影像构件化的生成和层间压缩方法研究

摘要

近几十年来，随着网络和多媒体技术迅速发展，网络终端的多样性和设备的复杂性对图像、视频码流提出了新的要求，提供不同分辨率和质量的图像成为网络发展的必然趋势，可伸缩编码技术应运而生。在大数据图像的处理中，空间可伸缩编码有着广泛的应用，如何处理好数据量和分辨率之间的问题就成为大家关注的焦点。为了有效处理大数据影像的压缩与显示，一种有效的方法是应用金字塔模型来对数据进行压缩。金字塔模型的分辨率逐层降低直至顶层，通过对原始图像的倍率缩小而形成下一层的数据。而在构建金字塔的过程中，如何进行重采样和压缩的方式就成为关键。传统的方法使用双线性、双三次等生成，应用JPEG方法进行压缩，生成的图像分辨率有待提高，压缩比技术也需要进一步进行优化。
　　随着用户对软件数量和质量的要求，传统的软件开发方式已无法满足需求，软件构件成为一种发展的趋势。构件通过对类的组合进行封装，完成特定的功能服务，并定义一系列接口，只通过接口而与外界进行联系，提供服务。构件的实现能够提高软件的使用效率，方便而且任人装配。但如何有效的创建一个软件的构件也成为大家所要研究的问题。
　　基于上面出现的两方面问题，本课题设计的金字塔模型，在研究传统提高分辨率的方法上进行优化，极大的提高了图像质量，而且在压缩的流程中加入了构件的应用，设计新的压缩方法，极大降低了图像尺寸。本文的主要研究工作如下：
　　对大数据图像的多层层间压缩方法与生成提出新的可伸缩编码流程。在图像数据的生成方面：充分分析AVS编码标准的预测搜索过程，得到图像的纹理信息，即图像的变化方向，根据不同的方向选择不同的滤波器进行下采样，使上一层的信息得到了充分的保留，每一层新生成的图像能够得到较高的分辨率。把图像的降采样过程封装成一个原子构件，在对大数据图像进行处理时，把图像分割成多个和原子构件大小相同的图像，每一个分割后的图像调用原子构件进行处理，把一幅分辨率高的图像分成很多小的同时处理，提高了处理的效率。在图像的层间压缩方面：没有像传统的压缩方法一样对每一层都进行编码压缩，只是压缩编码残差，极大降低了数据的冗余，提高了压缩比。在编码流程中，残差是本层数据降采样后，与升采样后的重构数据相减得到的。由于得到的残差数据小，对DCT变换后的数据进行统计分析，通过对量化过程的修改与优化，使得熵编码后得到的图像尺寸大大减小。而其中把解码中的IDCT，反量化，熵解码等过程也封装为一个原子构件，充分应用到整个层间数据的压缩编码流程中。