[发明专利]一种面向压缩人脸图像的自适应去块效应方法

权利要求书

1.一种面向压缩人脸图像的自适应去块效应方法，其特征在于：方法分为两个部分：获取自适应参数以及三维块匹配滤波部分；自适应参数的选择包括根据不同的压缩比选择不同的滤波器方差参数；

首先，面向人脸图像建立模型；然后，根据人脸模型，将人脸图像分为背景区域与重要器官区域；最后，针对不同区域采用不同的参数；三维块匹配滤波部分依据自适应参数对输入的人脸图像进行变换域协同滤波处理；

所述获取自适应参数部分分为3个步骤：

(1)定义人脸模型

定义了一个人脸模型：选取N幅正面人脸图像， N>0 ，根据人眼位置归一化；然后，将N幅人脸图像叠加，得到一个统计能量图；

获取双眼中心的坐标后，得到两眼间的像素距离；由此，定义一个T型区域；这个区域包含了正面人脸的所有重要器官；左、右眼中心P₁、P₂的坐标分别为(x₁,y₁)、(x₂,y₂)，P₁和P₂处于同一水平线上；两眼间的像素距离为d；根据两眼像素距离以及人脸五官位置关系，定义一个T型区域；左右眼中心到左右边界距离均为0.25d，组成了一个长为1.5d宽为0.5d的矩形，是T型区域的水平部分；T型区域的垂直部分是一个长为0.75d宽为d的矩形；基于这个人脸模型，将相似块的搜索区域扩展；垂直的搜索距离保持不变，而水平方向的搜索范围扩展到T型区域的边界处；

(2)根据压缩比获取自适应参数

选择N幅图像来测试针对不同压缩比下的最优方差参数；将压缩因子Q的取值Q_i设为5到40区间，间隔为5，即Q₁＝5，Q₂＝10，…，Q₈＝40，对N幅图像分别JPEG压缩；针对压缩因子取值为Q_i的图像，测试了2到40之间、间隔为2，不同的方差参数对应的PSNR结果；计算N个PSNR的平均值；将最高的平均PSNR对应的方差作为压缩因子取值Q_i对应的最优方差参数；

(3)根据人脸模型获取自适应参数

将人脸图像分为两个部分，也就是背景区域R_b和重要器官区域R_o；背景区域R_b表示平坦区域，即T型区域的外部；R_o表示眼睛、鼻子和嘴巴的区域，即T型区域的内部，在压缩因子为Q的情况下，R_b区域中方差参数sigma_b依据步骤(2)所测结果选取；

而对于R_o区域中的方差参数sigma_o，保持sigma_b不变，测试2到40之间、间隔为2，不同的sigma_o参数对应的PSNR结果；计算N个PSNR的平均值；最高的平均PSNR对应的sigma_o，作为压缩因子为Q时的最优sigma_o参数；

所述三维块匹配滤波部分分为两个阶段：

(1)基础估计

a)分组

把输入压缩失真人脸图像Z划分成相互交叠的图像块Z_x∈X，其中X是这些块的坐标构成的合集，x表示图像块的坐标；采用欧式距离衡量两图像块之间的相似性；分别将参考图像块和搜索范围内的图像块逐个对比，若欧式距离小于距离阈值则认为两图像块相似，反之则不相似；将搜索到的具有相似结构的二维图像块组成一个三维矩阵

b)协同滤波

对三维矩阵进行可分的三维变换，具体包括二维Bior小波硬阈值收缩和块间径向一维Haar小波变换；所得结果利用硬阈值调整变换系数来去除噪声，再执行逆三维变换：

其中，F为可分的三维变换，F^-1为F的逆变换，shrink为硬阈值处理；

c)聚集

步骤b)硬阈值收缩后，每个块都得到一个估计值；根据估计值集合矩阵数值中非零的个数，得到基础估计权值：

其中，为三维矩阵硬阈值处理后非零系数的个数，sigma为自适应参数获取部分得到的参数对于背景区域和重要器官区域分别为sigma_b和sigma_o；

对于某一个像素，可能会出现在多个块内，需要对这些有重叠的块估计值进行加权平均来得到每个像素的基础估计值，重建为基础估计图像

(2)最终估计

对基础估计图像再进行分块并协同维纳滤波，分为以下三个步骤：

a)分组

对第一步中得到的基础估计图像再次进行块匹配，并堆叠所有匹配的块形成新的三维矩阵同时利用这个匹配结果的各个图像块的坐标，在输入含噪声图像块Z_x中找到与这些坐标相对应的图像块，构成另一个三维矩阵此时有两个对应的三维矩阵，一个是第一步得到的由原图像中相似块组成的三维矩阵，另一个是由基础估计图像中相似块组成的三维矩阵；

b)协同维纳滤波

对两个三维矩阵均进行可分的三维变换，具体是二维DCT余弦变换以及一维Haar小波变换，以基础估计图像对应的三维矩阵对原图像对应的三维矩阵进行维纳滤波；最后执行可分的三维逆变换得到去噪的图像块；具体公式如下：

其中，为对含噪图像上三维矩阵的三维变换，为逆三维变换，维纳滤波公式为：

c)聚集

对这些块估计值进行加权平均后放回它们原始位置来得到的最终的去噪图像；权值由下式确定：