基于主觀質(zhì)量的JPEG XR量化參數(shù)選擇

劉致遠(yuǎn)，陳耀武

(浙江大學(xué)嵌入式系統(tǒng)研究開發(fā)中心，杭州 310027)

1 概述

JPEG XR是來自聯(lián)合圖像專家組的一種最新的圖像壓縮標(biāo)準(zhǔn)，其前身是由微軟發(fā)布的HD PHOTO。該標(biāo)準(zhǔn)主要用來滿足端到端的數(shù)字圖像應(yīng)用需求，具有高壓縮率和更佳的圖像質(zhì)量，允許輸入寬動(dòng)態(tài)范圍圖像，提供無損壓縮模式，支持全格式色彩采樣、縮略圖提取以及嵌入碼流的可伸縮性，同時(shí)保持編碼和解碼過程的低復(fù)雜度[1]。

壓縮效率是衡量圖像壓縮標(biāo)準(zhǔn)應(yīng)用價(jià)值最重要的指標(biāo)之一，更高的壓縮率下更好的圖像質(zhì)量一直是圖像壓縮領(lǐng)域的研究目標(biāo)。與主流的圖像壓縮標(biāo)準(zhǔn)JPEG和JPEG2000相比，JPEG XR的壓縮效率大大高于 JPEG，接近于JPEG2000[2]，但是，由于前兩者出現(xiàn)時(shí)間較長(zhǎng)，相關(guān)研究和優(yōu)化技術(shù)眾多，在很多應(yīng)用場(chǎng)合都有更優(yōu)異的表現(xiàn)。JPEG XR作為較新的標(biāo)準(zhǔn)，有關(guān)圖像質(zhì)量和率失真性能優(yōu)化的研究逐漸興起。文獻(xiàn)[3]通過實(shí)驗(yàn)比較并分析了 JPEG XR、H.264 Intra模式、JPEG20003種圖像編碼器的質(zhì)量差異；文獻(xiàn)[4]從標(biāo)準(zhǔn)制定的角度提出了在峰值信噪比(Peak Signal to Noise Ratio, PSNR)、多尺度結(jié)構(gòu)相似性(Multi-scale Structural Similarity Index Measurement, MSSIM)等多種評(píng)價(jià)標(biāo)準(zhǔn)下提高 JPEG XR率失真性能的若干技術(shù)；文獻(xiàn)[5]進(jìn)一步在主觀質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn) MSSIM 下討論了量化系數(shù)的選取策略；文獻(xiàn)[6]優(yōu)化了編碼過程中的熵編碼環(huán)節(jié)，從而使得特定碼率下的 PSNR提高了 0.5 dB。上述研究均在JPEG XR的率失真性能提高方面有所貢獻(xiàn)，但基于人類視覺系統(tǒng)(Human Visual System, HVS)特點(diǎn)的感知域JPEG XR圖片質(zhì)量?jī)?yōu)化的研究卻鮮少見到，而這類優(yōu)化方法已經(jīng)使用于 JPEG和 JPEG2000。文獻(xiàn)[7-8]分別描述了基于 HVS特點(diǎn)的JPEG和JPEG2000編碼優(yōu)化方法。

本文利用 JPEG XR編碼標(biāo)準(zhǔn)的特點(diǎn)，根據(jù)能夠反映HVS特性的最小可覺差(Just Noticeable Difference, JND)模型提出一種自適應(yīng)量化參數(shù)(Quantization Parameter, QP)選擇算法。將該算法加入到現(xiàn)有JPEG XR編碼過程中，使量化參數(shù)根據(jù)亮度、紋理等圖像內(nèi)容進(jìn)行動(dòng)態(tài)調(diào)整，輸出壓縮圖像與用戶指定量化參數(shù)生成的壓縮圖像保持主觀質(zhì)量相同，但壓縮效率得到較大提高，實(shí)現(xiàn)JPEG XR圖像的編碼優(yōu)化。

2 JPEG XR編碼關(guān)鍵環(huán)節(jié)

JPEG XR仍是一種基于塊的混合編碼方法，與其他靜止圖像壓縮標(biāo)準(zhǔn)在高層流程上有很多相似之處，JPEG XR編碼流程見圖1。

圖1 JPEG XR編碼流程

2.1 變換過程

PEG XR最具有特色的環(huán)節(jié)之一就是系數(shù)變換。所謂的外部變換與內(nèi)部變換構(gòu)成了變換的 2個(gè)階段：第一階段的變換將一個(gè) 16×16宏塊中的像素值從空域變換到頻域，其中每個(gè)4×4塊中的交流(Alternating Current, AC)系數(shù)組成了該宏塊的高頻(High Pass, HP)系數(shù)；第二階段的變換針對(duì)每個(gè)4×4塊中的直流(Direct Current, DC)系數(shù)，這16個(gè)系數(shù)再經(jīng)過一次與第一階段相同的變換，最終組成了該宏塊的1個(gè)DC系數(shù)和1個(gè)低頻(Low Pass, LP)系數(shù)。各階段的變換又可分為預(yù)濾波與核心變換。預(yù)濾波是可選的，其作用在于消除塊效應(yīng)及振鈴效應(yīng)，核心變換是一種類似于離散余弦變換(Discrete Cosine Transform, DCT)的變換。預(yù)濾波與核心變換結(jié)合在一起就構(gòu)成了雙正交疊式變換(Lapped Biorthogonal Transform, LBT)，該變換被證明可以有效地消除塊效應(yīng)[9]，從而提高視覺質(zhì)量。

2.2 量化過程

與對(duì)預(yù)測(cè)后的殘差進(jìn)行變換和量化的H.264標(biāo)準(zhǔn)不同，JPEG XR直接對(duì)變換系數(shù)進(jìn)行量化，因此從理論上說，一個(gè)宏塊的量化誤差并不會(huì)對(duì)使用該宏塊進(jìn)行預(yù)測(cè)的其他宏塊造成影響，這為通過量化系數(shù)控制壓縮率及壓縮質(zhì)量起到了一定的簡(jiǎn)化作用。

JPEG XR的標(biāo)準(zhǔn)量化過程比較靈活。不同的圖像區(qū)域、色彩通道各自擁有獨(dú)立的量化參數(shù)集，每個(gè)宏塊按照所屬圖像區(qū)域及色彩通道從對(duì)應(yīng)的量化參數(shù)集中選擇自己的量化參數(shù)。一個(gè)宏塊的DC、LP、HP系數(shù)的量化參數(shù)可以不同，其中，DC系數(shù)量化參數(shù)集僅有 1個(gè)量化參數(shù)；LP、HP系數(shù)的量化參數(shù)集可分別有最多16個(gè)量化參數(shù)。量化參數(shù)的范圍為[1, 255]，1對(duì)應(yīng)的就是無損壓縮。由量化參數(shù)到量化因子的映射具體如下：

3 圖像的JND評(píng)價(jià)

JND指的是HVS可以察覺到的差異的最大閾值，在主觀圖片及視頻處理中扮演了重要角色[10]。在有關(guān)圖片的JND評(píng)價(jià)中，已經(jīng)發(fā)展出了眾多模型，這些現(xiàn)有模型基本可分為基于像素和基于子帶 2類。它們的本質(zhì)原理都是HVS的一些特性，并可以通過空域頻域變換來互相轉(zhuǎn)化。

基于像素的JND模型大多用作圖像質(zhì)量評(píng)價(jià)、運(yùn)動(dòng)估計(jì)等，由于空域的限制，該類模型一般不考慮HVS對(duì)于不同頻率成分的不同敏感度，因此不能精確地描述 HVS的特性[11]。

基于子帶的JND模型則包含了影響HVS感知的主要因素，如對(duì)比度敏感函數(shù)(Contrast Sensitivity Function, CSF)、亮度自適應(yīng)和對(duì)比度掩蓋等，該類模型大部分用來提高圖片及視頻的壓縮效率，由于主流壓縮算法大多使用DCT變化，因此基于頻帶的JND模型大多是基于DCT的，其他則基于DWT，處理使用小波變換的壓縮算法如JPEG 2000等。

在基于子帶的JND模型中，DCTune是其中發(fā)展時(shí)間較長(zhǎng)且接受度比較高的一個(gè)。該模型由NASA Ames研究中心提出，申請(qǐng)了發(fā)明專利并推出了相應(yīng)的JPEG編碼軟件。在最新的DCTune2.0中，增加了根據(jù)原始圖像評(píng)判壓縮圖像JND質(zhì)量的功能，是一種快速方便的圖像主觀質(zhì)量評(píng)價(jià)工具。

4 自適應(yīng)量化參數(shù)選擇算法

優(yōu)化圖片的壓縮編碼有 2種實(shí)現(xiàn)途徑：一種是在保持圖片碼率不變的情況下，使得解碼圖片的質(zhì)量得到增強(qiáng)；另一種是保持圖片質(zhì)量不變，減少圖片碼率。這 2種途徑本質(zhì)是相同的，都是提升壓縮圖片的率失真性能。本文主要從第 2種途徑出發(fā)，針對(duì)控制圖片質(zhì)量的量化環(huán)節(jié)，提出一種優(yōu)化算法，其框圖如圖2所示。

圖2 自適應(yīng)量化參數(shù)選擇算法框圖

4.1 依據(jù)HVS特性的宏塊分類

4.1.1 分類要素

對(duì)于無色度圖像來說，像素的JND可以用式(2)的非線性模型[12]來近似描述：

其中，x、y分別為像素的橫、縱坐標(biāo)；Tl為與背景亮度有關(guān)的可視閾值；Tt是與圖像紋理掩膜效應(yīng)有關(guān)的可視閾值；Cly是兩者的疊加效應(yīng)系數(shù)。

可見，主要有2個(gè)因素影響每個(gè)像素的視覺感知閾值：(1)像素所處區(qū)域的平均背景亮度；(2)像素所處區(qū)域的紋理情況。

人眼在不同亮度下的感知閾值呈近似的拋物線：在中等亮度下，閾值最低，差異最容易被感知；在極暗和極亮的亮度下，閾值較高，差異不容易被感知，該曲線如式(3)所示[12]：

其中，I為背景平均亮度。

同樣地，圖像紋理也可以用一個(gè)因子來表示，該因子與像素亮度的鄰域梯度和邊緣權(quán)重有關(guān)，如式(4)所示[12]：

其中，β為調(diào)整因子；G為該像素4鄰域最大梯度；W為邊緣權(quán)重?？梢姡搜蹖?duì)于平坦光滑區(qū)域和圖像中邊緣附近的差異較容易覺察，對(duì)于復(fù)雜紋理區(qū)域的差異察覺閾值則較高。

基于上述HVS特性可知，若想保持圖片的主觀質(zhì)量不變而提高壓縮率，則要對(duì)更少的碼率進(jìn)行合理分配。針對(duì)亮度自適應(yīng)因子，應(yīng)在中等亮度區(qū)域分配較多的碼率，而在暗區(qū)和亮區(qū)分配較少的碼率；針對(duì)紋理應(yīng)在平滑區(qū)域和邊緣區(qū)域分配較多碼率，而在復(fù)雜紋理區(qū)域分配較少碼率。為此，必須首先準(zhǔn)確地判斷圖像區(qū)域特性。最簡(jiǎn)單直接的方法就是在空域直接求上述屬性的值。如對(duì)于平均亮度，只要求區(qū)域內(nèi)像素亮度的平均值即可；求背景亮度的非均勻性，則相當(dāng)于求區(qū)域內(nèi)像素亮度的均方差。但在JPEG XR圖像壓縮過程中，上述空域處理屬于額外步驟，會(huì)占用一定的編碼資源，更好的方法是利用壓縮過程中的變量來進(jìn)行判斷。

4.1.2 基于變換系數(shù)的圖像亮度與紋理分析

雖然LBT并不等同于DCT，但其系數(shù)在頻域的意義是近似的。在亮度通道中，DC系數(shù)仍然代表宏塊中像素亮度的平均值，所以，可以用宏塊的 DC系數(shù)根據(jù)閾值來判斷宏塊的亮度類型；同理，AC系數(shù)可以反映宏塊的紋理情況，具有復(fù)雜紋理的宏塊區(qū)域有較高能量的AC系數(shù)。

表1表示LBT變換系數(shù)與圖像亮度、紋理的對(duì)應(yīng)關(guān)系。

表1 LBT變換系數(shù)與圖像亮度、紋理的對(duì)應(yīng)關(guān)系

對(duì)于每個(gè)宏塊僅有的1個(gè)DC系數(shù)，只要直接判斷其值即可；對(duì)于每個(gè)宏塊含有多個(gè)的 LP、HP系數(shù)，通過大于一定閾值的LP、HP系數(shù)個(gè)數(shù)衡量LP與HP系數(shù)的大?。?/p>

LP_num為當(dāng)前宏塊中大于LP系數(shù)閾值的LP系數(shù)個(gè)數(shù)，LP系數(shù)閾值設(shè)為100。

HP_num為當(dāng)前宏塊中大于HP系數(shù)閾值的HP系數(shù)個(gè)數(shù)，HP系數(shù)閾值設(shè)為134。

4.1.3 圖像中邊緣區(qū)域的檢測(cè)

實(shí)際上，并不是所有的高能量AC系數(shù)區(qū)域均為復(fù)雜紋理區(qū)域，邊緣區(qū)域也會(huì)有較高能量的AC系數(shù)。判斷邊緣區(qū)域的關(guān)鍵在于從LP系數(shù)較大的區(qū)域中排除粗紋理區(qū)域，即將具有較大 HP系數(shù)的區(qū)域排除。還有一種需要考慮的情況，就是在紋理區(qū)域中出現(xiàn)邊緣，則因?yàn)榫哂休^大HP系數(shù)的區(qū)域已被排除，該邊緣不會(huì)被檢測(cè)到。補(bǔ)償?shù)姆椒ㄊ怯?jì)算每個(gè)宏塊HP系數(shù)與相鄰宏塊HP系數(shù)的能量差，該差大于一定的閾值代表紋理中可能有邊緣。綜上所述，一個(gè)宏塊滿足以下任意一個(gè)條件即為邊緣宏塊：

其中，邊緣閾值EDGE_TH為2；HP系數(shù)差閾值HP_DIFF_TH為100；HP_num_diff為當(dāng)前宏塊相鄰宏塊(包括上邊宏塊和左邊宏塊)中大于HP系數(shù)閾值的HP系數(shù)個(gè)數(shù)，由式(8)計(jì)算得到：

圖 3展示了根據(jù)變換系數(shù)檢測(cè)邊緣的效果，可見，該方法能夠準(zhǔn)確檢測(cè)出大部分的清晰邊緣。

圖3 邊緣檢測(cè)效果

4.1.4 基于亮度和紋理的宏塊分類

本文將宏塊分為 6類，并根據(jù)變換系數(shù)判斷宏塊所屬類型，具體分類方法如表2所示。根據(jù)LBT變換關(guān)系，其中，亮度閾值分別為?6000和4000。利用該分類方法對(duì)實(shí)驗(yàn)圖片中的宏塊進(jìn)行分類情況如圖4所示。

?

圖4 宏塊分類效果

4.2 量化參數(shù)計(jì)算

目前ITU-T發(fā)布的JPEG XR圖像編碼系統(tǒng)參考軟件尚無碼率控制功能，量化參數(shù)完全取決于用戶的輸入?yún)?shù)。缺省模式為使用統(tǒng)一量化參數(shù)模式并只輸入一個(gè)固定量化參數(shù)值作為整幅圖片各個(gè)色彩通道及各個(gè)宏塊的量化參數(shù)。這樣一幅圖片的率失真性能就是該量化參數(shù)值的函數(shù)。本文改進(jìn)了這種單一量化參數(shù)的編碼方法，由缺省量化參數(shù)值計(jì)算出實(shí)際的量化參數(shù)集。

4.2.1 量化參數(shù)的個(gè)數(shù)

JPEG XR的DC、LP、HP 3種頻帶系數(shù)對(duì)碼率及圖像質(zhì)量的貢獻(xiàn)有所不同。文獻(xiàn)[13]在統(tǒng)一量化參數(shù)模式下分析Lena圖壓縮碼流中不同頻帶的碼率情況，得到如下碼率比：

無論是對(duì)碼率比的分析還是實(shí)驗(yàn)均表明，當(dāng)量化參數(shù)改變量相同時(shí)，對(duì)HP系數(shù)量化參數(shù)的修改會(huì)使碼率發(fā)生最大變化；而對(duì) DC系數(shù)量化參數(shù)的修改則變化相對(duì)不大。因此，如果要大幅度調(diào)整碼率，應(yīng)改變HP系數(shù)的量化參數(shù)值；如果要調(diào)整圖片質(zhì)量同時(shí)保持一定范圍內(nèi)的碼率，則應(yīng)改變DC系數(shù)和LP系數(shù)的量化參數(shù)值。因此，需要將LP系數(shù)和HP系數(shù)的量化參數(shù)集合進(jìn)行擴(kuò)充。

量化參數(shù)集合并不是越大越好。原因主要有：每個(gè)宏塊為了表示自身的量化參數(shù)，需要在碼流中加入自身量化參數(shù)在量化參數(shù)集合中的序號(hào)。一個(gè)宏塊的碼率與量化參數(shù)集的關(guān)系[13]如式(10)所示：

其中，R為該宏塊的碼率；m為宏塊序號(hào)；q為量化系數(shù)；S為量化參數(shù)集；δ為選擇某個(gè)量化系數(shù)或某種量化參數(shù)集的概率；μ為沒有選擇缺省量化系數(shù)的懲罰因子。從式(10)可見若量化參數(shù)集過大，則量化參數(shù)集本身就增大了碼率；同時(shí)，如果選擇量化參數(shù)集中排序靠后的量化系數(shù)，則要用更多的比特來表示這個(gè)量化系數(shù)的序號(hào)，就比排序靠前的量化系數(shù)更加耗費(fèi)碼率。

JPEG XR標(biāo)準(zhǔn)規(guī)定，相鄰宏塊之間的系數(shù)預(yù)測(cè)僅能在量化參數(shù)相同的情況下進(jìn)行。量化參數(shù)的個(gè)數(shù)過多會(huì)導(dǎo)致相鄰宏塊之間量化參數(shù)相同的概率減小，也就減少了系數(shù)預(yù)測(cè)發(fā)生的次數(shù)，從而增加碼率。

綜上所述，本文算法實(shí)際使用的量化參數(shù)集合為：

(1)DC量化參數(shù)集：{DC_QP}；

(2)LP量化參數(shù)集：{LP_QP_1, LP_QP_2}；

(3)HP量化參數(shù)集：{HP_QP_1, HP_QP_2, HP_QP_3}。

4.2.2 基于缺省量化參數(shù)的實(shí)際量化參數(shù)計(jì)算

按照如下步驟計(jì)算實(shí)際量化參數(shù)：

(1)根據(jù)式(1)計(jì)算用戶輸入的缺省量化參數(shù)對(duì)應(yīng)的缺省量化因子，用default_factor表示。

(2)根據(jù)式(11)分別計(jì)算各頻帶系數(shù)的實(shí)際量化因子。

(3)根據(jù)式(1)對(duì)各個(gè)量化因子反推出對(duì)應(yīng)的量化系數(shù)。

4.3 量化參數(shù)與宏塊類型的對(duì)應(yīng)關(guān)系

對(duì)于不同類型的宏塊，從量化參數(shù)集中選擇各個(gè)頻帶系數(shù)對(duì)應(yīng)的量化參數(shù)，具體對(duì)應(yīng)關(guān)系如表3所示。

表3 不同宏塊類型對(duì)應(yīng)的各頻帶量化參數(shù)

根據(jù)選擇每種量化參數(shù)的宏塊數(shù)，對(duì)量化參數(shù)在集合中的順序進(jìn)行排序，使對(duì)應(yīng)宏塊數(shù)較多的量化參數(shù)在前面，并使每個(gè)集合中對(duì)應(yīng)宏塊數(shù)最多的量化參數(shù)為該頻帶缺省量化參數(shù)。這樣使得耗費(fèi)在宏塊量化信息上的碼率最小。

4.4 算法整體流程

本文提出的自適應(yīng)量化參數(shù)選擇算法整體流程見圖5。

圖5 自適應(yīng)量化參數(shù)選擇算法流程

5 實(shí)驗(yàn)結(jié)果與分析

在ITU-T發(fā)布的JPEG XR圖像編碼系統(tǒng)參考軟件版本1.8(JPEG XR image coding system-Reference software 1.8)中，本文加入了上述自適應(yīng)量化參數(shù)選擇算法，選取多張標(biāo)準(zhǔn)實(shí)驗(yàn)圖片，分別用原始的固定量化參數(shù)算法與本文算法在不同的輸入量化系數(shù)下對(duì)它們進(jìn)行編碼。對(duì)輸出的壓縮圖片用DCTune2.0計(jì)算其主觀質(zhì)量誤差。

5.1 JND一致性

首先測(cè)試本文算法對(duì)圖片JND的保持性能，即在相同的輸入量化參數(shù)下，采用本文算法得到的圖片主觀質(zhì)量與原始算法的圖片主觀質(zhì)量應(yīng)基本保持一致。圖6和圖7顯示了2幅實(shí)驗(yàn)圖片在不同輸入量化參數(shù)下的JND曲線。

圖6 Lena圖JND曲線

圖7 Baboon圖JND曲線

從曲線的重合程度可以看到，原始算法和本文算法的JND曲線基本重合，可見本文算法能夠保持相同輸入量化參數(shù)下的主觀質(zhì)量。

5.2 碼率對(duì)比

對(duì)同一幅測(cè)試圖片比較相同 DCTune主觀質(zhì)量誤差下同一幅原始圖片的不同壓縮版本的碼率大小，結(jié)果如表 4和表5所示。

表4 相同DCTune主觀質(zhì)量誤差下的Lena碼率對(duì)比

表5 相同DCTune主觀質(zhì)量誤差下的Baboon碼率對(duì)比

從表4、表5可看出，雖然2幅圖片的原始?jí)嚎s率有較大差別，但在各檔次的 DCTune主觀質(zhì)量誤差上，利用本文算法得到的圖片碼率均小于利用原始算法得到的圖片碼率。

5.3 壓縮效率提升

本文從實(shí)驗(yàn)圖片中選取了多幅具有代表性的典型圖片，繪制了如圖 8所示的在本文算法下不同圖片的壓縮效率提升百分比。壓縮效率提升的計(jì)算公式如式(12)所示，其中，Bo和Bn分別代表原始算法碼率和本文算法碼率。

圖8 典型圖片的壓縮效率提升

通過對(duì)圖8進(jìn)行分析可得出如下結(jié)論：

(1)從曲線的走勢(shì)看出本文算法優(yōu)化的趨勢(shì)為，在主觀質(zhì)量誤差較小，即圖片壓縮比較小的情況下，壓縮效率相對(duì)提升不大；隨著圖片壓縮比的增加，壓縮效率提升變得明顯，最大可達(dá) 10%；當(dāng)圖片壓縮比進(jìn)一步增大，壓縮效率提升又逐漸減小?？梢姳疚乃惴▽?duì)于中等壓縮比的圖片具有較好的壓縮效率提升效果。

(2)從不同曲線的對(duì)比看出，本文算法對(duì)于Peppers這類具有較多的中頻成分，Lena這樣紋理與邊緣分布均勻、亮度適中的圖片，以及Cameraman這樣包含較多平滑區(qū)域的圖片具有較好的優(yōu)化效果，但對(duì)Baboon這樣具有大量高頻成分、紋理細(xì)節(jié)豐富的圖片以及Goldhill這類整體圖片較暗的優(yōu)化效果稍差，原因是本文算法減少了占這類圖絕大部分面積的復(fù)雜紋理區(qū)域或低亮度區(qū)域的碼率分配。

在測(cè)試程序運(yùn)行時(shí)間時(shí)發(fā)現(xiàn)，本文算法復(fù)雜度較低，加入自適應(yīng)量化參數(shù)選擇步驟后，相對(duì)于原始編碼流程增加的軟件運(yùn)行時(shí)間幾乎可以忽略。

6 結(jié)束語(yǔ)

本文將基于HVS感知特點(diǎn)的主觀質(zhì)量評(píng)價(jià)引入JPEG XR圖像編碼過程中，在保持壓縮圖像主觀質(zhì)量不變的前提下，利用自適應(yīng)量化參數(shù)選擇算法使壓縮效率得到最高10%的提升。該算法不僅可應(yīng)用在顯微鏡、照相機(jī)、醫(yī)學(xué)影像儀器、視頻監(jiān)控系統(tǒng)等多種系統(tǒng)中，還為JPEG XR圖像的主觀質(zhì)量提升提供了一種新的思路。今后的主要研究方向除了進(jìn)一步提高優(yōu)化壓縮比并解決部分特殊圖片壓縮效率提升較低的問題，更重要的是擴(kuò)展本文算法在運(yùn)動(dòng)JPEG XR編碼標(biāo)準(zhǔn)中的應(yīng)用，使其在視頻編碼中發(fā)揮作用。

[1]Srinivasan S, Tu Chengjie, Regunathan S L, et al.HD Photo: A New Image Coding Technology for Digital Photography[C]//Proc.of SPIE Optics and Photonics, Applications of Digital Image Processing XXX.San Diego, USA: SPIE Press, 2007.

[2]Dufaux F, Sullivan G J, Ebrahimi T.The JPEG XR Image Coding Standard[J].IEEE Signal Processing Magazine, 2009,26(6): 195-199.

[3]Tran T D, Liu Lijie, Topiwala P.Performance Comparison of Leading Image Codecs: H.264/AVC Intra, JPEG2000, and Microsoft HD Photo[C]//Proc.of SPIE Optics and Photonics,Applications of Digital Image Processing XXX.San Diego,USA: SPIE Press, 2007.

[4]Schonberg D, Sun Shijun, Sullivan G J, et al.Techniques for Enhancing JPEG XR/HD Photo Rate-distortion Performance for Particular Fidelity Metrics[C]//Proc.of SPIE Optics and Photonics, Applications of Digital Image Processing XXXI.San Diego, USA: SPIE Press, 2008.

[5]Schonberg D, Sullivan G J, Sun Shijun, et al.Perceptual Encoding Optimization for JPEG XR Image Coding Using Spatially Adaptive Quantization Step Size Control[C]//Proc.of SPIE Optics and Photonics, Applications of Digital Image Processing XXXII.San Diego, USA: SPIE Press, 2009.

[6]Gao Yu, Chan Duncan, Liang Jie.JPEG XR Optimization with Graph-based Soft decision Quantization[C]//Proc.of the 18th IEEE International Conference on Image Processing.Brussels,Belgium: IEEE Signal Processing Society, 2011.

[7]Tong H H Y, Venetsanopoulos A N.A Perceptual Model for JPEG Applications Based on Block Classification, Texture Masking, and Luminance Masking[C]//Proc.of the 18th IEEE International Conference on Image Processing.Chicago, USA:IEEE Signal Processing Society, 1998.

[8]江東明.視覺模型在JPEG2000中的應(yīng)用研究[J].計(jì)算機(jī)工程, 2003, 29(4): 130-131.

[9]Malvar H S.Lapped Transforms for Transform Coding with Reduced Blocking and Ringing Artifacts[J]. IEEE Transactions on Signal Processing, 1998, 46(4): 1043-1053.

[10]Jia Yuting, Lin Weisi, Kassim A A.Estimating Just-noticeable Distortion for Video[J].IEEE Transactions on Circuits and Systems for Video Technology, 2006, 16(7): 820- 829.

[11]Ma Lin, King N N, Zhang Fan, et al.Adaptive Block-size Transform Based Just-Noticeable Difference Model for Images/Videos[J].Signal Processing: Image Communication,2011, 26(3): 162-174.

[12]Yang Xiaokang, Ling W S, Lu Z K, et al.Just Noticeable Distortion Model and Its Applications in Video Coding[J].Signal Processing: Image Communication, 2005, 20(7): 662- 680

[13]Richter T.Spatial Constant Quantization in JPEG XR is Nearly Optimal[C]//Proc.of 2010 Data Compression Conference.Snowbird, USA: [s.n.], 2010.