论文部分内容阅读
通过对图像经过离散余弦变换(DCT)之后得到的系数进行量化,减少表征DCT系数所需要的数据位数,从而实现对图像/视频的压缩,是当前较为流行的图像压缩方法。JPEG、MPEG-2、MPEG-4等常用的图像/视频编码器都使用了此类压缩方法。但是这种量化DCT系数的方法,在压缩图像的同时,也引入了量化噪声:DCT系数的变化,主要是高频系数的精确度下降,将导致图像质量受损。峰值信噪比(PSNR,Peak Signal Noise Ratio)是一种常用的图像质量估计方法,通过计算压缩图像相对于原始图像的PSNR,可以在一定程度上估计出压缩图像的受损程度。但是这种计算方法需要使用未经压缩的图像作为参考,考虑到在图像的解码端一般并不能得到未经压缩的原始图像,这限制了传统的空间域中定义的PSNR计算方法的使用。为了摆脱这一限制,在PSNR计算方法中,图像在频率域(主要指DCT域)的性质被引入:对图像的DCT系数的统计分析表明,图像的(交流)DCT系数可以近似的使用拉普拉斯分布来描述,且该分布的分布参数为λ。利用该参数λ,以及量化中所使用的量化步长,可以估计出压缩图像的DCT系数相对于原始图像DCT系数的误差;根据帕斯瓦尔定理,该误差可以用来进一步估计压缩图像相对于原始图像在空间域的误差,并推算PSNR。本文提出了一种新的,基于训练与匹配的估计方法,可以基于当前的图像内容,在没有原始图像的条件下,估计出拉普拉斯的分布参数λ,以及压缩图像相对于原始图像的PSNR。实验结果证明,本文提出的算法,适用于基于JPEG/MPEG-2压缩的图像/视频上;同时,相对于当前已有的类似算法,本文提出的算法在性能上也有了较大的提高。