图像冗余去除方法、图像冗余去除装置、存储介质和设备

摘要

本发明了一种图像冗余去除方法、图像冗余去除装置、存储介质和设备。该方法包括：对待压缩图像进行分块处理，形成若干幅块图像；计算每幅块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表；计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最小的预测模式作为最优预测模式；根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值。本方法为角度预测模式提供更多的预测可能性，可以更好地适应块内出现的不规则像素值变化，同时通过计算梯度来缩小候选范围，降低运算量。

权利要求

1.一种自适应不规则纹理的图像冗余去除方法，其特征在于，所述图像冗余去除方法包括：

对待压缩图像进行分块处理，形成若干幅块图像；

计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；

从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表，其中所述预测模式候选表中包括第一类预测模式和第二类预测模式，在所述第一类预测模式下采用与当前像素相邻的两个像素来预测所述当前像素的像素值，在所述第二类预测模式下采用与当前像素相邻的三个像素来预测所述当前像素的像素值，

其中，所述预先构建的纹理方向与预测模式映射表中每个纹理方向对应三个等级的模式集，每个模式集均含有第一类预测模式和第二类预测模式，其中第一级模式集对应的梯度值小于第一阈值，第二级模式集对应的梯度值大于第一阈值且小于第二阈值，第三级模式集对应的梯度值大于所述第二阈值，且所述第一级模式集、第二级模式集和第三级模式集中的预测模式数量递减；

计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最小的预测模式作为最优预测模式；

根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到所述当前像素的预测残差。

2.根据权利要求1所述的自适应不规则纹理的图像冗余去除方法，其特征在于，每幅所述块图像的若干纹理方向包括八种，分别是垂直方向、水平方向、左对角方向、右对角方向、水平偏上方向、水平偏下方向、垂直偏左方向和垂直偏右方向，每种纹理方向的平均梯度的计算公式为：

其中，N表示沿纹理方向上在块内共有N列，v(n，i)表示沿纹理方向第n行的第i个像素的像素值，mdir(n)表示沿纹理方向上第n列像素的平均值，Gdir(n)表示沿纹理方向上第n列的平均梯度，Gdir表示纹理方向的平均梯度。

3.根据权利要求2所述的自适应不规则纹理的图像冗余去除方法，其特征在于，从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表的方法为：

根据每个所述主纹理方向的平均梯度、第一阈值和/或第二阈值的大小关系，筛选出相应等级的模式集作为所述主纹理方向的候选预测模式集，各个所述主纹理方向的候选预测模式集组成预测模式候选表。

4.根据权利要求3所述的自适应不规则纹理的图像冗余去除方法，其特征在于，当所述最优预测模式为第一类预测模式时，根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值的计算方法为：

pred(X)＝[(32‑w)·v(a)+w·v(b)+16]＞＞5其中，pred(X)表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)和v(b)分别表示与当前像素相邻的两个像素的像素值。

5.根据权利要求2所述的自适应不规则纹理的图像冗余去除方法，其特征在于，当所述最优预测模式为第二类预测模式时，根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值的计算方法为：

pred(X)＝[(24‑w)·v(a)+w·v(b)‑8·v(c)]＞＞4其中，pred(X)表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)、v(b)和v(c)分别表示与当前像素相邻的五个像素中任意三个像素的像素值，与当前像素相邻的五个像素分别为与当前像素相邻的左侧像素、左下侧像素、左上侧像素、上方像素和右上方像素。

6.根据权利要求5所述的自适应不规则纹理的图像冗余去除方法，其特征在于，每个当前像素的预测像素值包括红色分量预测值、绿色分量预测值和蓝色分量预测值，当前像素的预测残差的包括红色分量残差、绿色分量残差和蓝色分量残差，所述图像冗余去除方法还包括：

根据绿色分量残差、红色分量残差和蓝色分量残差计算得到红色剩余残差和蓝色剩余残差，计算公式如下：

Δ′y＝Δy‑α·Δx，

其中，Δx为绿色分量残差，Δy为当前像素的红色分量残差、蓝色分量残差，Δ′y为当前像素的红色剩余残差和蓝色剩余残差，n为块图像的像素个数，Δxi为第i个像素的绿色分量残差，Δyi为第i个像素的红色分量残差、蓝色分量残差。

7.一种自适应不规则纹理的图像冗余去除装置，其特征在于，所述图像冗余去除装置包括：

图像分割单元，用于对待压缩图像进行分块处理，形成若干幅块图像；

第一计算单元，用于计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；

模式筛选单元，用于从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表，其中所述预测模式候选表中包括第一类预测模式和第二类预测模式，在所述第一类预测模式下采用与当前像素相邻的两个像素来预测所述当前像素的像素值，在所述第二类预测模式下采用与当前像素相邻的三个像素来预测所述当前像素的像素值，

其中，所述预先构建的纹理方向与预测模式映射表中每个纹理方向对应三个等级的模式集，每个模式集均含有第一类预测模式和第二类预测模式，其中第一级模式集对应的梯度值小于第一阈值，第二级模式集对应的梯度值大于第一阈值且小于第二阈值，第三级模式集对应的梯度值大于所述第二阈值，且所述第一级模式集、第二级模式集和第三级模式集中的预测模式数量递减；

第二计算单元，用于计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最小的预测模式作为最优预测模式；

像素预测单元，用于根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到所述当前像素的预测残差。

8.根据权利要求7所述的自适应不规则纹理的图像冗余去除装置，其特征在于，每个当前像素的预测像素值包括红色分量预测值、绿色分量预测值和蓝色分量预测值，当前像素的预测残差的包括红色分量残差、绿色分量残差和蓝色分量残差，所述图像冗余去除装置还包括：

跨分量预测单元，用于根据以下公式得到红色剩余残差和蓝色剩余残差：Δ′y＝Δy‑α·Δx，

其中，Δx为绿色分量残差，Δy为当前像素的红色分量残差、蓝色分量残差，Δ′y为当前像素的红色剩余残差和蓝色剩余残差，n为块图像的像素个数，Δxi为第i个像素的绿色分量残差，Δyi为第i个像素的红色分量残差、蓝色分量残差。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有自适应不规则纹理的图像冗余去除程序，所述自适应不规则纹理的图像冗余去除程序被处理器执行时实现权利要求1至6任一项所述的自适应不规则纹理的图像冗余去除方法。

10.一种计算机设备，其特征在于，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的自适应不规则纹理的图像冗余去除程序，所述自适应不规则纹理的图像冗余去除程序被处理器执行时实现权利要求1至6任一项所述的自适应不规则纹理的图像冗余去除方法。

说明书

图像冗余去除方法、图像冗余去除装置、存储介质和设备

技术领域

[0001] 本发明属于图像处理技术领域，具体地讲，涉及一种自适应不规则纹理的图像冗余去除方法、图像冗余去除装置、计算机可读存储介质、计算机设备。

背景技术

[0002] 图像原始信息的保留在医学诊断中有重大意义，若是使用有损压缩对原始位图进行处理，有可能丢失病灶信息，对医生诊断工作带来麻烦。在当今使用图像存档和通信系统
以数字形式存储医疗和诊断数据的医院中，为了减轻存储设备的存储压力与能耗，医学图
像需要进行压缩处理，而无损压缩是一项硬性要求。此外，无损压缩器重建的图像与原始图
像相比完全相同，没有任何失真。因此，寻找高效无损的压缩方法一直是人们研究的首要目
标。

[0003] 基于HEVC(High Efficiency Video Coding)编码框架的无损编码方案中，帧内预测一般采用邻近两像素来预测当前像素，这种方案在面对纹理方向较为规则的图像时能取
得良好的预测效果，有效地去除了图像空间冗余数据，且降低了后续进行无损压缩时算法
的复杂度。但面对较为复杂的图像，尤其是纹理方向不规则的图像，被不规则的像素值变化
影响造成预测效果不佳，难以达到有效的空间冗余去除。

发明内容

[0004] (一)本发明所要解决的技术问题

[0005] 本发明解决的技术问题是：如何提供一种能自适应不规则纹理的图像冗余去除方法。

[0006] (二)本发明所采用的技术方案

[0007] 一种自适应不规则纹理的图像冗余去除方法，所述图像冗余去除方法包括：

[0008] 对待压缩图像进行分块处理，形成若干幅块图像；

[0009] 计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；

[0010] 从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表，其中所述预测模式候选表中包括第一类预测模式和第二类
预测模式，在所述第一类预测模式下采用与当前像素相邻的两个像素来预测所述当前像素
的像素值，在所述第二类预测模式下采用与当前像素相邻的三个像素来预测所述当前像素
的像素值；

[0011] 计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最小的预测模式作为最优预测模式；

[0012] 根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到所述当前像素的预测残差。

[0013] 优选地，每幅所述块图像的若干纹理方向包括八种，分别是垂直方向、水平方向、左对角方向、右对角方向、水平偏上方向、水平偏下方向、垂直偏左方向和垂直偏右方向，每
种纹理方向的平均梯度的计算公式为：

[0014]

[0015]

[0016] 其中，N表示沿纹理方向上在块内共有N列，v(n，i)表示沿纹理方向第n行的第i个像素的像素值，mdir(n)表示沿纹理方向上第n列像素的平均值，Gdir(n)表示沿纹理方向上第
n列的平均梯度，Gdir表示纹理方向的平均梯度。

[0017] 优选地，所述预先构建的纹理方向与预测模式映射表中每个纹理方向对应三个等级的模式集，每个模式集均含有第一类预测模式和第二类预测模式，其中第一级模式集对
应的梯度值小于第一阈值，第二级模式集对应的梯度值大于第一阈值且小于第二阈值，第
三级模式集对应的梯度值大于所述第二阈值，且所述第一级模式集、第二级模式集和第三
级模式集中的预测模式数量递减，从预先构建的纹理方向与预测模式映射表中筛选出和所
述主纹理方向对应的预测模式，构成预测模式候选表的方法为：

[0018] 根据每个所述主纹理方向的平均梯度、第一阈值和/或第二阈值的大小关系，筛选出相应等级的模式集作为所述主纹理方向的候选预测模式集，各个所述主纹理方向的候选
预测模式集组成预测模式候选表。

[0019] 优选地，当所述最优预测模式为第一类预测模式时，根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值的计算方法为：

[0020] pred(X)＝[(32‑w)·v(a)+w·v(b)+16]＞＞5

[0021] 其中，pred(X)表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)和v(b)分别表示与当前像素相邻的两个像素的像素值。

[0022] 优选地，当所述最优预测模式为第二类预测模式时，根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值的计算方法为：

[0023] pred(X)＝[(24‑w)·v(a)+w·v(b)‑8·v(c)]＞＞4

[0024] 其中，pred(X))表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)、v(b)和v(c)分别表示与当前像素相邻的五个像素中任意三个像素的像素值，与当前像素相
邻的五个像素分别为与当前像素相邻的左侧像素、左下侧像素、左上侧像素、上方像素和右
上方像素。

[0025] 优选地，每个当前像素的预测像素值包括红色分量预测值、绿色分量预测值和蓝色分量预测值，当前像素的预测残差的包括红色分量残差、绿色分量残差和蓝色分量残差，
所述图像冗余去除方法还包括：

[0026] 根据绿色分量残差、红色分量残差和蓝色分量残差计算得到红色剩余残差和蓝色剩余残差，计算公式如下：

[0027] Δ′y＝Δy‑α·Δx，

[0028]

[0029] 其中，Δx为绿色分量残差，Δy为当前像素的红色分量残差、蓝色分量残差，Δ′y为当前像素的红色剩余残差和蓝色剩余残差，n为块图像的像素个数，Δxi为第i个像素的
绿色分量残差，Δyi为第i个像素的红色分量残差、蓝色分量残差。

[0030] 本申请还公开了一种自适应不规则纹理的图像冗余去除装置，其特征在于，所述图像冗余去除装置包括：

[0031] 图像分割单元，用于对待压缩图像进行分块处理，形成若干幅块图像；

[0032] 第一计算单元，用于计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；

[0033] 模式筛选单元，用于从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表，其中所述预测模式候选表中包括第一类
预测模式和第二类预测模式，在所述第一类预测模式下采用与当前像素相邻的两个像素来
预测所述当前像素的像素值，在所述第二类预测模式下采用与当前像素相邻的三个像素来
预测所述当前像素的像素值；

[0034] 第二计算单元，用于计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最小的预测模式作为最优预测模式；

[0035] 像素预测单元，用于根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到所述当前像素的预测残差。

[0036] 本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有自适应不规则纹理的图像冗余去除程序，所述自适应不规则纹理的图像冗余去除程序被处理器
执行时实现上述的自适应不规则纹理的图像冗余去除方法。

[0037] 本申请还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的自适应不规则纹理的图像冗余去除程序，所述
自适应不规则纹理的图像冗余去除程序被处理器执行时实现上述的自适应不规则纹理的
图像冗余去除方法。

[0038] (三)有益效果

[0039] 本发明公开了一种自适应不规则纹理的图像冗余去除方法，相对于现有的空间冗余去除方法，具有如下技术效果：

[0040] 本方法充分利用相邻像素间的高度相关性，增加了更多的预测组合，为角度预测模式提供更多的预测可能性，可以更好地适应块内出现的不规则像素值变化，得到更准确
的预测值，在块内主纹理方向上减少被不规则的像素值变化影响造成的预测效果不佳情
况，将预测误差能量更集中在0附近，有效去除图像的空间冗余数据。同时将梯度计算运用
至主纹理方向判断，准确找出当前块图像的纹理方向，将纹理方向相关的角度预测模式共
同构建成候选列表以减少需要遍历的候选模式，在准确判断纹理方向的同时极大的减少了
算法的复杂度。

附图说明

[0041] 图1为本发明的实施例一的自适应不规则纹理的图像冗余去除方法的流程图；

[0042] 图2为本发明的实施例一的沿纹理方向的像素采样示意图；

[0043] 图3为本发明的实施例一的第一类预测模式的角度示意图；

[0044] 图4为本发明的实施例一的第二类预测模式的角度示意图；

[0045] 图5为本发明的实施例一的像素分布示例图；

[0046] 图6为本发明的实施例一的跨分量预测模型的示意图；

[0047] 图7为本发明的实施例三的自适应不规则纹理的图像冗余去除装置的示意图；

[0048] 图8为本发明的实施例四的计算机设备示意图。

具体实施方式

[0049] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用
于限定本发明。

[0050] 在详细描述本申请的各个实施例之前，首先简单描述本申请的发明构思：现有的HEVC编码框架中，通常利用相邻的两像素来预测当前像素，这种方法在纹理较为规则的图
像预测中能取得较好效果，但是不规则纹理图像，由于相邻像素之间可能存在突变，这时两
像素预测方式会存在预测误差较大的情况，本方案提出的图像冗余去除方法增加了预测模
式的类型，包括两像素预测模式和三像素预测模式，通过计算图像纹理方向的梯度，筛选出
图像的主要纹理方向，并进一步筛选出跟主要纹理方向相关的候选预测模式，接着遍历各
个候选预测模式，选出适用于块图像的最优预测模式，接着进行每个像素的预测，有效地去
除图像空间冗余数据。本方案通过增加预测模式的类型，增加了像素的预测范围，通过遍历
的方式筛选出最适合不规则纹理图像的预测模式，同时通过当前块图像纹理方向的梯度来
筛选主纹理方向，缩小预测模式的范围，减少遍历次数，降低运算量。

[0051] 具体来说，如图1所示，本实施例一公开的自适应不规则纹理的图像冗余去除方法包括如下步骤：

[0052] 步骤S10：对待压缩图像进行分块处理，形成若干幅块图像；

[0053] 步骤S20：计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯度小于预定值的各个纹理方向作为主纹理方向；

[0054] 步骤S30：从预先构建的纹理方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选表，其中所述预测模式候选表中包括第一类预测模式
和第二类预测模式，在所述第一类预测模式下采用与当前像素相邻的两个像素来预测所述
当前像素的像素值，在所述第二类预测模式下采用与当前像素相邻的三个像素来预测所述
当前像素的像素值；

[0055] 步骤S40：计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将最小信息熵对应的预测模式作为最优预测模式；

[0056] 步骤S50：根据所述最优预测模式计算所述块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到所述当前像素的预测残差；

[0057] 示例性地，不规则纹理的待压缩图像以胶囊内窥镜拍摄的图像为例，实际计算时需要对原始图像进行预处理，采集由无线胶囊内镜设备拍摄的胃肠道Bitmap图像，将图像
的像素数据由光栅扫描顺序存储至一个无符号的4字节一维数组rgb[]，数组的一个元素
包含一个像素的三个分量，其中一个分量占一个字节，最高位的字节由“0xff”进行填充，后
续进行预测时只需进行移位提取不同分量的数据。对待压缩图像进行分块处理，得到若干
幅大小为8×8的块图像。

[0058] 进一步地，每幅所述块图像的若干纹理方向包括八种，分别是垂直方向(V)、水平方向(H)、左对角方向(DDL)、右对角方向(DDR)、水平偏上方向(HU)、水平偏下方向(HD)、垂
直偏左方向(VL)和垂直偏右方向(VR)，每种纹理方向的平均梯度的计算公式为：

[0059]

[0060]

[0061] 其中，N表示沿纹理方向上在块内共有N列，v(n，i)表示沿纹理方向第n行的第i个像素的像素值，mdir(n)表示沿纹理方向上第n列像素的平均值，Gdir(n)表示沿纹理方向上第
n列的平均梯度，Gdir表示纹理方向的平均梯度。

[0062] 为了降低计算复杂度，在利用公式(1)和公式(2)进行计算时，可采用隔行采样的方法减少计算量，如图2所示，(a)表示沿垂直方向(V)的像素采样示意图，(b)表示沿水平偏
下方向(HD)的像素采样示意图，深色代表采样像素。在另一实施方式中，可先计算垂直方向
(V)、水平方向(H)、左对角方向(DDL)、右对角方向(DDR)四个纹理方向的梯度，接着利用这
四种纹理方向的梯度来计算其他四个纹理方向的梯度，公式如下：

[0063]

[0064] 其中，GVL表示垂直偏左方向(VL)的平均梯度，GVR表示垂直偏右方向(VR)的平均梯度，GHD表示水平偏下方向(HD)的平均梯度，GHU表示水平偏上方向(HU)的平均梯度，GV表示垂
直方向(V)的平均梯度，GDDL表示左对角方向(DDL)的平均梯度，GDDR表示右对角方向(DDR)的
平均梯度，GH表示水平方向(H)的平均梯度。

[0065] 示例性地，将平均梯度小于预定值的各个纹理方向作为主纹理方向，这里的预定值可根据选取的方向的数量自行设定，例如选取平均梯度最小的三个纹理方向作为主纹理
方向，此时可设定相应的预定值。平均梯度越小，说明该纹理方向越接近图像的真实纹理方
向。这样通过梯度的计算可以初步筛选出大致范围的纹理方向，排除掉一些方向，减少后续
的计算量。

[0066] 进一步地，所述预先构建的纹理方向与预测模式映射表如表1所示，映射表中每个纹理方向对应三个等级的模式集，每个模式集均含有第一类预测模式和第二类预测模式，
其中第一级模式集对应的梯度值小于第一阈值，第二级模式集对应的梯度值大于第一阈值
且小于第二阈值，第三级模式集对应的梯度值大于所述第二阈值，且所述第一级模式集、第
二级模式集和第三级模式集中的预测模式数量递减。根据上文描述可知，梯度大小代表了
该纹理方向与图像实际纹理方向的接近程度。当梯度值越大，表明该纹理方向与实际纹理
方向的偏差可能更大，此时需要设定更多的预测模式，扩大预测范围，即遍历该纹理方向周
围的角度模式，当然这样会导致计算量的增加。当梯度值越小，表明该纹理方向与实际纹理
方向非常接近，此时可减少预测模式，缩小预测范围，只需遍历贴近该纹理方向的角度模
式，减少了计算量。进一步根据每个所述主纹理方向的平均梯度、第一阈值和/或第二阈值
的大小关系，筛选出相应等级的模式集作为所述主纹理方向的候选预测模式集。

[0067]

[0068] 表1纹理方向及其对应级别的模式集

[0069] 在表1中，预测模式包括包括第一类预测模式和第二类预测模式，第一类预测模式为模式2至模式34，即传统的HEVC模式，其对应的角度如图3所示，不同角度表示分配权重不
同，在所述第一类预测模式下采用与当前像素相邻的两个像素来预测所述当前像素的像素
值。所述第二类预测模式下为模式35至56，其对应的角度如图4所示，不同角度表示分配权
重不同，在所述第二类预测模式下采用与当前像素相邻的三个像素来预测所述当前像素的
像素值。通过组合利用第一类预测模式和第二类预测模式，扩大了预测范围。

[0070] 进一步地，第一类预测模式对应的计算公式如下：

[0071] pred(X)＝[(32‑w)·v(a)+w·v(b)+16]＞＞5    (4)

[0072] pred(X)表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)和v(b)分别表示与当前像素相邻的两个像素的像素值，＞＞表示二进制右移。其中，随着方向的变化
来选取参考像素，即2‑10模式，选取DL和L；11‑18模式，选取L和TL；19‑26模式选择TL和T，
27‑34模式选取T和TR。权重w的具体取值在HEVC编码框架中已有具体规定，在此不进行赘
述。

[0073] 进一步地，第二类预测模式对应的计算公式如下：

[0074] pred(X)＝[(24‑w)·v(a)+w·v(b)‑8·v(c)＞＞4   (5)

[0075] 其中，pred(X)表示当前像素的预测像素值，w表示预测模式对应的权重，v(a)、v(b)和v(c)分别表示与当前像素相邻的五个像素中任意三个像素的像素值，与当前像素相
邻的五个像素分别为与当前像素相邻的左侧像素(L)、左下侧像素(DL)、左上侧像素(TL)、
上方像素(T)和右上方像素(TR)。

[0076] 具体来说，经过实验模拟，示例性地，在模式35至模式46下选用左侧像素(L)的像素、上方像素(T)和左上侧像素(TL)对当前像素进行预测，具体计算公式如下：

[0077] pred(X)＝[(24‑w1)·v(L)+w1·v(T)‑8·v(TL))]＞＞4    (6)

[0078] 其中，权重w1的选择集为{0，1，3，5，8，12，16，19，21，23，24}，即模式35对应权重为0，模式36对应权重为1……模式46对应权重为24。

[0079] 在模式46至模式51下选用左侧像素(L)的像素、上方像素(T)和右上方像素(TR)对当前像素进行预测，具体计算公式如下：

[0080] pred(X)＝[(24‑w2)·v(L)+w2·v(T)‑8·v(TR)]＞＞4    (7)

[0081] 其中，权重w2的选择集为{0，2，4，20，22，24}，即模式46对应的权重为0，模式47对应的权重为2……模式51对应权重为24。

[0082] 在模式52至模式56下选用左侧像素(L)的像素、上方像素(T)和左下侧像素(DL)对当前像素进行预测，具体计算公式如下：

[0083] pred(X)＝[(24‑w3)·v(L)+w3·v(T)‑8·v(DL)]＞＞    (8)

[0084] 其中，权重w3的选择集为{0，2，18，21，24}，即模式52对应的权重为0，模式53对应的权重为2……模式56对应权重为24。

[0085] 通过上述多个角度模式的组合，增加了每个纹理方向的预测范围，可以更好地利用相邻像素的空间相关性。

[0086] 在HEVC的帧内预测中，预测值通过公式(5)进行两个像素的加权计算，通过方向的变化对两个像素选取不同的权重，在这种计算模式下，当前像素的预测值只坐落于所取的
两个像素之间，例如，当选取的两个像素的像素值为“30”和“38”，利用公式(5)得出的预测
值最大为“38”，最小为“30”。具体地，如图5所示，假设当前需要预测的像素实际值为“36”，
当使用HEVC的模式2至模式10进行预测时，选择DL和L像素，可以得到的最小预测值为32，最
大为34；模式11至模式18选择L和TL像素，预测值区间为[30，34]；模式19至模式26选择TL和
T像素，预测值区间为[30，34]；模式27至模式34选取T和TR像素，预测值区间为[31，34]。可
以发现，遍历完2至34模式并不能准确的得到当前像素的真实值，若这种情况大概率存在于
图像中，则会导致冗余消除不完全，影响压缩质量。而使用第二类预测模式时，公式(6)计算
出的预测值区间为[34，36]，公式(7)计算出的预测值区间为[34，35]，公式(8)计算出的预
测值区间为[31，34]，可以发现在使用公式(6)进行计算时，当前待预测像素的像素值“36”
坐落在区间内。因此公式(6)‑(8)的目的就是通过选取不同的像素，并且遍历不同的权重分
配，以寻找最大的值减去较小的像素值以扩大预测区间的上限；同时寻找最小的值减去最
大的值以降低预测区间的下限。预测值坐落于更大的区间内，提供了更多可能性，为不规则
像素变化区域提供潜在更好的预测。

[0087] 如图6所示，利用三个像素的加权计算模型，可以沿不同的角度投影至更远处的参考线，当投影至更远处的参考线时，预测模型并不只利用参考线两端的像素进行预测，而是
通过三个像素值的加权计算以适应不规则的像素梯度变化，同时满足纹理方向，使得局部
预测拥有更广的范围。

[0088] 进一步地，在步骤S40中，信息熵的计算公式如下：

[0089] C＝SSE+H(X，X+Y)    (9)

[0090] 其中SSE是原像素块与通过预测后形成的残差块之间的平方和，H(X，X+Y))为随机变量X与X+Y的联合熵，其中X为当前编码块内像素值的分布，X+Y为已遍历像素块的像素值
总分布。其中，信息熵的计算，对视频压缩领域的技术人员来说属于公知技术，在此不进行
赘述。

[0091] 在步骤S50中，利用最优预测模式得到的，每个当前像素的预测像素值包括每个当前像素的预测像素值包括红色分量预测值、绿色分量预测值和蓝色分量预测值，当前像素
的预测残差的包括红色分量残差、绿色分量残差和蓝色分量残差。由于像素的三个分量R、
G、B之间存在很强的相关性，同一区域的像素三分量灰度值的变化幅度保持高度一致，存在
一定线性关系，因此使用同一种预测模式的三分量所形成的残差块仍然保持原有的线性关
系。基于此，可以进行跨分量预测，利用其中一个分量，通过线性表达式来表达另外两种分
量，可以进一步减少残差冗余数据，具体过程如下：

[0092] 步骤S60：根据绿色分量残差、红色分量残差和蓝色分量残差计算得到红色剩余残差和蓝色剩余残差，计算公式如下：

[0093] Δ′y＝Δy‑α·Δx，    (10)

[0094]

[0095] 其中，Δx为绿色分量残差，Δy为当前像素的红色分量残差、蓝色分量残差，Δ′y为当前像素的红色剩余残差和蓝色剩余残差，n为块图像的像素个数，Δxi为第i个像素的
绿色分量残差，Δyi为第i个像素的红色分量残差、蓝色分量残差。

[0096] 上述公式的推导过程如下：

[0097] 利用线性回归模型来寻找块图像内的最佳线性关系，通过绿色分量残差ΔG来预测红色分量残差ΔR和蓝色分量残差ΔB，线性回归模型如下所示：

[0098]

[0099] 其中 为ΔR、ΔB分量的预测值，Δx即为绿色分量残差ΔG，α、β为线性模型的系数，其中：

[0100]

[0101]

[0102] 其中 和 分别代表Δx和Δy的平均值，n为块内像素个数。为了避免存储过多参数而影响压缩性能，本实施例中假定残差平均值为0，因此(14)中的α为：

[0103]

[0104] 且β为0。最终跨分量的预测可以通过以下线性预测模型实现：

[0105] Δ′y＝Δy‑α·Δx    (16)

[0106] 在实际计算过程，α的计算过程较为缓慢，其中为了减小计算复杂度以及保证压缩效率，本实施例中将α在[‑2，2]中取值，且在集合{0，±0.125，±0.25，±0.5，±0.75，±1，
±1.25，±1.5，±2}内非线性量化。为了避免浮点运算，在集合{0，±2，±4，±8，±12，±
16，±20，±24，±32}内寻找 后再通过右移4位得到最终的α值。跨分量预测框架如图5所
示，其中每个块自适应选择α1、α2、α3，三个数值具体选择时，遍历集合中的α值，根据公式(9)
计算每个α值的信息熵，选择信息熵最小的α值。其中α1为预测ΔR的系数，而ΔB分量先通过
ΔG进行线性预测，再将预测后的值通过ΔR进行线性预测，去除与分量R、B之间的相关性，
因此α2、α3为预测ΔB的系数。解码时在数组中提出相应块的预测系数，通过ΔG恢复ΔR与Δ
B。

[0107] 在完成上述步骤之后，可以进行熵编码操作，将线型模型系数、最优预测模式、以及绿色分量残差、红色剩余残差和蓝色剩余残差等数据进行熵编码，可采用霍夫曼编码、游
程编码、算术编码的方法，属于本领域技术人员熟知的技术，在此不进行赘述。

[0108] 如图7所示，本实施例二还公开了一种自适应不规则纹理的图像冗余去除装置，图像冗余去除装置包括图像分割单元100、第一计算单元200、模式筛选单元300、第二计算单
元400和像素预测单元500。图像分割单元100用于对待压缩图像进行分块处理，形成若干幅
块图像；第一计算单元200用于计算每幅所述块图像的若干纹理方向的平均梯度，将平均梯
度小于预定值的各个纹理方向作为主纹理方向；模式筛选单元300用于从预先构建的纹理
方向与预测模式映射表中筛选出和所述主纹理方向对应的预测模式，构成预测模式候选
表，其中所述预测模式候选表中包括第一类预测模式和第二类预测模式，在所述第一类预
测模式下采用与当前像素相邻的两个像素来预测所述当前像素的像素值，在所述第二类预
测模式下采用与当前像素相邻的三个像素来预测所述当前像素的像素值；第二计算单元
400用于计算所述块图像在所述预测模式候选表中每种预测模式下的信息熵，将信息熵最
小的预测模式作为最优预测模式；像素预测单元500用于根据所述最优预测模式计算所述
块图像中每个当前像素的预测像素值，根据每个当前像素的预测像素值和原始像素值得到
所述当前像素的预测残差。

[0109] 进一步地，图像冗余去除装置还包括跨分量预测单元600，用于根据以下公式得到红色剩余残差和蓝色剩余残差：

[0110]

[0111] 其中，Δx为绿色分量残差，Δy为当前像素的红色分量残差、蓝色分量残差，Δ′y为当前像素的红色剩余残差和蓝色剩余残差，n为块图像的像素个数，Δxi为第i个像素的
绿色分量残差，Δyi为第i个像素的红色分量残差、蓝色分量残差。

[0112] 进一步地，每幅所述块图像的若干纹理方向包括八种，分别是垂直方向、水平方向、左对角方向、右对角方向、水平偏上方向、水平偏下方向、垂直偏左方向和垂直偏右方
向，第一计算单元200用于根据如下公式计算每种纹理方向的平均梯度：

[0113]

[0114]

[0115] 其中，N表示沿纹理方向上在块内共有N列，v(n，i)表示沿纹理方向第n行的第i个像素的像素值，mdir(n)表示沿纹理方向上第n列像素的平均值，Gdir(n)表示沿纹理方向上第
n列的平均梯度，Gdir表示纹理方向的平均梯度。

[0116] 进一步地，所述预先构建的纹理方向与预测模式映射表中每个纹理方向对应三个等级的模式集，每个模式集均含有第一类预测模式和第二类预测模式，其中第一级模式集
对应的梯度值小于第一阈值，第二级模式集对应的梯度值大于第一阈值且小于第二阈值，
第三级模式集对应的梯度值大于所述第二阈值，且所述第一级模式集、第二级模式集和第
三级模式集中的预测模式数量递减，模式筛选单元300还用于：根据每个所述主纹理方向的
平均梯度、第一阈值和/或第二阈值的大小关系，筛选出相应等级的模式集作为所述主纹理
方向的候选预测模式集，各个所述主纹理方向的候选预测模式集组成预测模式候选表。其
中，图像分割单元100、第一计算单元200、模式筛选单元300、第二计算单元400、像素预测单
元500和跨分量预测单元600的更详细运算过程可参照实施例一的描述，在此不进行赘述。

[0117] 本实施例三还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有自适应不规则纹理的图像冗余去除程序，所述自适应不规则纹理的图像冗余去除程序被处
理器执行时实现实施例一的自适应不规则纹理的图像冗余去除方法。

[0118] 本实施例四还公开了一种计算机设备，在硬件层面，如图8所示，该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存
储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软
件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或
软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也
可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有自适应不规则纹理的图像冗
余去除程序，所述自适应不规则纹理的图像冗余去除程序被处理器执行时实现上述的自适
应不规则纹理的图像冗余去除方法。

[0119] 计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数
据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器
(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器
(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读
存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储
器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以
被计算设备访问的信息。

[0120] 上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的
原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明
的保护范围内。