專利名稱：：基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法
技術(shù)領(lǐng)域：
：本發(fā)明是一種對(duì)傳輸過(guò)程中出現(xiàn)誤碼的解碼視頻或圖像進(jìn)行恢復(fù)的技術(shù)，屬于視頻通信中的差錯(cuò)控制
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：在無(wú)線、因特網(wǎng)等易發(fā)生誤碼的網(wǎng)絡(luò)環(huán)境中，視頻傳輸面臨著巨大的挑戰(zhàn)。目前的壓縮編碼標(biāo)準(zhǔn)對(duì)信息的處理主要采用基于塊的預(yù)測(cè)編碼和變長(zhǎng)編碼技術(shù)，壓縮后的碼流對(duì)傳輸錯(cuò)誤十分敏感。如果碼流在傳輸中出現(xiàn)錯(cuò)誤，會(huì)使得解碼器無(wú)法正確解碼或者產(chǎn)生錯(cuò)誤傳播，嚴(yán)重影響視頻的重建質(zhì)量，因此有必要采用差錯(cuò)控制技術(shù)。視頻差錯(cuò)控制技術(shù)大致分為兩類一類是傳統(tǒng)的前向糾錯(cuò)(FEC)和自動(dòng)重傳(ARQ)等技術(shù)，以保證通信過(guò)程盡可能無(wú)損為目的；另一類是解碼端的差錯(cuò)恢復(fù)技術(shù)，盡可能減輕誤碼所產(chǎn)生的影響?；诮獯a端的差錯(cuò)處理技術(shù)不會(huì)對(duì)編碼器作任何要求，也不需要增加編碼冗余度，因此不會(huì)增加通信的傳輸負(fù)擔(dān)。采用該類方法時(shí)，解碼器試圖用主觀可以接受的、近似原始質(zhì)量的數(shù)據(jù)來(lái)掩蓋受損的數(shù)據(jù)，而不需要從編碼端再獲得額外信息。這就使得差錯(cuò)掩蓋技術(shù)不會(huì)像FEC那樣消耗額外的帶寬，也不會(huì)像ARQ那樣引入重傳而帶來(lái)時(shí)延。由于該方法是在解碼過(guò)程中利用已經(jīng)正確接收的信息來(lái)恢復(fù)出現(xiàn)誤碼的數(shù)據(jù)，因此屬于視頻解碼后處理技術(shù)。這類方法原則上對(duì)任何圖像編解碼格式和標(biāo)準(zhǔn)都適用，所以應(yīng)用范圍很廣。空域差錯(cuò)掩蓋算法中最基本的三種算法是雙線性插值、方向插值以及鄰近塊匹配。雙線性插值算法使用丟失塊的外圍邊界像素點(diǎn)采用雙線性插值的方式來(lái)獲得丟失的像素值，該方法簡(jiǎn)單快速，適用于平滑區(qū)域的恢復(fù)。對(duì)具有單一邊緣的丟失塊進(jìn)行雙線性插值會(huì)造成邊緣的模糊，此時(shí)適合采用方向插值，也就是沿著邊緣方向進(jìn)行插值。而對(duì)于具有復(fù)雜紋理的丟失塊來(lái)說(shuō)，在采用雙線性插值及方向插值算法都不太理想的情況下，采用鄰近塊匹配算法可以獲得相對(duì)較好的效果，由于像素在空間上或多或少具有一定的相似性，因此采用丟失塊外圍幾圈像素作為匹配區(qū)域在一個(gè)較近的空間范圍進(jìn)行搜索，尋找一個(gè)最佳匹配的塊作為丟失塊的內(nèi)容。近年來(lái)，空域差錯(cuò)掩蓋方法的研究逐步轉(zhuǎn)變?yōu)槿绾卧谌N算法中進(jìn)行自適應(yīng)選擇，通常稱為模式選擇過(guò)程。就空域掩蓋而言，一般需要根據(jù)已正確接收的鄰近塊的先驗(yàn)知識(shí)，判斷丟失塊的內(nèi)容是平滑塊、邊緣塊還是紋理塊，以便采用合適的方式進(jìn)行掩蓋。由于語(yǔ)言本身所具有的模糊性，基于語(yǔ)言描述的集合(比如平滑、邊緣和紋理)很容易刻畫(huà)為模糊集。目前出現(xiàn)的模式選擇方法均采用硬判決，即用于判決的參數(shù)是通過(guò)經(jīng)驗(yàn)預(yù)先設(shè)定。由于不同圖像之間的差異性，一個(gè)固定的閾值很難適用于所有的圖像。此時(shí)，利用模糊集的概念來(lái)描述模式選擇過(guò)程顯得比較合理。類似的方法在模糊圖像處理算法中具有廣泛應(yīng)用，其關(guān)鍵在于尋找能夠合理描述丟失塊內(nèi)容的因素集以及隸屬度函數(shù)。
發(fā)明內(nèi)容技術(shù)問(wèn)題本發(fā)明的目的是提出一種基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法，該方法可對(duì)丟失塊內(nèi)容進(jìn)行更為準(zhǔn)確客觀的判斷，從而更好地實(shí)現(xiàn)對(duì)誤碼視頻或圖像的恢復(fù)。技術(shù)方案本發(fā)明的基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法是分析由丟失塊及其鄰塊所組成的局部圖像，提取出多個(gè)可以反映該區(qū)域局部紋理分布的特征；由這些圖像特征根據(jù)對(duì)實(shí)際情況的經(jīng)驗(yàn)分析設(shè)計(jì)出相應(yīng)的模糊規(guī)則，依據(jù)構(gòu)造出的模糊規(guī)則采用模糊推理方法對(duì)丟失塊的內(nèi)容進(jìn)行估計(jì)，分別計(jì)算出丟失塊對(duì)于平滑塊、邊緣塊以及紋理塊三種塊類型的隸屬度；采用最大隸屬度值所對(duì)應(yīng)的塊類型作為丟失塊內(nèi)容的估計(jì)，當(dāng)判斷丟失塊為平滑塊時(shí)采用雙線性內(nèi)插算法，為邊緣塊時(shí)采用方向插值算法，為紋理塊時(shí)采用鄰近塊匹配算法，從而實(shí)現(xiàn)基于丟失塊內(nèi)容的自適應(yīng)差錯(cuò)掩蓋；該方法主要包括以下四個(gè)方面1)圖像特征的提取首先需要對(duì)該局部圖像進(jìn)行邊緣檢測(cè)，獲取0180度之間8個(gè)方向的邊緣分布，計(jì)算出方向熵；在邊緣檢測(cè)過(guò)程中通過(guò)設(shè)置合適的閾值，統(tǒng)計(jì)丟失塊鄰塊中的邊緣點(diǎn)個(gè)數(shù)；2)模糊規(guī)則的設(shè)計(jì)模糊規(guī)則的設(shè)定主要是依據(jù)實(shí)際經(jīng)驗(yàn)，分析圖像特征之間的聯(lián)系對(duì)于塊類型判斷的影響，在絕大多數(shù)情況下，方向熵小表明紋理分布較為簡(jiǎn)單，該局部圖像中較大可能具有明顯的一到兩條邊緣；邊緣點(diǎn)個(gè)數(shù)較少說(shuō)明該區(qū)域較為平滑，而數(shù)目特別多的時(shí)候則表明該區(qū)域的紋理偏向于復(fù)雜，對(duì)于紋理塊就可以構(gòu)造"如果方向熵很大，而且邊緣點(diǎn)個(gè)數(shù)很多，則丟失塊為紋理塊的可能性很大"之類的模糊規(guī)則；3)依據(jù)模糊規(guī)則進(jìn)行推理將提取出的特征作為模糊推理的輸入變量，將丟失塊隸屬于某種塊類型的程度作為輸出變量，并在其各自的論域中構(gòu)造出多個(gè)模糊集，模糊集的構(gòu)造主要取決于隸屬度函數(shù)的定義，一般可以定義為三角型隸屬度函數(shù)，為了描述輸入輸出變量的模糊性，在論域上分別定義了"很大"、"一般"、"很小"三個(gè)模糊集，模糊推理的輸出是對(duì)所有模糊規(guī)則輸出的模糊集合進(jìn)行綜合的結(jié)果，即每個(gè)輸出變量的隸屬度函數(shù)表示，為了得到具體的判斷結(jié)果，必須采用重心法進(jìn)行去模糊化，也就是要分別計(jì)算出丟失塊對(duì)于三種塊類型的隸屬程度；4)最終掩蓋結(jié)果的獲取通過(guò)執(zhí)行模糊推理過(guò)程，可以獲得丟失塊對(duì)應(yīng)于三種塊類型的隸屬程度，為了實(shí)現(xiàn)自適應(yīng)差錯(cuò)掩蓋，較為基本的方式是采用最大隸屬度原則，選擇最大隸屬度值所對(duì)應(yīng)的塊類型作為丟失塊內(nèi)容的估計(jì)，進(jìn)而采用對(duì)應(yīng)的掩蓋算法進(jìn)行恢復(fù)；而另一種方式則是模糊地看待塊類型判斷過(guò)程，認(rèn)為丟失塊同時(shí)隸屬于三種塊類型，模糊推理過(guò)程中計(jì)算得到的隸屬度值為丟失塊內(nèi)容隸屬于某種塊類型的隸屬程度，因此將得到的三個(gè)隸屬度值作為權(quán)值，對(duì)三種塊類型各自對(duì)應(yīng)掩蓋算法的結(jié)果進(jìn)行加權(quán)平均來(lái)獲得最終結(jié)果。提取出能夠反映該局部圖像紋理分布的特征，主要為計(jì)算方向熵，統(tǒng)計(jì)該區(qū)域中的邊緣點(diǎn)數(shù)目或者計(jì)算丟失塊附近區(qū)域的方差；在獲得這些特征之后，利用這些特征設(shè)計(jì)符合大多數(shù)實(shí)際情況的模糊規(guī)則，非常典型的一條規(guī)則就是"如果方向熵很小且邊緣點(diǎn)數(shù)目一般，則丟失塊很可能為邊緣塊"；之后采用模糊推理方法估計(jì)丟失塊內(nèi)容，就是將提取出的特征作為輸入變量，將丟失塊屬于某種塊類型的程度作為輸出變量，然后在其各自的論域上構(gòu)造諸如"很大"、"一般"、"很小"之類的模糊集來(lái)描述輸入輸出變量在塊內(nèi)容估計(jì)過(guò)程中的模糊性，依托于構(gòu)造出的模糊規(guī)則進(jìn)行推理，并通過(guò)重心法計(jì)算出丟失塊對(duì)于三種塊類型的隸屬程度；最終的差錯(cuò)掩蓋方式可以采用最基本的最大隸屬度原則，選擇具有最大隸屬度值的塊類型作為丟失塊內(nèi)容的估計(jì)來(lái)實(shí)現(xiàn)自適應(yīng)的差錯(cuò)掩蓋，或者模糊地看待差錯(cuò)掩蓋問(wèn)題，將丟失塊對(duì)于塊類型的隸屬度值作為權(quán)值對(duì)三種類型各自的掩蓋效果進(jìn)行加權(quán)平均來(lái)得到最終的結(jié)果。有益效果1.通過(guò)對(duì)多個(gè)表征圖像局部的特征進(jìn)行分析可以更準(zhǔn)確客觀地對(duì)丟失塊的內(nèi)容進(jìn)行判斷，相比采用單一特征進(jìn)行判別更具優(yōu)勢(shì)。2.對(duì)塊內(nèi)容的劃分情況可視為模糊判決過(guò)程，采用模糊推理方法對(duì)多個(gè)特征進(jìn)行綜合分析顯得比較合理，比采用固定閾值進(jìn)行劃分也更為準(zhǔn)確。3.由于模糊推理的結(jié)果是對(duì)應(yīng)于三種塊類型描述的隸屬度值，這些隸屬度值表征了丟失塊隸屬于某種塊類型的程度，可以作為權(quán)值來(lái)對(duì)掩蓋結(jié)果進(jìn)行模糊加權(quán)平均。圖l是邊緣檢測(cè)圖2是輸入變量圖3是輸入變量圖4是輸出變量圖5是模糊輸出圖6是流程圖。區(qū)域，"方向熵"及其模糊集定義，"邊緣點(diǎn)數(shù)"及其模糊集定義，"丟失塊為平滑塊的可能性"模糊事件及其模糊集定義，"丟失塊為平滑塊的可能性"的推理示意圖，具體實(shí)施例方式首先對(duì)由丟失塊的所有鄰塊組成的區(qū)域進(jìn)行分析，通過(guò)在選定的區(qū)域中進(jìn)行邊緣檢測(cè)提取用于表征該局部圖像特征的方向熵，以及計(jì)算表征該區(qū)域平滑特性的邊緣點(diǎn)數(shù)目。然后根據(jù)這些圖像特征采用模糊推理方法對(duì)丟失塊的內(nèi)容進(jìn)行估計(jì)，模糊推理的結(jié)果是該圖像區(qū)域?qū)?yīng)于某種塊類型(平滑塊、邊緣塊以及紋理塊)的隸屬度值，表征了丟失塊內(nèi)容估計(jì)這一過(guò)程的模糊性。最后，可以將最大隸屬度值所對(duì)應(yīng)的塊類型描述作為丟失塊內(nèi)容的估計(jì)，并通過(guò)其對(duì)應(yīng)的掩蓋算法進(jìn)行掩蓋；或者模糊地看待該問(wèn)題，認(rèn)為丟失塊在某種程度上隸屬于多個(gè)模糊集，將模糊推理的結(jié)果作為權(quán)值對(duì)三種掩蓋算法各自恢復(fù)的結(jié)果進(jìn)行加權(quán)平均。基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法能夠?qū)G失塊內(nèi)容進(jìn)行更為準(zhǔn)確客觀的判斷。通常，丟失塊的內(nèi)容可以大致分為平滑塊、邊緣塊以及紋理塊。這三個(gè)術(shù)語(yǔ)本身就屬于自然語(yǔ)言，因此可以用模糊集來(lái)對(duì)其進(jìn)行描述。模糊推理的結(jié)果是丟失塊分別對(duì)應(yīng)于這三種塊類型的隸屬度值，也就是描述了丟失塊對(duì)于這三個(gè)術(shù)語(yǔ)的隸屬程度。下面介紹基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法的四個(gè)具體步驟1)局部圖像特征的提取在本方法中，需要提取兩個(gè)圖像特征用于模糊推理。第一個(gè)要提取的圖像特征是方向熵，方向熵可以反映局部圖像中邊緣分布的散布情況。首先對(duì)丟失塊的所有鄰塊中的像素進(jìn)行邊緣檢測(cè)(通常采用Sobel算子，邊緣檢測(cè)范圍如圖l所示)，獲取0180度之間8個(gè)方向的邊緣強(qiáng)度esi，i=1，...，8，然后根據(jù)6式(1)和(2)計(jì)算出方向熵!L"s=Z:=ies,(1)7^=-J]二("，/"Jlog2(M,/e&)(2)當(dāng)各方向的邊緣強(qiáng)度相等時(shí)，即該局部圖像中邊緣分布十分復(fù)雜，方向熵的值最大(其值為3)。方向熵越小，表明丟失塊中的邊緣走向越明顯。第二個(gè)需要提取的特征是邊緣檢測(cè)區(qū)域中邊緣點(diǎn)數(shù)目。在邊緣檢測(cè)過(guò)程中，可以同時(shí)計(jì)算各個(gè)像素的梯度幅值，設(shè)置一個(gè)合適的閾值(一般為5080之間)。大于該閾值的像素點(diǎn)被認(rèn)為是邊緣上的像素點(diǎn)。在平滑區(qū)域中，邊緣點(diǎn)數(shù)目幾乎為O;在紋理區(qū)域中由于邊緣分布十分復(fù)雜，因此邊緣點(diǎn)數(shù)目相對(duì)較多；而在具有明顯邊緣的區(qū)域中，關(guān)于邊緣點(diǎn)數(shù)目的情況正好處于前兩者之間。2)模糊規(guī)則的設(shè)計(jì)已提取的兩個(gè)特征能夠基本反映該局部圖像內(nèi)的邊緣分布情況，因此被用來(lái)估計(jì)丟失塊的內(nèi)容。模糊推理過(guò)程主要是根據(jù)經(jīng)驗(yàn)，設(shè)計(jì)出多個(gè)模糊規(guī)則(IF-THEN規(guī)則)，通過(guò)合理地定義各模糊集的隸屬度函數(shù)來(lái)實(shí)現(xiàn)模糊推理。根據(jù)提取的特征對(duì)估計(jì)丟失塊的內(nèi)容進(jìn)行模糊推理，針對(duì)三種塊類型描述的最典型的三條模糊規(guī)則分別可以寫成IF方向熵"一般"AND邊緣點(diǎn)數(shù)目"很少"THEN丟失塊為平滑塊的可能性"很大"IF方向熵"很小"AND邊緣點(diǎn)數(shù)目"一般"THEN丟失塊為邊緣塊的可能性"很大"IF方向熵"很大"AND邊緣點(diǎn)數(shù)目"很多"THEN丟失塊為紋理塊的可能性"很大"因此，模糊推理的輸入變量為"方向熵"以及"邊緣點(diǎn)數(shù)"；三個(gè)輸出模糊變量分別為"丟失塊為平滑塊的可能性"、"丟失塊為邊緣塊的可能性"和"丟失塊為紋理塊的可能性"。此處術(shù)語(yǔ)中的"可能性"實(shí)際上是指"模糊性"，表明估計(jì)的丟失塊內(nèi)容隸屬于某種塊類型的程度。3)依據(jù)模糊規(guī)則進(jìn)行推理在每個(gè)輸入和輸出變量的論域中，分別可以定義三個(gè)模糊集"很小"、"一般"、"很大"用于刻畫(huà)各變量的模糊性，模糊集的定義可以采用三角型隸屬度函數(shù)。對(duì)于輸入變量"方向熵"，由于其最大值為3，所以其論域?yàn)?對(duì)于輸入變量"邊緣點(diǎn)數(shù)"，其最大值為檢測(cè)區(qū)域的所有像素?cái)?shù)目(設(shè)為PiXnJ，其論域?yàn)椤Ｃ?個(gè)輸入變量以及1個(gè)輸出變量可以構(gòu)成9條模糊規(guī)則。因此，用于涵蓋所有情況的所有27條模糊規(guī)則以及模糊集定義可歸納為輸入方向熵A，邊緣點(diǎn)數(shù)B分別在各自論域上定義三個(gè)模糊集&為"很小"，A2為"一般"，A3為"很大"(如圖2所示)B工為"很小"，B2為"一般"，B3為"很大"(如圖3所示)7輸出1:丟失塊為平滑塊的可能性C在輸出變量的論域上也可定為三個(gè)模糊集d為"很大"，C2為"一般"，C3為"很小"(如圖4所示)<table>tableseeoriginaldocumentpage8</column></row><table>模糊推理的輸出是對(duì)所有模糊規(guī)則輸出的模糊集合進(jìn)行綜合的結(jié)果，即為每個(gè)輸出變量的隸屬度函數(shù)表示，如圖5中第3列所示。但是實(shí)際要求的輸出結(jié)果是要得到一個(gè)確定的數(shù)值，這就需要對(duì)模糊推理的輸出進(jìn)行去模糊化。一般采用的是重心法，其計(jì)算公式為z*=^-(3)其中，ii(z)為輸出變量的隸屬度值。4)最終掩蓋結(jié)果的獲取關(guān)于模糊輸出"丟失塊為平滑塊的可能性"的示例如圖2圖5所示。由圖可見(jiàn)，模糊推理的結(jié)果為"丟失塊是平滑塊"這一模糊事件的隸屬度值，描述了丟失塊對(duì)應(yīng)于平滑塊的隸屬程度。對(duì)于另外兩個(gè)模糊輸出，采用類似的推理過(guò)程。在獲取最終掩蓋結(jié)果的時(shí)候，可以采取兩種方式。第一種方式是較為基本的方式，即采用最大隸屬度原則，選擇最大隸屬度值所對(duì)應(yīng)的塊類型描述作為丟失塊內(nèi)容的估計(jì)，然后采用相對(duì)應(yīng)的掩蓋算法進(jìn)行恢復(fù)，也就是當(dāng)判斷丟失塊為平滑塊時(shí)采用雙線性內(nèi)插算法，為邊緣塊時(shí)采用方向插值算法，為紋理塊時(shí)采用鄰近塊匹配算法；另一種方式則是模糊地看待這一過(guò)程，認(rèn)為丟失塊同時(shí)隸屬于三種塊類型，模糊推理過(guò)程中計(jì)算得到的隸屬度值為丟失塊內(nèi)容隸屬于某種塊類型的隸屬程度，將計(jì)算得到的隸屬度值作為權(quán)值，然后對(duì)分別采用的掩蓋算法的掩蓋結(jié)果進(jìn)行加權(quán)平均。9權(quán)利要求一種基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法，其特征是分析由丟失塊及其鄰塊所組成的局部圖像，提取出多個(gè)可以反映該區(qū)域局部紋理分布的特征；由這些圖像特征根據(jù)對(duì)實(shí)際情況的經(jīng)驗(yàn)分析設(shè)計(jì)出相應(yīng)的模糊規(guī)則，依據(jù)構(gòu)造出的模糊規(guī)則采用模糊推理方法對(duì)丟失塊的內(nèi)容進(jìn)行估計(jì)，分別計(jì)算出丟失塊對(duì)于平滑塊、邊緣塊以及紋理塊三種塊類型的隸屬度；采用最大隸屬度值所對(duì)應(yīng)的塊類型作為丟失塊內(nèi)容的估計(jì)，當(dāng)判斷丟失塊為平滑塊時(shí)采用雙線性內(nèi)插算法，為邊緣塊時(shí)采用方向插值算法，為紋理塊時(shí)采用鄰近塊匹配算法，從而實(shí)現(xiàn)基于丟失塊內(nèi)容的自適應(yīng)差錯(cuò)掩蓋；該方法主要包括以下四個(gè)方面1)圖像特征的提取首先需要對(duì)該局部圖像進(jìn)行邊緣檢測(cè)，獲取0～180度之間8個(gè)方向的邊緣分布，計(jì)算出方向熵；在邊緣檢測(cè)過(guò)程中通過(guò)設(shè)置合適的閾值，統(tǒng)計(jì)丟失塊鄰塊中的邊緣點(diǎn)個(gè)數(shù)；2)模糊規(guī)則的設(shè)計(jì)模糊規(guī)則的設(shè)定主要是依據(jù)實(shí)際經(jīng)驗(yàn)，分析圖像特征之間的聯(lián)系對(duì)于塊類型判斷的影響，在絕大多數(shù)情況下，方向熵小表明紋理分布較為簡(jiǎn)單，該局部圖像中較大可能具有明顯的一到兩條邊緣；邊緣點(diǎn)個(gè)數(shù)較少說(shuō)明該區(qū)域較為平滑，而數(shù)目特別多的時(shí)候則表明該區(qū)域的紋理偏向于復(fù)雜，對(duì)于紋理塊就可以構(gòu)造“如果方向熵很大，而且邊緣點(diǎn)個(gè)數(shù)很多，則丟失塊為紋理塊的可能性很大”之類的模糊規(guī)則；3)依據(jù)模糊規(guī)則進(jìn)行推理將提取出的特征作為模糊推理的輸入變量，將丟失塊隸屬于某種塊類型的程度作為輸出變量，并在其各自的論域中構(gòu)造出多個(gè)模糊集，模糊集的構(gòu)造主要取決于隸屬度函數(shù)的定義，一般可以定義為三角型隸屬度函數(shù)，為了描述輸入輸出變量的模糊性，在論域上分別定義了“很大”、“一般”、“很小”三個(gè)模糊集，模糊推理的輸出是對(duì)所有模糊規(guī)則輸出的模糊集合進(jìn)行綜合的結(jié)果，即每個(gè)輸出變量的隸屬度函數(shù)表示，為了得到具體的判斷結(jié)果，必須采用重心法進(jìn)行去模糊化，也就是要分別計(jì)算出丟失塊對(duì)于三種塊類型的隸屬程度；4)最終掩蓋結(jié)果的獲取通過(guò)執(zhí)行模糊推理過(guò)程，可以獲得丟失塊對(duì)應(yīng)于三種塊類型的隸屬程度，為了實(shí)現(xiàn)自適應(yīng)差錯(cuò)掩蓋，較為基本的方式是采用最大隸屬度原則，選擇最大隸屬度值所對(duì)應(yīng)的塊類型作為丟失塊內(nèi)容的估計(jì)，進(jìn)而采用對(duì)應(yīng)的掩蓋算法進(jìn)行恢復(fù)；而另一種方式則是模糊地看待塊類型判斷過(guò)程，認(rèn)為丟失塊同時(shí)隸屬于三種塊類型，模糊推理過(guò)程中計(jì)算得到的隸屬度值為丟失塊內(nèi)容隸屬于某種塊類型的隸屬程度，因此將得到的三個(gè)隸屬度值作為權(quán)值，對(duì)三種塊類型各自對(duì)應(yīng)掩蓋算法的結(jié)果進(jìn)行加權(quán)平均來(lái)獲得最終結(jié)果。2.根據(jù)權(quán)利要求1所述的基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋方法，其特征是提取出能夠反映該局部圖像紋理分布的特征，主要為計(jì)算方向熵，統(tǒng)計(jì)該區(qū)域中的邊緣點(diǎn)數(shù)目或者計(jì)算丟失塊附近區(qū)域的方差；在獲得這些特征之后，利用這些特征設(shè)計(jì)符合大多數(shù)實(shí)際情況的模糊規(guī)則，非常典型的一條規(guī)則就是"如果方向熵很小且邊緣點(diǎn)數(shù)目一般，則丟失塊很可能為邊緣塊";之后采用模糊推理方法估計(jì)丟失塊內(nèi)容，就是將提取出的特征作為輸入變量，將丟失塊屬于某種塊類型的程度作為輸出變量，然后在其各自的論域上構(gòu)造諸如"很大"、"一般"、"很小"之類的模糊集來(lái)描述輸入輸出變量在塊內(nèi)容估計(jì)過(guò)程中的模糊性，依托于構(gòu)造出的模糊規(guī)則進(jìn)行推理，并通過(guò)重心法計(jì)算出丟失塊對(duì)于三種塊類型的隸屬程度；最終的差錯(cuò)掩蓋方式可以采用最基本的最大隸屬度原則，選擇具有最大隸屬度值的塊類型作為丟失塊內(nèi)容的估計(jì)來(lái)實(shí)現(xiàn)自適應(yīng)的差錯(cuò)掩蓋，或者模糊地看待差錯(cuò)掩蓋問(wèn)題，將丟失塊對(duì)于塊類型的隸屬度值作為權(quán)值對(duì)三種類型各自的掩蓋效果進(jìn)行加權(quán)平均來(lái)得到最終的結(jié)果。全文摘要一種基于模糊推理的自適應(yīng)空域差錯(cuò)掩蓋算法，其特征是通過(guò)分析丟失宏塊及其鄰塊所組成的局部圖像，提取出多個(gè)可以反映該局部圖像紋理分布的特征，主要為方向熵、邊緣點(diǎn)數(shù)目或者丟失塊附近區(qū)域的方差等；根據(jù)這些圖像特征設(shè)計(jì)符合實(shí)際情況的模糊規(guī)則，并采用模糊推理方法對(duì)丟失塊的內(nèi)容進(jìn)行估計(jì)，分別計(jì)算出丟失塊對(duì)于平滑塊、邊緣塊以及紋理塊三種塊類型的隸屬度；采用最大隸屬度值所對(duì)應(yīng)的塊類型作為丟失塊內(nèi)容的估計(jì)，最后根據(jù)得到的塊內(nèi)容估計(jì)進(jìn)行內(nèi)容自適應(yīng)的空域掩蓋算法。文檔編號(hào)H04N7/64GK101707721SQ20091003549公開(kāi)日2010年5月12日申請(qǐng)日期2009年9月25日優(yōu)先權(quán)日2009年9月25日發(fā)明者唐貴進(jìn),干宗良,朱秀昌,梁國(guó)山,洪紅,蔡旻,詹學(xué)峰申請(qǐng)人:南京郵電大學(xué)