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．     

基于近似消息传递的小波域图像压缩感知

针对现有的基于近似消息传递的图像压缩感知算法需要构建大尺寸观测矩阵的问题,研究基于近似消息传递的小波域图像压缩感知算法。为了克服逐列观测、逐列重构的传统变换域压缩感知方案隔断图像列与列之间相关性的缺点,提出了一种基于图像行列相关性的小波域压缩观测方案。进而,基于近似消息传递设计了一种适用于在稀疏度未知的情况下重建小波系数的压缩感知重构算法,结合图像小波系数的结构化稀疏特性与近似消息传递,实现了小波域图像压缩感知重构。实验结果表明,与现有算法相比,本文提出的基于图像行列相关性与近似消息传递的小波域图像压缩感知算法具有更高的重建图像质量与更快的图像重建速度。     

基于多小波变换的医学图像分形压缩方法研究

针对医学图像分析与压缩的特殊要求,将多小波变换和分形压缩理论引入到医学图像压缩中。首先对医学图像进行多小波变换,较好地保持了医学图像的边缘和细节信息,再采用分形压缩方法对图像进行压缩。实验表明,算法在保持一定医学图像质量和较高压缩比的前提下,编码时间大大减少,结合多小波变换的医学图像分形压缩方法在临床应用取得较好效果。     

基于分形和小波的混合图像压缩编码

从近年来受人瞩目的分形和小波图像压缩方法出发,分析了两种图像压缩方法的特点及利弊． 运用小波变换及ＤＣＴ变换下的分形压缩图像方法,提高了编码速度,得到了较高的压缩比和信噪比,但重构图像质量还存在块状效应． 为此,提出了几种结合起来的综合方法,进一步提高了图像的质量,在压缩比和信噪比及匹配速度之间取得了良好的折衷．     

基于快速提升小波变换的图像压缩

提出了一种基于快速提升小波变换的图像压缩方法,并对EZW编码进行了改进。首先对图像作快速提升小波变换,然后根据小波系数的分布特点进行改进的EZW编码,试验结果表明,该方法在保证恢复图像质量良好的情况下可获得较高压缩比和压缩速率。     

基于小波与嵌入式零树编码的锈蚀图像压缩方法

为了提高高分辨率锈蚀图像的传输效率和处理速度,设计了一种基于小波和嵌入式零树编码的锈蚀图像压缩方法.首先,将原始锈蚀图像的RGB颜色空间转换为YCbCr颜色空间,并对Y、Cb、Cr三通道分量进行小波分解,得到对应的小波系数;其次,结合对比敏感度函数对不同子带的小波系数进行加权处理,利用嵌入式零树算法对小波系数进行量化和编码得到码流;最后,对码流依次进行解码、反量化和逆变换,得到Y、Cb、Cr颜色空间的重构图像,并将其还原至RGB颜色空间,得到压缩后的图像.实验结果表明,本文算法与传统压缩算法相比,能有效降低图像的储存空间,减少细节丢失,保证了压缩后的图像质量,在压缩比和图像质量上都有较大提高,更适用于工业领域锈蚀图像的压缩.     

一种基于小波变换的图像压缩技术研究与实现

采用MATLAB小波工具箱实现了对伪彩色图像和真彩色图像的分解与重构,给出了图像分解与重构的原理和MATLAB源程序,并进行了结果分析。实验证明使用该方法对图像进行压缩,压缩比高且压缩后图像质量较好。     

基于小波阈值和字典学习的合成孔径雷达图像压缩

在小波域对合成孔径雷达(SAR)图像进行双重稀疏处理的基础上,提出一种基于小波阈值和字典学习的SAR图像压缩方法.利用SAR图像的统计分布特性,结合空间树结构对小波域的小波系数进行阈值化处理,利用递归最小二乘字典学习算法(RLS-DLA)将小波系数表示为字典稀疏,以在增大字典稀疏度的同时抑制斑噪声,并提高图像的重构效果.结果表明:在低比特率条件下,所提出方法比经典压缩方法的精度更高.     

一种基于自适应小波变换的矢量量化方法

运用小波变换进行图像压缩的算法其核心都是小波变换的多分辨率分析以及对不同尺度的小波系数的量化和编码.本文提出了一种基于能量的自适应双正交小波变换和矢量量化相结合的算法.即在一定的能量准则下,根据子图像的能量大小决定是否进行小波分解,然后给出恰当的小波系数量化.该方法充分利用了不同尺度间小波系数的相关性并采用自组织特征映射神经网络进行矢量量化.实验表明,该方法获得较高的编码效率和重构图像质量.     

基于多小波的贝尔图像有损压缩研究

在评价贝尔图像压缩方法性能时,一般将图像压缩比、图像质量、算法的复杂程度、硬件实现难易程度等作为重要评价指标。以往使用的压缩方法中,插值后压缩机制采用国际标准算法,优点是能够获得较大的压缩比,但是它的复杂程度高,计算量大;直接压缩贝尔图像的优点是避免了在成像设备上使用复杂的插值算法,但是获得的压缩比较低。在实际应用场合,需要以较低的复杂程度对贝尔图像直接压缩,并在保证重构图像质量的同时,获得较高的压缩比。为此,本文提出基于多小波变换的贝尔图像有损压缩算法。     

基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

基于BP神经网络的虹膜图像质量分类方法

摘要：针对虹膜图像采集过程中受光照条件不足、眼镜反光和眼皮遮挡等因素的影响而造成的图像质量不理想的问题,本文提出了一种基于BP神经网络的虹膜图像质量的分类方法。利用小波变换对每一幅虹膜图像进行特征提取,进而将提取的归一化虹膜图像数据作为BP神经网络的输入,以此对BP神经网络进行训练,实现了将3种被不同的影响因素影响的虹膜图像与未被影响图像进行区分的目的。仿真结果表明,该方法具有较高的虹膜分类精度以及较低的误差率。     

一种基于分类的改进BP神经网络图像压缩方法

探讨了神经网络用于图像压缩和解压缩技术,实现了一种基于分类的改进BP神经网络压缩方法:按图像各部分像素特征将图像分为平滑块、中间块和边缘块,不同的分类块采用不同的隐含层数,从而在保证重建图像丰富细节的同时,提高图像的压缩比.同时,对3层BP神经网络进行优化,提高了网络的收敛速率,实验结果证明本算法在取得较大的压缩比的同时能保证图像的恢复质量.     

一种基于SPIHT的图像压缩方法研究

提出了一种基于层树分级鳊码（SPIHT）的图像压缩方法。该方法压缩过程首先将图像数据进行小波变换,然后对低频小波系数进行调整,对高频的小波系数进行量化,以提高图像的压缩比,最后采用SPIIiT编码。解压缩过程通过sPIHT解码和小波逆变换恢复重构图像。仿真结果表明,在不同的峰值信噪比下,得到了较大的压缩比。     

基于BP人工神经网络的图像压缩技术研究与改进

数字图像压缩技术对于数字图像信息的大量储存和快速传输具有非常重要的现实意义。本文介绍了将BP人工神经网络用于图像压缩的应用原理,并实现了一种基于分类的改进BP神经网络压缩方法:按图像各部分像素特征将图像分为平滑块、中间块和边缘块,不同的分类块采用不同的隐含层数,从而在保证重建图像丰富细节的同时,提高图像的压缩比。同时,对3层BP神经网络进行优化,既通过采用非线性网络和最速下降法实现了图像压缩,提高了网络的收敛速率。实验结果证明本算法在取得较大的压缩比,同时能保证图像的恢复质量。     

二维小波在图像压缩方面的应用

讨论了二维小波分解和重构两种算法.给出了两种算法的比较和Matlab实现过程.结果证明,只保留原始图像中低频信息的压缩方法是一种简单的压缩方法,不需要经过其他处理即可获得较好的压缩效果.运用小波树进行图像压缩时,通常在给定小波基函数条件下,阈值越大,系数为零的数目就越多,重构图像文件压缩率也越高,重构的图像失真程度亦随之增大.     

基于Harr小波提升格式的图像压缩方法

提出了一种哈达玛变换,离散余弦变换和小波变换相结合的混合型编码,即先采用哈达玛变换对图像压缩,再对处理后的图像用离散余弦进行压缩,最后采用提升Haar小波格式对图像进行了压缩,并引入零树小波分析,得到最优小波树。仿真结果表明,所提出的方法在灰度图像压缩效果方面优于一些传统的压缩方法。     

基于小波理论的视频和图像压缩技术

将小波理论应用于视频和图像的压缩是目前国内外十分重视的图像压缩技术。小波分析技术和多分辨分析理论改善了基于分块DCT变换的压缩编码技术的方块效应和飞蚊噪声的不足。小波理论将是未来视频和图像压缩标准的一项核心技术。目前基于小波变换的视频压缩算法主要可以分为基于空域运动补偿的小波视频编码(MGDWT)、基于变换域运动补偿的小波视频编码(DWT—MC)和含运动补偿的三维小波视频编码(MC-3DWC),小波视频和图像压缩的发展及研究热点主要为小波图像压缩新技术的研究、运动补偿技术的研究、利用人的视觉生理特性进行小波视频和图像压缩的应用研究,以及小波视频压缩的应用研究。     

顺序小波包图像压缩感知方法

针对压缩感知中测量次数不确定的问题,提出了顺序小波包图像压缩感知方法.该方法选用小波包变换分解图像,降低信号稀疏度,将图像划分为大小相等的小波包系数块,利用小波包系数块数学期望与稀疏度之间的关系,对初始采样信号y0的长度进行预测;同时变长设置顺序压缩感知过程中采样信号y1,…,yn的长度,来减少解压缩端重构次数以及两端的通信次数,从而解决传统顺序压缩感知方法中存在的不足.实验表明该方法在重构次数和重构精度上优于传统顺序压缩感知方法.     

基于BP神经网络结构的图像压缩技术研究

采用BP (back propagation)神经网络方法进行图像数据压缩处理.通过输入信号的正向传递和误差信号的反向传播算法,直接为图像提供数据压缩的能力.仿真实验表明,通过合理调整BP神经网络模型隐含层神经元的个数,可使图像压缩效果最佳.