基于正则化方向失真的大规模图数据压缩质量评价

李 敏

（淮北师范大学计算机科学与技术学院，安徽 淮北235000）

0 引言

随着图像处理技术的发展，需要对大规模多聚焦图像数据进行压缩处理，以提高图像数据的存储能力，降低数据存储开销，因此研究复杂环境下大规模多聚焦图像数据压缩质量优化评价方法具有重要意义，相关的大规模图数据压缩和质量评价方法研究受到人们的极大关注［1-2].本文提出基于正则化方向失真的大规模图数据压缩质量评价方法.对大规模多聚焦图像数据进行压缩是建立在图像特征提取和挖掘的基础上，构建图像数据的特征辨识模型，结合模糊信息特征检测方法，进行大规模多聚焦图像数据压缩，采用正则化方向失真反馈补偿方法进行大规模图数据压缩过程的自适应寻优，根据信息融合结果实现大规模图数据压缩质量评价.最后进行仿真测试分析，展示了本文方法在提高大规模图数据压缩质量评价方面的优越性能.

1 大规模图数据采样和特征分析

1.1 大规模多聚焦图像数据采样

为了实现基于正则化方向失真的大规模图数据压缩质量评价，以多聚焦图像为研究对象，建立大规模多聚焦图像数据采样模型［3]，表示为：

根据数据采集结果进行大规模多聚焦图像的像素特征重建，计算图像的行频率和列频率，对大规模多聚焦图像进行压缩感知处理，将信息熵作为特征量［4]，进行图像压缩信息重构，大规模多聚焦图像的像素分布强度为：

根据图像模糊噪声点的分布特性，大规模多聚焦图像像素的分布矩阵表示为：

采用模糊信息重组方法获取大规模多聚焦图像的差异度信息特征量，信息熵反映了图像所包含的信息量，通过计算图像的信息熵［5]，得到大规模多聚焦图像的超分辨融合矩阵为：

对采集到的大规模多聚焦图像进行分块融合匹配处理，提取图像各聚焦区域的细节信息，用Xi，j表示（i，j）位置的概率密度函数，对图像进行灰色区域重组，得到大规模多聚焦图像的空间域特征分布为：

有：

建立大规模多聚焦图像的超分辨率特征分布集，对图像的灰度区域M×M进行特征重建，利用边缘保持度衡量图像的分布强度，通过计算边缘保持度实现大规模多聚焦图像边缘轮廓检测［6].

1.2 图像边缘轮廓特征提取

在每个区域极小值的位置进行图像轮廓特征提取［7]，得到大规模多聚焦图像的灰度等级特征分布为：

建立大规模多聚焦图像的边缘轮廓特征检测模型，对图像噪声、物体表面细微特征进行压缩感知处理，得到图像边缘轮廓特征点K(x0,y0)，以K(x0,y0)为中心，计算大规模多聚焦图像局部区域像素值，表示为：

如果pixel_A＜pixel_B，对大规模多聚焦图像的局部区域像素值进行模糊检测，建立图像多重视觉特征检测模型，通过寻找局部区域特征信息，对图像相邻区域的特征量进行增强处理，设J(x)t(x)为图像的梯度幅值，得到大规模多聚焦图像的灰度特征量为：

构建大规模多聚焦图像的模糊度检测模型，获得图像空间视觉分布像素值为：

计算大规模多聚焦图像的相似度，结合像素分布矩阵进行大规模多聚焦图像梯度幅值重建，得到灰度像素集为Z，将区域极大值作为图像的标记符，得到图像边缘轮廓特征提取模型为：

其中，η表示大规模多聚焦图像的相邻区域亮度，φ表示拉普拉斯锐化特征分量，R表示大规模多聚焦图像的模板匹配系数［8].

2 大规模图数据压缩质量评价

为了增强图像的边缘和细节，提取大规模多聚焦图像各聚焦区域的细节信息，采用模糊信息融合方法进行图像边缘轮廓特征检测，根据图像边缘细节的保持程度进行大规模图数据压缩，提取大规模多聚焦图像相似度特征量，得到图像的模糊度生成序列为：

上式中，i=1,2,...,T，表示大规模多聚焦图像的亮区域权重，如果背景集合中不存在新区域，此时大规模多聚焦图像的未标记区域集合表示为：

计算A 与所有它的邻域之间的相似程度，采用正则化学习的方法［9]获取新的区域合并集，该集合满足：

其中，δ为大规模多聚焦图像的暗度区域分布特征量，采用超像素特征匹配方法得到边缘模糊图像的灰度直方图为：

采用信息融合方法，进行大规模图数据压缩质量评价［10]，其中图数据压缩的模板匹配集合描述为：

结合正则化的图像融合和特征辨识方法，得到大规模图数据压缩的特征分量为：

式中，l=1,2,…,R并且k≠l.根据下述公式，对大规模图像数据进行正则化方向失真补偿，得到补偿模型为：

建立大规模图数据空间压缩和多分辨信息融合模型，根据信息融合结果实现大规模图数据压缩质量评价，评价结果表示为：

3 仿真实验分析

为了验证本文方法在实现大规模图数据压缩质量评价中的性能，设计仿真实验.图数据采样的信息熵为0.45，相邻区域的特征分辨率为60*60，灰度图像的特征分布系数为0.34，样本测试集为30组，根据上述仿真环境和参数设定，进行大规模多聚焦图像压缩和质量评价，其中原始图像如图1所示.

以图1的图像为研究对象，进行大规模图数据压缩，得到压缩结果如图2所示.

分析图2得知，本文方法能有效实现大规模多聚焦图像压缩.测试压缩质量评价精度，得到对比结果见表1.分析得知，本文方法进行大规模多聚焦图像压缩评价的精度较高，说明压缩质量较好.

表1 大规模多聚焦图像压缩质量评价精度Tab. 1 Quality evaluation accuracy of large scale multi focus image compression

4 结语

本文以多聚焦图像为研究对象，建立大规模多聚焦图像数据采样模型，对图像局部区域像素值进行模糊检测，建立图像多重视觉特征检测模型，根据图像边缘细节的保持程度进行大规模图数据压缩，提取图像相似度特征量.采用正则化方向失真反馈补偿方法进行大规模图数据压缩过程的自适应寻优，根据信息融合结果实现图数据压缩质量评价.实验结果显示，采用该方法进行大规模图数据压缩质量评价的自适应性较好，特征分辨能力较强，压缩质量评价精度高，具有可靠性，能够有效提高图像质量评价水平.