DPCM与小波变换结合的医学图像无损压缩

为了解决经典无损压缩方法效率较低的问题,提出了改善医学图像无损压缩效率的方法,并对此方法的原理和算法实现作了详细的介绍和分析.简述了医学图像无损压缩的基本步骤,对差分脉冲编码调制(DPCM)在无损压缩中的作用进行了分析和实现,并在此基础上,提出将整数小波变换与DPCM相结合的医学图像无损压缩方法.通过对比和分析实验结果可知,采用该方法进行的医学图像无损压缩具有算法简洁、压缩比高,实用性强等特点.     

基于二进神经网络的稀疏编码架构的图像无损压缩新方法

视频图像的高效无损压缩在海量的航空和遥感图像传输、珍贵的文物信息的保存等方面具有重要的应用价值,而目前的研究热点主要针对有损压缩,为此通过对现有的无损压缩方法的分析和研究,提出一种在稀疏编码与二进神经网络相结合的框架下建立新的图像无损压缩方法.首先借助二进神经网络中的线性可分结构系建立冗余字典,获得有效的稀疏分解基;再借助二进神经网络学习算法将图像映射为以线性可分结构系为神经元的二进制神经网络,在此基础上建立相应的模式匹配算法将每个神经元与冗余字典简历映射关系,通过稀疏系数建立原始图像的编码形式,进而实现了图像的无损压缩,并从理论上分析了该方法可以有效地提高压缩比,最后通过实验验证了该算法的有效性和通用性.     

基于RCT-DWT-SPIHT的彩色图像无损压缩算法研究

研究了基于RCT-DWT-SPIHT的彩色图像无损压缩算法,结果表明这一算法可以更好地完成图像的无损压缩编码.对24幅彩色国际标准测试图像的仿真实验结果表明,算法比较JP2,RAR,ZIP,PNG,TGA,PCX,TIF算法平均而言无损压缩比分别提高了7%,30%,41%,44%,62%,63%,66%左右.变换可由加法和移位完成,便于硬件实现.     

SPIHT的超光谱图像无损压缩算法

针对超光谱图像的特性及硬件实现的需要,提出了1种混合编码压缩方案.对超光谱图像序列首先进行谱间DPCM预测,再对残差图像进行(5,3)整数小波变换,最后对小波系数进行SPIHT编码.通过仿真验证该算法实现了无损压缩,压缩比平均可达2.34,优于算术编码,且算法复杂度低,易于硬件实现.     

基于小波包的SPHIT算法在无损图像压缩中的应用

在无损图像压缩中,对于那些富含细节、纹理和边缘的图像中,重要信息大量集中在中、高频部分,而基于小波变换的压缩方法只对低频信息进行多次分解。针对这个问题本文提出基于小波包的SPHIT算法对图像进行无损压缩。对图像先经过整数（5,3）小波变换后,再对小波系数进行SPIHT编码,该方法运算速度快,硬件实现简单,实验结果表明,与其他的无损压缩方法相比,压缩比均有提高,是一种有效的无损图像压缩方法。     

基于双向波段预测的超光谱图像无损压缩

为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于“权重”的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT (Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。     

基于块的比特分配的无损图像压缩算法

为了获得最佳的无损图像压缩效果,提出一种基于块的比特分配技术(block bit allocation,BBA)的图像无损压缩算法,并采用三种数字图像模式:CT、MR和DR来评价该算法.实验结果显示,此算法对比标准LempelZiv和Huffman压缩算法能将CT图像的压缩比平均增加11%到19%,在MR图像中,平均增加12%到28%.对于DR图像,此方法比Huffman算法差9%.但是,压缩和解压缩速度会更快并且可用于在线医学图像压缩.     

一种压缩比自适应快速矢量量化器的设计与实现

设计了一种图像16×16、8×8、4×4动态分块压缩比自适应的快速矢量量化算法.该算法可以根据图像的特征,在较大范围内自适应地变化压缩比,减少重复搜索的运算量,在提升图像压缩比的同时,编码速度也有很大幅度的提高.设计了编码电路,并在FPGA上进行了仿真及验证.结果表明,整个系统最大时钟频率可达76.55 MHz.与其他相关算法相比,该算法的压缩比有很大提高,而平均峰值信噪比降低却很少,可完全满足图像编码的高速和实时性要求.     

基于OCR信息的JBIG2编码算法

二值图像编码在文本存储、图象检索中有广泛的应用。为了提高二值图像的压缩比,提出了一种利用OCR结果的JB IG 2(jo in t b i-leve l im age group)编码算法。它在对二值文本图像进行基于模式匹配的压缩时,利用了OCR识别结果和识别置信度的信息,从而更好地完成了字模重建和模式匹配的处理,提高了JB IG 2算法的性能。图像中所有识别结果可信的字符被重建字模代替,编码器只需编码字符的位置。实验结果表明:该算法优于以往JB IG 2算法的效果,它可以获得高于以往有损压缩算法的图像质量,并在实验图像上得到高于以往无损压缩算法14.3%的压缩比。     

基于局部变化率的无损图像压缩方法

介绍一种实现图像无损压缩的预测编码算法.该算法在预测阶段利用像素值的局部变化率来对预测模型进行自适应调整,在编码阶段采用误差反馈技术进一步降低误差图像的信息熵.对标准图像的仿真测试结果表明,该算法的性能明显优于国际标准化组织JPEG-LS提供的标准无损压缩算法.     

基于三维帧内预测的彩色图像编码

针对传统彩色图像编码方法存在的未考虑R、G、B三帧间相关性的不足,将彩色图像的R、G、B三帧作为整体考虑,提出了一种基于三维帧内预测和离散余弦变换的彩色图像编码方法.该方法利用三维帧内预测技术结合三维离散余弦变换有效地去除彩色图像相邻像素间以及R、G、B三帧之间的相关性.实验结果表明,同传统彩色图像编码方法相比,在保证相同的恢复图像效果时,该方法将压缩比提高了12.31～17.77.     

基于JPEG2000的感兴趣区域压缩编码算法

提出一种基于JPEG2000感兴趣区域的图像压缩方法.该方法首先提取出感兴趣区域;然后为达到重要信息不丢失的前提下增大压缩率的目的,对不同区域采用不同压缩率,即对感兴趣区域进行低倍率有损压缩,对背景区域进行高倍率有损压缩;最后通过计算均方误差(mean squared error,MSE)和峰值信噪比(peak signal to noise ratio,PSNR),对该方法进行客观评价.实验结果表明:基于ROI的压缩方法的性能优于一般压缩方法,在获得更高压缩率的前提下,压缩重构图像保持了较高的峰值信噪比,较好地解决了压缩率和图像质量之间的矛盾.     

基于小波分析的医学超声图像压缩及分组霍夫曼算法

介绍了一种医学超声图像小波分解和重构方法,即根据二维图像的结构,在小波分解后采用二维分组Huffman编码算法．讨论了基于小波分析的压缩算法的误差,采取相应的措施改进了压缩算法,以重建图像和原始图像的归一化相关系数来衡量重建图像的质量。模拟结果表明在保证重建超声图像质量的前提下,分组Huffman编码较大地提高了超声图像的压缩比。     

基于小波变换的图像压缩编码方法研究

介绍了小波变换的基本理论以及基于小波变换的图像压缩编码与解码恢复过程。为了研究基于小波变换的图像压缩编码方法的优越性,通过实验与传统的离散余弦变换编码方法进行了性能的对比分析,实验结果表明：由于小波变换具有时间-频率局部化特性和多分辨率特性等优点,其能够更加有效地应用于图像数据压缩,可以达到更高的压缩效率,而且理论上可以获得任意压缩比的压缩图像。     

基于残差集的CFA图像序列无损压缩新算法

提出了一种基于残差集的颜色滤波阵列(CFA)图像序列的无损压缩新算法.通过构造CFA图像序列的残差集,去除图像序列间的数据冗余;设计了一种最佳可逆滤波器对残差集图像进行通道分离滤波,去除图像内的冗余信息,提高CFA图像压缩性能.将该算法与通道分离滤波JPEG和PNG算法进行了对比,结果证明,残差集无损压缩算法具有最高的数据总量压缩比、最低的平均压缩率和最好的重建CFA图像峰值信噪比.     

甚低码率视频信号压缩编码技术

针对电话线低码率传输的视频监控工业环境,基于 H.263 标准,提出了一种新的视频压缩编码方法,即在帧内编码 DCT 变换后的系数量化策略上,采用量化表的方法来替代视频图像帧内编码的常规处理方法,在帧间编码的预测算法上,采用了半像素精度运动估计和 PB-帧工作模式。通过 C 编程,对该算法进行了仿真分析。结果表明该算法不但提高了系统的运行速度;而且提高了图象压缩比。     

WHT图象压缩及增强

本文提出一种Walsh-Hadamard变换(以下简写为WHT)图象压缩方法.该方法将正交变换后的系数矩阵按活性指数分为三类,然后进行自适应门限压缩、比特分配与量化.文中分析了设计原理并给出了实验结果.为了改善低码率下编码图象的质量,文中还提出一种双门限邻域平均算法.使0.5bit/pel编码图象的峰峰信噪比提高约3.6dB.     

基于小波和神经网络的图像压缩方法

针对图像压缩中压缩率与图像质量的折衷问题。综合利用小波变换和神经网络各自的优点,采用小波和神经网络的方法进行图像压缩．该算法先对图像进行小波分解,保留低频系数,然后将高频系数输入训练的网络进行矢量量化编码达到压缩的目的．最后根据保留的低频系数和还原的高频系数重构图像．