像局部區(qū)域像素值，表示為：

如果pixel_A＜pixel_B，對大規(guī)模多聚焦圖像的局部區(qū)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(qū)域特征信息，對圖像相鄰區(qū)域的特征量進行增強處理，設(shè)J(x)t(x)為圖像的梯度幅值，得到大規(guī)模多聚焦圖像的灰度特征量為：

構(gòu)建大規(guī)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(guī)模多聚焦圖像的相似度，結(jié)合像素分布矩陣進行大規(guī)模多聚焦圖像梯度幅值重建，得到灰度像素集為Z，將區(qū)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(guī)模多聚焦圖像的相鄰區(qū)域亮度，φ表示拉普拉斯銳化特征分量，R表示大規(guī)模多聚焦圖像的模板匹配系數(shù)［8].

2 大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價

為了增強圖像的邊緣和細節(jié)，提取大規(guī)模多聚焦圖像各聚焦區(qū)域的細節(jié)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(jù)圖像邊緣細節(jié)的保持程度進行大規(guī)模圖數(shù)據(jù)壓縮，提取大規(guī)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(guī)模多聚焦圖像的亮區(qū)域權(quán)重，如果背景集合中不存在新區(qū)域，此時大規(guī)模多聚焦圖像的未標記區(qū)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(qū)域合并集，該集合滿足：

其中，δ為大規(guī)模多聚焦圖像的暗度區(qū)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(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價［10]，其中圖數(shù)據(jù)壓縮的模板匹配集合描述為：

結(jié)合正則化的圖像融合和特征辨識方法，得到大規(guī)模圖數(shù)據(jù)壓縮的特征分量為：

式中，l=1,2,…,R并且k≠l.根據(jù)下述公式，對大規(guī)模圖像數(shù)據(jù)進行正則化方向失真補償，得到補償模型為：

建立大規(guī)模圖數(shù)據(jù)空間壓縮和多分辨信息融合模型，根據(jù)信息融合結(jié)果實現(xiàn)大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價，評價結(jié)果表示為：

3 仿真實驗分析

為了驗證本文方法在實現(xiàn)大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價中的性能，設(shè)計仿真實驗.圖數(shù)據(jù)采樣的信息熵為0.45，相鄰區(qū)域的特征分辨率為60*60，灰度圖像的特征分布系數(shù)為0.34，樣本測試集為30組，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行大規(guī)模多聚焦圖像壓縮和質(zhì)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(guī)模圖數(shù)據(jù)壓縮，得到壓縮結(jié)果如圖2所示.

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

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

4 結(jié)語

本文以多聚焦圖像為研究對象，建立大規(guī)模多聚焦圖像數(shù)據(jù)采樣模型，對圖像局部區(qū)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(jù)圖像邊緣細節(jié)的保持程度進行大規(guī)模圖數(shù)據(jù)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(guī)模圖數(shù)據(jù)壓縮過程的自適應尋優(yōu)，根據(jù)信息融合結(jié)果實現(xiàn)圖數(shù)據(jù)壓縮質(zhì)量評價.實驗結(jié)果顯示，采用該方法進行大規(guī)模圖數(shù)據(jù)壓縮質(zhì)量評價的自適應性較好，特征分辨能力較強，壓縮質(zhì)量評價精度高，具有可靠性，能夠有效提高圖像質(zhì)量評價水平.