微位移：图像压缩

以秒为单位的微移位压缩。III包括两个步骤，因此解压缩可以通过简单地反转操作来完成。由于子图像是无损压缩的，因此可以通过帧内或帧间预测使用因果像素来完全恢复它们。无损解压缩以相反的顺序遵循算法1的相同步骤。有了子图像 ，我们可以将它们组合起来，得到位深度为M位的微位移图像 。在本节中，我们提出两种方法——快速和MRF模型——来重建原始图像 。渐进解压缩扩展将在本节末尾讨论。

A.快速减压

尽管在子量化期间丢失了最低有效位，但是仍然可以使用III-A中的启发式解压缩从相邻像素的位深度中推断出它们这种方法运速度极快，并产生体面的图像质量。然而，有一些有问题的工件。首先，解压缩图像中的边缘可能具有锯齿外观。第二，解压缩输出看起来有点嘈杂，因为每个像素都是从其邻域中推断出来的，并且每个像素的解压缩都是独立的。第三，量化伪像在平滑区域是明显的，因为位深度没有完全恢复到8位。

为了减轻这些伪像，一种方法是在后处理期间采用边缘保持图像滤波器，以便可以利用更大的上下文来对每个像素进行解压缩。我们使用[11]中的快速加权最小二乘(WLS)滤波器，因为它是一种高效的全局平滑器(O(n))，不会导致“光晕”伪影[37]。我们迭代地应用滤波器8次，图像质量显著提高。图7(a)示出了解压缩的结果。因为过滤器运行高效(0.7秒处理一个512x512图像1)，我们称这种解压缩方法为快速。

B.MRF减压

使用图像平滑器进行后期处理是不够的。在图7(a)中，诸如锯齿边缘的伪像仍然清晰可见。这严重影响了感知质量。产生这种假象的原因是，在启发式模型中，局部补丁被假定为分段常数[10]；因此，解压缩不能很好地适应边缘或纹理。为了克服这一限制，我们提出了一个马尔可夫随机场(MRF)模型[38]，[39]用于解压缩。在这个模型中，图像被假定为分段平滑的，而不是分段恒定的。

尽管如此，我们将子量化的微移位图像表示为 ，其可以从比特流中无损解压缩。像素 是观察值，并且每个 从量化级别 中取值。我们的目的是找到最可能的像素值 。这些值可以从最大后验(MAP)角度推断出来:

标签：平滑,解压缩,像素,图像压缩,图像,量化,MRF,位移
来源： https://blog.csdn.net/ziyouruf/article/details/123645794