自適應(yīng)不規(guī)則紋理的膠囊內(nèi)鏡圖像無(wú)損壓縮

黃勝，向思皓，胡峰，馬婷，盧冰

（1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065；2.江蘇勢(shì)通生物科技有限公司，江蘇 南通 226399；3.重慶郵電大學(xué) 光通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室，重慶 400065）

0 概述

無(wú)線膠囊內(nèi)鏡在體內(nèi)通過(guò)胃腸道蠕動(dòng)緩慢前進(jìn)，將捕獲的圖像經(jīng)無(wú)線傳輸設(shè)備傳輸至包裹在患者腰部的數(shù)據(jù)記錄器中，并把接收到的圖像存儲(chǔ)至計(jì)算機(jī)硬盤。醫(yī)生利用計(jì)算機(jī)對(duì)數(shù)據(jù)記錄器中接收到的圖像進(jìn)行篩查［1］。膠囊內(nèi)鏡在病患體內(nèi)可連續(xù)工作約8 h，過(guò)程中以每秒2～6 張的拍攝頻率得到數(shù)萬(wàn)張圖像。當(dāng)大量患者就診時(shí)，膠囊內(nèi)鏡將產(chǎn)生大量的圖像數(shù)據(jù)，給圖像的存儲(chǔ)與傳輸帶來(lái)一定挑戰(zhàn)。為避免有損壓縮算法解碼出失真的圖片給醫(yī)生診斷帶來(lái)干擾，在醫(yī)學(xué)圖像壓縮存檔過(guò)程中將無(wú)損壓縮作為硬性要求［2］，目的是重建出與原始圖像完全一致的圖像數(shù)據(jù)，并且沒(méi)有任何失真，其壓縮比遠(yuǎn)低于有損壓縮。因此，高效的無(wú)損壓縮算法可以減小醫(yī)學(xué)圖像的文件尺寸，對(duì)于圖像編碼具有重要意義。

圖像壓縮算法與視頻幀內(nèi)編碼算法［3］成為研究熱點(diǎn)［4-6］，而預(yù)測(cè)編碼是減少圖像空間冗余數(shù)據(jù)的有效方式。文獻(xiàn)［7］將CALIC 算法的空間預(yù)測(cè)應(yīng)用到圖像的亮度分量中，并對(duì)色度分量進(jìn)行分層預(yù)測(cè)，使當(dāng)前像素下方的像素也作為參考像素的候選。文獻(xiàn)［8-9］將離散小波變換與預(yù)測(cè)編碼相結(jié)合，提升圖像壓縮質(zhì)量。文獻(xiàn)［10-11］針對(duì)高效視頻編碼（High Efficiency Video Coding，HEVC）幀內(nèi)預(yù)測(cè)，利用更遠(yuǎn)處的參考像素對(duì)當(dāng)前編碼像素進(jìn)行預(yù)測(cè)，尋找不相鄰但存在潛在相關(guān)性的像素，在一定程度上提升預(yù)測(cè)質(zhì)量。文獻(xiàn)［12］根據(jù)預(yù)測(cè)角度在兩條參考線上投影點(diǎn)的垂直與水平方向進(jìn)行線性插值計(jì)算，每種模式同時(shí)使用兩條參考線的像素信息，在提升預(yù)測(cè)質(zhì)量的同時(shí)也引入額外的復(fù)雜度。在醫(yī)學(xué)圖像的壓縮算法中，無(wú)損與有損混合的編碼算法能有效保證重要信息的壓縮質(zhì)量且提高壓縮比，其中基于感興趣區(qū)域（Region Of Interest，ROI）的壓縮算法具有較優(yōu)的性能。文獻(xiàn)［13］利用泛洪算法將核磁共振圖像分為ROI 與非ROI 部分，并分別進(jìn)行無(wú)損壓縮與有損壓縮，在不影響重要區(qū)域視覺(jué)效果的同時(shí)增大壓縮比。文獻(xiàn)［14］結(jié)合三維U-Net分割區(qū)域，利用SPIHT算法對(duì)核磁共振圖像進(jìn)行壓縮，以提高壓縮比和重構(gòu)質(zhì)量。由于膠囊內(nèi)鏡設(shè)備鏡頭與消化道內(nèi)壁同時(shí)處于運(yùn)動(dòng)狀態(tài)，因此攝像頭在狹窄空間內(nèi)采集到的區(qū)域較小，難以區(qū)分前景與背景。準(zhǔn)確判斷并劃分ROI 區(qū)域是當(dāng)前無(wú)損與有損混合壓縮領(lǐng)域的研究重點(diǎn)，錯(cuò)誤劃分ROI 區(qū)域使重要區(qū)域重構(gòu)模糊，從而影響診斷。

近年來(lái)，基于深度學(xué)習(xí)的圖像壓縮算法解決了傳統(tǒng)無(wú)損預(yù)測(cè)編碼算法難以有效利用像素空間相關(guān)性適應(yīng)圖像紋理的問(wèn)題。文獻(xiàn)［15］提出一種用于自適應(yīng)熵編碼的完全并行分層概率模型，當(dāng)GPU 需要較少的編碼數(shù)時(shí)，能解決PixelCNN［11］復(fù)雜度較大的問(wèn)題。文獻(xiàn)［17］利用殘差與通道間相關(guān)性漸進(jìn)學(xué)習(xí)的方式訓(xùn)練多層感知器，以準(zhǔn)確預(yù)測(cè)圖像中的像素值，從而提高編碼壓縮比與編碼速度。然而，基于深度學(xué)習(xí)的算法存在網(wǎng)絡(luò)復(fù)雜度高、泛化能力較差的問(wèn)題，難以滿足硬件低功耗的要求。

本文結(jié)合無(wú)線膠囊內(nèi)鏡圖像的特點(diǎn)，提出一種自適應(yīng)不規(guī)則紋理的膠囊內(nèi)鏡圖像無(wú)損壓縮算法。通過(guò)對(duì)膠囊內(nèi)鏡圖像進(jìn)行分塊處理，針對(duì)每個(gè)圖像塊，自適應(yīng)選取圖像塊最優(yōu)的預(yù)測(cè)模式以消除像素間的空間冗余信息，利用跨分量預(yù)測(cè)模式去除預(yù)測(cè)殘差分量間的相關(guān)性，并將殘差數(shù)據(jù)傳入熵編碼模塊進(jìn)行編碼，以形成比特流。

1 自適應(yīng)不規(guī)則紋理的兩階段預(yù)測(cè)

1.1 角度預(yù)測(cè)模式

HEVC 通過(guò)大量的角度預(yù)測(cè)模式，在參考像素間進(jìn)行線性插值，并對(duì)當(dāng)前像素進(jìn)行預(yù)測(cè)以消除空間冗余數(shù)據(jù)。角度預(yù)測(cè)模式可以適應(yīng)圖像塊內(nèi)不同的紋理方向，從而提高預(yù)測(cè)的準(zhǔn)確度。無(wú)損HEVC 幀內(nèi)編碼結(jié)合空間相關(guān)性原理［18］，基于樣本的自適應(yīng)預(yù)測(cè)（Sample-based Adaptive Prediction，SAP）模式，在待預(yù)測(cè)像素最鄰近參考像素間進(jìn)行33 個(gè)角度預(yù)測(cè)。然而，HEVC 的幀內(nèi)預(yù)測(cè)仍無(wú)法在像素值不規(guī)則變化時(shí)發(fā)揮最大作用。研究人員基于圖像像素間像素值差值服從均值為零、方差為常數(shù)的高斯分布假設(shè)，研究圖像像素間的相關(guān)性?；谠摷僭O(shè)，像素Ix，y與Ix′，y′之間的相關(guān)性可以建模為［19］：

其中：x和y分別表示像素在水平和垂直方向上的坐標(biāo)。該函數(shù)通過(guò)選擇φ以及ψ的值來(lái)表示不同方向上像素間的相關(guān)性。像素間的空間相關(guān)性是基于相鄰像素間差值的絕對(duì)值來(lái)建模，僅表達(dá)了相鄰像素間像素值的相似性，即通過(guò)鄰近的像素來(lái)表示當(dāng)前像素，能夠有效減少圖像的空間冗余數(shù)據(jù)。但局部區(qū)域像素值的分布是影響預(yù)測(cè)結(jié)果的主要因素，簡(jiǎn)單的預(yù)測(cè)模型難以有效獲取鄰近像素的變化信息，導(dǎo)致預(yù)測(cè)結(jié)果精度降低。

在膠囊內(nèi)鏡圖像中，局部區(qū)域的顏色大致相近，因此，數(shù)值相同或相近的像素集分布在同一區(qū)域內(nèi)，在滿足空間相關(guān)性的同時(shí)，相同或差值較小的像素值會(huì)間隔出現(xiàn)，導(dǎo)致連續(xù)的像素值變化不規(guī)律，從而影響預(yù)測(cè)質(zhì)量。圖1 所示為一幅膠囊內(nèi)鏡圖像中3 種局部像素灰度值的分布情況，其中x表示當(dāng)前待預(yù)測(cè)像素，PL、PT、PTR、PTL、PDL分別表示當(dāng)前待預(yù)測(cè)像素的左、上、右上、左上、左下像素。

圖1 在膠囊內(nèi)鏡圖像局部區(qū)域內(nèi)像素灰度值的分布Fig.1 Distribution of pixel gray value in local area of capsule endoscopy image

從圖1（a）可以看出，像素x周圍局部區(qū)域內(nèi)的像素值非常相近，而在像素值增大的過(guò)程中存在像素值突然減小的情況，如PTL至PTR像素值的變化，PTR像素值并沒(méi)有根據(jù)PTL、PT增大的規(guī)律增長(zhǎng)，而是小于其左側(cè)的PT像素值，且與PTL的像素值十分相近，即上述差值較小的像素值間隔出現(xiàn)。假設(shè)待預(yù)測(cè)像素x的像素值為38，在鄰近的像素中利用無(wú)損HEVC的幀內(nèi)預(yù)測(cè)模式SAP 對(duì)兩個(gè)像素進(jìn)行線性內(nèi)插，并計(jì)算33 個(gè)紋理方向的預(yù)測(cè)值，在PDL至PL的參考線上得到預(yù)測(cè)值區(qū)間為［33，34］，在PL至PTL的參考線上預(yù)測(cè)值區(qū)間為［30，33］，在PTL至PT的參考線上預(yù)測(cè)值區(qū)間為［30，35］，在PT至PTR的參考線上預(yù)測(cè)值區(qū)間為［31，35］，最終利用SAP 模式可得到預(yù)測(cè)值區(qū)間為［30，35］。該預(yù)測(cè)區(qū)間由5 個(gè)參考像素中的最小值與最大值組成，而待預(yù)測(cè)的像素值為38，因此，無(wú)法準(zhǔn)確地預(yù)測(cè)未落在由參考像素組成預(yù)測(cè)區(qū)間內(nèi)的像素值。圖1（b）、圖1（c）也存在與圖1（a）類似的問(wèn)題。

1.2 擴(kuò)展角度預(yù)測(cè)模式

針對(duì)膠囊內(nèi)鏡圖像的像素變化以及分布特點(diǎn)，本文提出擴(kuò)展角度預(yù)測(cè)模式來(lái)優(yōu)化角度預(yù)測(cè)模式，以克服線性內(nèi)插的局限性，從而選擇圖像塊內(nèi)更優(yōu)的預(yù)測(cè)結(jié)果。

多角度預(yù)測(cè)模式的作用是在圖像塊內(nèi)按照光柵掃描順序?qū)γ總€(gè)像素進(jìn)行預(yù)測(cè)。采用SAP 遍歷HEVC 幀內(nèi)預(yù)測(cè)的33種角度模式，隨著角度變化選取與當(dāng)前像素鄰近的左、左下、左上、上、右上5 個(gè)像素中相鄰的2 個(gè)參考像素進(jìn)行線性內(nèi)插，得到預(yù)測(cè)值［18］。本文在進(jìn)行33 個(gè)角度預(yù)測(cè)后，將進(jìn)行加權(quán)運(yùn)算的像素增加至3 個(gè)，并為參考像素分配不同權(quán)重，以尋找在不同角度上更優(yōu)的預(yù)測(cè)結(jié)果。通過(guò)3個(gè)像素進(jìn)行加權(quán)運(yùn)算，如式（2）～式（4）所示：

其中：p(x)為當(dāng)前待編碼像素的預(yù)測(cè)值；PL、PT、PTR、PTL、PDL分別為當(dāng)前像素的左、上、右上、左上、左下像素；v(·)為像素值；wi為賦給像素的權(quán)重，滿足0 ≤wi≤24；>>為二進(jìn)制右移操作。若采用的預(yù)測(cè)值計(jì)算模式使用了PDL像素，解碼時(shí)需要將水平的光柵掃描切換成垂直型，以保證參考像素的可用性。

在圖1（a）所示的情況中，本文根據(jù)式（2）計(jì)算得到的預(yù)測(cè)值區(qū)間為［35，38］，待預(yù)測(cè)像素值38 包含在預(yù)測(cè)值區(qū)間中，當(dāng)賦予PT像素權(quán)重為24 時(shí)，計(jì)算所得的預(yù)測(cè)值與真實(shí)值的差值為零，從而解決視頻編碼幀內(nèi)預(yù)測(cè)模式的局限性問(wèn)題。同理，式（3）和式（4）分別為圖1（b）和圖1（c）的像素變化情況提供更多的預(yù)測(cè)值選擇。擴(kuò)展角度預(yù)測(cè)模式的目的是基于待預(yù)測(cè)像素周圍的參考像素，遍歷不同權(quán)重分配，尋找存在的最大像素值減去較小像素值以擴(kuò)大預(yù)測(cè)區(qū)間的上限，同時(shí)尋找最小像素值減去較大像素值以降低預(yù)測(cè)區(qū)間的下限，擴(kuò)大預(yù)測(cè)值的選擇范圍。

新參考線形成及預(yù)測(cè)方向示意圖如圖2 所示。

圖2 新參考線生成及預(yù)測(cè)方向示意圖Fig.2 Schematic diagram of new reference line generation and prediction direction

本文以式（2）為例，通過(guò)參考像素相對(duì)于待預(yù)測(cè)像素x的方向以及所分配的權(quán)重來(lái)確定預(yù)測(cè)角度，假設(shè)待預(yù)測(cè)像素x到每個(gè)參考像素的距離為16。圖2中a點(diǎn)像素值通過(guò)給PL像素分配最大權(quán)重24 且給PT像素分配權(quán)重0，則待預(yù)測(cè)像素x至a點(diǎn)的距離為24。b點(diǎn)像素值通過(guò)給PT像素分配最大權(quán)重，且給PL像素分配權(quán)重0，即給像素x至b點(diǎn)的距離為24。相應(yīng)的計(jì)算方式標(biāo)注在圖2 中。圖2 中產(chǎn)生了一條新的參考線l1，其端點(diǎn)為V1和V2。V1的預(yù)測(cè)值為[24×v(a)-8×v(PTL)]＞＞4；V2的預(yù)測(cè)值為[24×v(b)-8×v(PTL)]＞＞4。當(dāng)根據(jù)式（2）計(jì)算不同權(quán)重時(shí)，最終投影點(diǎn)將分布在參考線l1上。本文將通過(guò)式（2）計(jì)算得到的預(yù)測(cè)值落在參考線l1上，并通過(guò)V1、V2線性插值得到投影點(diǎn)的灰度值。

投影點(diǎn)線性插值示意圖如圖3 所示。

圖3 投影點(diǎn)線性插值示意圖Fig.3 Schematic diagram of linear interpolation of projection point

此時(shí)分配的權(quán)重w1=10，計(jì)算得到V1=35，V2=38。圖3（a）所示為使用式（2）計(jì)算預(yù)測(cè)值，通過(guò)矢量運(yùn)算最終落在參考線的p點(diǎn)處，其預(yù)測(cè)值為36。本文設(shè)待預(yù)測(cè)像素x到由參考像素構(gòu)成參考行的距離為16，因此圖3（b）中d3=16，d4=8，p點(diǎn)在參考線上與垂直方向的偏移距離d2=10，因此：

通過(guò)式（5）可得d1=d。在參考線l1上進(jìn)行線性插值，則p點(diǎn)預(yù)測(cè)值的計(jì)算如（6）所示：

線性插值得到的v(p)與式（2）所得的值相同。根據(jù)式（2）～式（4）分配不同權(quán)重，本文計(jì)算所得的值也分布在對(duì)應(yīng)的參考線上。

本文按照分配給鄰域像素的權(quán)重將式（2）～式（4）繪制成角度圖，以得到擴(kuò)展角度預(yù)測(cè)模式，其示意圖如圖4 所示。

圖4 擴(kuò)展角度預(yù)測(cè)模式示意圖Fig.4 Schematic diagram of extended angle prediction mode

擴(kuò)展角度預(yù)測(cè)模式將HEVC 的33 個(gè)角度預(yù)測(cè)擴(kuò)展為56 個(gè)，其中每種角度預(yù)測(cè)線對(duì)應(yīng)一個(gè)計(jì)算公式。在圖4 中有3 種線型，且每個(gè)模式對(duì)應(yīng)一種權(quán)重分配。擴(kuò)展角度預(yù)測(cè)模式的權(quán)重選擇：圖4 中根據(jù)式（2）計(jì)算模式35～模式45 的預(yù)測(cè)值，權(quán)重w1在集合｛0，1，3，5，8，12，16，19，21，23，24｝中進(jìn)行選擇，即模式35 對(duì)應(yīng)w1為0，模式36 對(duì)應(yīng)w1為1，以此類推，模式45 對(duì)應(yīng)w1為24；根據(jù)式（3）計(jì)算模式46～模式51的預(yù)測(cè)值，權(quán)重w2在集合｛0，2，4，20，22，24｝中選擇，即模式46 對(duì)應(yīng)的w2為0，模式47 對(duì)應(yīng)的w2為2，以此類推，模式51 對(duì)應(yīng)的w2為24；利用式（4）計(jì)算模式52～模式56 的預(yù)測(cè)值，權(quán)重w3在｛0，2，18，21，24｝中選擇，即模式52 對(duì)應(yīng)w3為0，模式53 對(duì)應(yīng)w3為2，以此類推，模式56 對(duì)應(yīng)w3為24。

圖4顯示了新生成的3條參考線，即由點(diǎn)V1和V2組成的l1，點(diǎn)V3和V4組成的l2以及點(diǎn)V5和V6組成的l3。在3條參考線上，通過(guò)HEVC的模式2～模式34得到參考線中段的預(yù)測(cè)值，而在不同的像素值變化情況下，靠近參考線的端點(diǎn)處會(huì)得到不同的預(yù)測(cè)值。因此，根據(jù)式（2）～式（4）的計(jì)算模式，在參考線的端點(diǎn)附近分配更密集的角度，即端點(diǎn)附近的相鄰權(quán)重變化更小。

從圖4 可以看出，待預(yù)測(cè)像素隨著預(yù)測(cè)方向投影至更遠(yuǎn)處的參考線上，如點(diǎn)V3、IL、IT、V6。由于本文只利用待預(yù)測(cè)像素x周圍最鄰近的5 個(gè)像素（PL、PT、PTL、PTR、PDL）進(jìn)行計(jì)算，因此與多條參考線預(yù)測(cè)模式［11］不同，擴(kuò)展角度預(yù)測(cè)模式是根據(jù)最鄰近的參考像素形成的梯度變化規(guī)律計(jì)算預(yù)測(cè)值。具體地，點(diǎn)V3在圖4 中對(duì)應(yīng)模式46，通過(guò)給PL像素分配最大權(quán)重24 并與PTR的像素值的差值共同形成，而不是通過(guò)遠(yuǎn)處的左左下像素（PDLL）與左左（PLL）像素線性內(nèi)插得到。擴(kuò)展角度預(yù)測(cè)模式學(xué)習(xí)待預(yù)測(cè)像素最鄰近的梯度變化情況，當(dāng)圖像塊內(nèi)像素值沿著紋理方向逐漸增大時(shí)，而在某一像素點(diǎn)出現(xiàn)像素值突然減小或未遵循其增大的規(guī)律時(shí)，待預(yù)測(cè)像素?zé)o法充分利用參考像素的紋理變化規(guī)律，影響其預(yù)測(cè)結(jié)果。擴(kuò)展角度預(yù)測(cè)模式可以依據(jù)已有像素值增大的規(guī)律，補(bǔ)全因像素值明顯減小帶來(lái)的紋理空缺，在充分利用最優(yōu)空間相關(guān)性的同時(shí)，在圖像塊的紋理方向上尋找區(qū)間更廣的預(yù)測(cè)結(jié)果。

1.3 跨分量預(yù)測(cè)模式

在膠囊內(nèi)鏡圖像中不僅局部區(qū)域內(nèi)不同像素間的像素值有很大的空間相關(guān)性，而且像素的3 個(gè)顏色分量紅（R）、綠（G）、藍(lán)（B）之間也具有高度相關(guān)性。根據(jù)1.2 節(jié)所述的擴(kuò)展角度預(yù)測(cè)模式，每個(gè)像素都生成了預(yù)測(cè)殘差，其中圖像塊中每個(gè)像素的3 個(gè)分量使用同一種預(yù)測(cè)模式，在減小存儲(chǔ)開銷的同時(shí)保留了像素分量間的相關(guān)性。本節(jié)采用基于最小二乘的線性回歸模型來(lái)尋找圖像塊內(nèi)分量間的最佳線性關(guān)系，利用包含最多能量的分量（通常為G 分量）預(yù)測(cè)其他分量的強(qiáng)度，以去除像素分量間冗余數(shù)據(jù)。

本文通過(guò)G 分量殘差ΔG來(lái)預(yù)測(cè)R、B 分量的殘差值ΔR和ΔB，以消除分量間的相關(guān)性。線性回歸模型［20］的計(jì)算如（7）所示：

其中：Δ′y為將單個(gè)顏色通道的殘差值Δy與利用Δx進(jìn)行線性預(yù)測(cè)后生成的殘差預(yù)測(cè)值做差所得的剩余殘差。

跨分量預(yù)測(cè)模式示意圖如圖5 所示，首先，利用G、R 分量 的殘差值ΔG和ΔR預(yù)測(cè)B 分量的 殘差值ΔB，利用ΔG預(yù)測(cè)ΔR。將真實(shí)的殘差值與其預(yù)測(cè)值作差，得到剩余殘差。

圖5 跨分量預(yù)測(cè)模式示意圖Fig.5 Schematic diagram of cross-component prediction mode

跨分量預(yù)測(cè)模式通過(guò)選擇圖像塊最優(yōu)的預(yù)測(cè)系數(shù)α構(gòu)建適應(yīng)圖像塊內(nèi)殘差分布規(guī)律的線性關(guān)系，利用其他分量來(lái)表示當(dāng)前分量，進(jìn)一步消除冗余數(shù)據(jù)。最終的剩余殘差由經(jīng)過(guò)多角度預(yù)測(cè)模式與跨分量預(yù)測(cè)模式R、B 分量的剩余殘差Δ′R、Δ′B以及只進(jìn)行多角度預(yù)測(cè)模式的G 分量殘差ΔG組成。由于存儲(chǔ)了ΔG以及跨分量預(yù)測(cè)系數(shù)αi(i=1，2，3)，因此在解碼時(shí)可以無(wú)損地按順序恢復(fù)ΔR和ΔB。

1.4 算法分析

像素間的多角度預(yù)測(cè)根據(jù)式（2）～式（4）在滿足圖像塊內(nèi)主紋理方向的同時(shí)，解決HEVC 幀內(nèi)預(yù)測(cè)在圖1所示的3 種梯度變化情況下預(yù)測(cè)質(zhì)量較低的問(wèn)題。通過(guò)分配權(quán)重完成多角度的預(yù)測(cè)，在圖像塊內(nèi)紋理分布、像素梯度變化不規(guī)則的情況下，多角度預(yù)測(cè)模式為待預(yù)測(cè)像素在紋理方向上提供更多的預(yù)測(cè)值選擇，以適應(yīng)當(dāng)前像素周圍的紋理情況?？绶至款A(yù)測(cè)模式在每個(gè)獨(dú)立圖像塊內(nèi)尋找最優(yōu)的預(yù)測(cè)系數(shù)，通過(guò)最優(yōu)預(yù)測(cè)系數(shù)得到符合圖像塊內(nèi)分量間像素強(qiáng)度變化趨勢(shì)的線性模型，使得圖像塊內(nèi)的總體預(yù)測(cè)誤差最小。經(jīng)過(guò)兩階段預(yù)測(cè)生成最終的預(yù)測(cè)殘差，每種預(yù)測(cè)模式以及預(yù)測(cè)系數(shù)都是在基于圖像塊內(nèi)預(yù)測(cè)誤差以及信息熵最小的基礎(chǔ)上篩選得出，因此篩選出的預(yù)測(cè)模式可以有效適應(yīng)圖像塊內(nèi)的紋理分布情況，消除大量冗余數(shù)據(jù)，有效提高后續(xù)熵編碼工作的質(zhì)量和效率。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)細(xì)節(jié)

對(duì)于擴(kuò)展角度預(yù)測(cè)模式，本文實(shí)驗(yàn)的權(quán)重選擇規(guī)則在1.2 節(jié)中進(jìn)行了詳細(xì)說(shuō)明。

對(duì)于跨分量預(yù)測(cè)模式，為減小計(jì)算復(fù)雜度以及保證壓縮效率，α在［-2，2］中取值，且在集合｛0，±0.125，±0.25，±0.5，±0.75，±1，±1.25，±1.5，±2｝內(nèi)非線性量化。為了避免浮點(diǎn)運(yùn)算，本文在集合｛0，±2，±4，±8，±12，±16，±20，±24，±32｝內(nèi)尋找最優(yōu)預(yù)測(cè)系數(shù)α，再通過(guò)右移4 位得到最終的預(yù)測(cè)值。

對(duì)于熵編碼，本文采用Deflate 算法對(duì)兩步預(yù)測(cè)后的殘差數(shù)據(jù)、存儲(chǔ)的預(yù)測(cè)模式索引以及跨分量預(yù)測(cè)系數(shù)進(jìn)行熵編碼。

2.2 實(shí)驗(yàn)結(jié)果

本文在配置為Intel?CoreTMi5-8500CPU@3.00GHz的Windows10 系統(tǒng)Microsoft Visual Studio 2017 軟件上進(jìn)行實(shí)驗(yàn)。

測(cè)試圖像為無(wú)線膠囊內(nèi)鏡設(shè)備采集的食道、胃腸道等部位的圖像，均為未經(jīng)過(guò)壓縮的BMP 位圖文件格式，比特深度為8，由R、G、B 3 個(gè)分量組成，每個(gè)分量占1 個(gè)字節(jié)。本文分別測(cè)試了擴(kuò)展角度預(yù)測(cè)模式的冗余消除率以及所提壓縮算法的壓縮性能，其中冗余消除率通過(guò)預(yù)測(cè)殘差的香農(nóng)信息熵H（X）進(jìn)行度量。H（X）的計(jì)算過(guò)程如式（11）所示：

其中：x為殘差數(shù)據(jù)；P（x）為殘差x在圖像塊中出現(xiàn)的概率。H（X）越小表示圖像所含信息量越少，冗余消除率越高。

表1 所示為本文預(yù)測(cè)算法與其他預(yù)測(cè)算法的香農(nóng)信息熵對(duì)比，其中EAPM 為本文提出的擴(kuò)展角度預(yù)測(cè)模式，CCP 為跨分量預(yù)測(cè)模式，采用的測(cè)試集為公司提供的膠囊內(nèi)鏡圖像。

表1 不同算法的香農(nóng)信息熵對(duì)比Table 1 Shannon information entropy comparison among different algorithms

從表1 可以看出，WebP［21］具有較優(yōu)的預(yù)測(cè)性能，而本文的預(yù)測(cè)算法EAPM 預(yù)測(cè)所得殘差的香農(nóng)信息熵相較于WebP 平均減小約1.5%。EAPM+CCP 算法是將跨分量預(yù)測(cè)模式CCP 加入至圖像的預(yù)測(cè)殘差中，進(jìn)一步減小了圖像的信息熵，相較于WebP 算法預(yù)測(cè)所得殘差的香農(nóng)信息熵平均減小1.9%。

圖6 所示為WebP 算法與本文算法的預(yù)測(cè)模式可視化結(jié)果對(duì)比。圖6（a）所示為兩幅膠囊內(nèi)鏡原圖，圖6（b）所示為剩余殘差構(gòu)成的灰度圖，其中左側(cè)為WebP算法預(yù)測(cè)后的剩余殘差灰度圖，右側(cè)為本文算法預(yù)測(cè)后的剩余殘差灰度圖。在圖像塊中紋理方向上的梯度變化相較于其他方向更小，相鄰像素的像素值也更接近當(dāng)前待預(yù)測(cè)像素。從圖6（b）可以看出：左側(cè)圖是WebP算法預(yù)測(cè)后的剩余殘差灰度圖，因像素值變化不規(guī)則，構(gòu)建出與真實(shí)值相差較大的預(yù)測(cè)殘差灰度圖，導(dǎo)致預(yù)測(cè)殘差出現(xiàn)紋理斷層（如圖中白色方框），未保留原有的圖像紋理，從而導(dǎo)致圖像塊內(nèi)像素預(yù)測(cè)誤差較大；右側(cè)圖是本文預(yù)測(cè)模式生成的預(yù)測(cè)殘差灰度圖，更好地適應(yīng)了圖像的紋理方向，殘差灰度圖更平滑。當(dāng)出現(xiàn)影響預(yù)測(cè)效果的不規(guī)則像素變化情況時(shí)，本文算法仍可以適應(yīng)圖像原有的紋理，以得到更小的預(yù)測(cè)誤差，從而提升熵編碼質(zhì)量。

圖6 不同算法的預(yù)測(cè)模式可視化結(jié)果對(duì)比Fig.6 Visualization results of prediction modes comparison among different algorithms

由于圖像無(wú)損壓縮的峰值信噪比（Peak Signal to Noise Ratio，PSNR）為∞，因此本文將原始圖像大小與壓縮文件大小的比值，即壓縮比（Compression Ratio，CR）作為壓縮性能的評(píng)價(jià)指標(biāo)。壓縮比越大，壓縮性能越好。CCR如式（12）所示：

其中：Sorigin為原始圖像的大小；Scompressed為經(jīng)過(guò)壓縮后圖像的大小。

本文分別對(duì)3 個(gè)測(cè)試集中數(shù)百?gòu)垐D像進(jìn)行實(shí)驗(yàn)。表2 所示為不同算法的壓縮比對(duì)比。測(cè)試集A為公司提供膠囊內(nèi)鏡圖像集，測(cè)試集B 為文獻(xiàn)［7］提供的醫(yī)學(xué)圖像數(shù)據(jù)集，測(cè)試集C 為公開數(shù)據(jù)集Kvasir-Capsule［22］中未標(biāo)注的膠囊內(nèi)鏡圖像。從表2可以看出，在不同的測(cè)試集中，圖像壓縮算法的壓縮比不同。在Kvasir-Capsule 公開數(shù)據(jù)集上，本文壓縮算法的壓縮性能最優(yōu)，對(duì)于單張圖像的平均壓縮比為5.81，相比傳統(tǒng)圖像壓縮算法中表現(xiàn)最優(yōu)的WebP提升了0.52%。在測(cè)試集A 上，本文算法的壓縮比相較于WebP 平均提升約1.77%，能夠有效改進(jìn)圖像的無(wú)損壓縮效果。

表2 不同壓縮算法的壓縮比對(duì)比Table 2 Compression ratio comparison among different compression algorithms

表3 所示為在不同測(cè)試集上，本文算法與基于深度學(xué)習(xí)的無(wú)損壓縮算法CWPLIC［17］的壓縮比以及壓縮一張圖像所需的編碼時(shí)間對(duì)比。測(cè)試集包括膠囊內(nèi)鏡圖像數(shù)據(jù)集Kvasir-Capsule 和標(biāo)準(zhǔn)圖像數(shù)據(jù)集McMaster［23］、OpenImage［24］以及Kodak［25］。

表3 在不同測(cè)試數(shù)據(jù)集上各壓縮算法的壓縮比與編碼時(shí)間對(duì)比Table 3 Compression ratio and coding time comparison among each compression algorithms on different test datasets

從表3可以看出，在McMaster、OpenImage 和Kodak 標(biāo)準(zhǔn)圖像測(cè)試集上，CWPLIC 比本文算法的壓縮比平均提升2.6%～7.1%，但在Kvasir-Capsule 測(cè)試集上本文算法壓縮比遠(yuǎn)優(yōu)于CWPLIC，且編碼復(fù)雜度低。實(shí)驗(yàn)結(jié)果表明，基于深度學(xué)習(xí)的預(yù)測(cè)編碼算法相對(duì)于本文線性預(yù)測(cè)算法在預(yù)測(cè)精度上具有一定的優(yōu)勢(shì)，能夠顯著提高壓縮比，但本文算法在保證高效壓縮的同時(shí)，在多個(gè)圖像測(cè)試集上仍能穩(wěn)定工作?；谏疃葘W(xué)習(xí)的壓縮算法雖然通過(guò)大量的各類型圖像訓(xùn)練網(wǎng)絡(luò)，但是在穩(wěn)定性上存在一定不足。從編碼時(shí)間角度分析，為提升壓縮比，深度學(xué)習(xí)算法需要花費(fèi)較長(zhǎng)時(shí)間進(jìn)行逐像素的推理預(yù)測(cè)。對(duì)于采集大量圖像數(shù)據(jù)的膠囊內(nèi)鏡設(shè)備，對(duì)硬件友好、穩(wěn)定的低功耗算法是更優(yōu)的選擇。

在Kvasir-Capsule 數(shù)據(jù)集上不同壓縮算法對(duì)每個(gè)部位的數(shù)百?gòu)垐D像（包括正常消化道圖像以及病變圖像）的壓縮性能的對(duì)比結(jié)果如表4 所示。

表4 不同壓縮算法在每個(gè)部位的壓縮比對(duì)比Table 4 Compression ratios comparison among different compression algorithms at different positions

從表4 可以看出，本文壓縮算法在胃部以及出現(xiàn)息肉的紋理復(fù)雜區(qū)域內(nèi)具有較優(yōu)的圖像壓縮性能，而在食管、小腸等紋理相對(duì)平滑的部位上圖像壓縮性能略差于紋理復(fù)雜區(qū)域。當(dāng)膠囊內(nèi)鏡采集到紋理復(fù)雜、像素變化不規(guī)律的消化道圖像時(shí)，本文壓縮算法較其他算法具有更優(yōu)的壓縮性能。

3 結(jié)束語(yǔ)

本文提出一種自適應(yīng)無(wú)損壓縮算法，用于處理不規(guī)則紋理的膠囊內(nèi)鏡圖像。根據(jù)鄰近像素值梯度變化規(guī)律，通過(guò)擴(kuò)展角度預(yù)測(cè)模式適應(yīng)圖像塊內(nèi)的不規(guī)則紋理，以提高圖像空間的冗余消除率，同時(shí)結(jié)合跨分量預(yù)測(cè)模式提升圖像的無(wú)損壓縮性能。在膠囊內(nèi)鏡圖像測(cè)試集上的實(shí)驗(yàn)結(jié)果表明，相比WebP、SAP、MDIP 等算法，本文算法在圖像紋理較復(fù)雜的區(qū)域內(nèi)具有較優(yōu)的壓縮性能。下一步將通過(guò)基于感興趣區(qū)域無(wú)損、非重要區(qū)域有損的混合壓縮算法對(duì)膠囊內(nèi)鏡圖像進(jìn)行壓縮與優(yōu)化，構(gòu)建復(fù)雜度較低、準(zhǔn)確度較高的神經(jīng)網(wǎng)絡(luò)，并對(duì)圖像進(jìn)行感興趣區(qū)域分割，在保證重要區(qū)域（如存在病理信息）無(wú)信息損失且重構(gòu)圖像質(zhì)量不影響診斷的前提下進(jìn)一步提升壓縮比。