基于尺度特征融合的极低比特率三维复杂图像无损压缩

由于三维复杂图像具有高维度和大规模的特点,且极低比特率下容易导致细节丢失和失真增强,使得三维复杂图像的编码较为复杂。因此,提出基于尺度特征融合的极低比特率三维复杂图像无损压缩方法。利用各向异性扩散与垂直扩散处理三维复杂图像,增强图像边缘信息。采用四叉树算法,建立自适应分块机制,按照图像细节复杂程度划分多个图像块。构建残差网络、反卷积网络结构的残差变换模块,融合图像多尺度特征,输出压缩图像。引入高分辨率累加器和计数器,实现压缩图像无损编码,实现完整的三维复杂图像无损压缩。实验结果表明:应用基于尺度特征融合的新型无损压缩方法后,图像压缩重构结果的信息熵达到了30,实现了压缩图像质量的提升。

基于深度学习的高能同步辐射光源数据快速无损压缩算法

高能同步辐射光源(HEPS)产生的高帧率、高分辨率图像数据以样本为单位存储,每个样本对应近千张灰度图。通用无损压缩方法对此类图像压缩效果不佳,而基于深度学习的压缩方法通常压缩解压耗时较长。为了解决上述问题,结合光源图像数据特点,提出一种基于深度学习的快速无损压缩算法。以样本对应的图像序列为单位压缩,根据少量前向帧利用时空学习网络预测图像取值并编码残差图,以实现高压缩比(CR);此外,通过图像子集划分和子集次优编码方法,将图像序列划分为多个子集并构建编码表,从而减少压缩解压缩耗时。经过测试,相较于PNG、JPEG2000等传统图像无损压缩算法,所提算法的CR提升了0.22~0.68;相较于DeepZip等深度学习无损压缩算法,所提算法的压缩耗时减少了41.0%以上,解压缩耗时减少了9.3%以上。

一种基于类小波变换的无线电频谱监测数据无损压缩方法

无线电频谱监测海量数据存储和分析是无线电监管工作的重要组成部分。频谱数据具有时间相关性以及不同频点间的相关冗余,对此本文设计了一种基于类小波变换的无线电频谱监测数据无损压缩方法。该方法首先基于时间相关性将一维频谱信号转换成二维矩阵;转换成二维矩阵后数据在水平方向以及垂直方向都存在冗余,算法采用卷积神经网络来代替传统小波中的预测和更新模块,并引入了自适应压缩块来处理不同维度的特征,从而获得更紧凑的频谱数据表示。研究进一步设计了一种基于上下文的深度熵模型,利用类小波变换不同子带系数获得熵编码参数,以此估计累积概率,从而实现频谱数据的压缩。实验结果表明,与已有的Deflate等传统频谱监测数据无损压缩方法相比,本文算法有进一步的性能提升,与典型的JPEG2000、PNG、JPEG-LS等二维图像无损压缩方法相比,本文所提出的方法的压缩效果也提高了20%以上。

深度学习下动态图像无损压缩加密算法设计

图像压缩的目的是减少图像数据中的冗余信息,从而使其更加高效、安全的存储和传输。由于动态图像中存在敏感信息,在传输过程中容易导致数据受损或丢失,为了增加动态图像无损压缩加密的安全性,提出一种基于深度学习的动态图像无损压缩加密方法。分析动态图像冗余信息的分布规律,建立预测模板,对变换后的数据采用差分脉冲编码调制(Differential Pulse Code Modulation,DPCM)展开无损编码处理。通过深度学习算法对动态图像特征提取,利用动态图像的个体特征形成密钥,将其应用到动态图像加密中,进而完成动态图像无损压缩加密。实验结果表明,所提方法的峰值信噪比高、压缩比在1.7%以上,表明所提方法对动态图像无损压缩具有优越性,且加密效果好、安全性高。

基于标准差24位图无损压缩方法及系统实现

传统差分处理方法压缩会增加数据的冗余,使最终得到的数据量增大。文章提出一种不增加冗余的24位彩色位图按字节无损压缩方法,将三原色合并处理,共用功能位,使用数据变换的方法减少冗余,通过RGB三原色差值的均值进行纠偏,提高压缩效率、资源占用少、速度快。并实现了一种不增加冗余的24位彩色位图按字节无损压缩系统。

一种ARGB数据无损压缩解压算法的FPGA设计

提出了一种ARGB数据的无损压缩优化算法以及FPGA实现方法;为了避免对整个文件的解压和压缩,采用了Deflate算法的相关方法对图像按块进行压缩和解压,极大提高了存储器的访问效率;利用了Deflate算法对小块进行压缩,发挥了Deflate中LZ77压缩的Huffman压缩技术来优化压缩算法;通过VIVADO HLS将算法实现成FPGA电路,采用多张图片进行了实际应用,证实了算法的有效性,并分析了其功耗和时序信息。

基于多头注意力与双向门控循环单元的数据无损压缩方法

为解决数据归档存储场景中出现的物理存储成本增长和数据库内存紧张等问题,本文提出一种基于注意力机制与双向门控循环单元的数据无损压缩方法,采用Transformer和双向门控循环单元作为概率预测器,输出数据流的条件概率分布,结合自适应算术编码器对数据进行压缩。实验对比结果表明,本文所提方法相较于算术编码和基于字典模型的LZW这两种传统无损压缩方法,压缩率分别平均提升约28.8%和7.8%;相较于Cmix v19和NNCP两种深度学习方法,平均压缩率分别降低0.4%和0.2%,但平均压缩时间分别约为其5.1%和39.4%。

一种图像无损压缩算法的改进与应用研究

现有的图像无损压缩算法一般为单向结构,由于单向结构只能按照固定的像素顺序进行操作,无法充分利用图像数据中的前后关联信息,导致无损压缩比下降。为此,提出一种图像无损压缩算法的改进方法。首先,根据当前测定压缩计算需求,先进行压缩编码的设计,采用分层的方式,提高整体的压缩的效率,建立分层数集划分压缩测算流程。然后,以此为基础,构建多目标图像无损压缩测算改进模型,在提取特征之后,结合卷积神经网络(CNN)技术,使用无损压缩的目标函数作为损失函数,结合当前的无损情况,改进计算需求。最后,采用FPGA自适应辅助核算的方式来确保改进结果。测试结果表明:设计压缩算法测试组最终得出的无损压缩比可以达到25以上,说明设计算法自身具有较强的针对性与稳定性,压缩误差可控,具有实际的应用价值。

一种基于二维小波变换图像无损压缩的VLSI设计与实现

针对离散小波变换的提升算法进行研究和优化,提出一种基于5/3的二维离散小波变换的硬件架构。离散小波变换整体工作过程都采用了并行输入输出结构,使用内部RAM对计算过程中间变量进行暂存。将三级流水线结构运用到列滤波器和行滤波器的设计上,设计出逻辑较为简单且内存较小的转置单元。减少外部RAM存储空间,采用5个RAM对小波系数进行存储。通过实验,在XILINX KC705型现场可编程逻辑门阵列上实现无损压缩系统,对4幅图像进行压缩,压缩比在1.3~2之间。本设计节约了硬件资源消耗,缩小了关键路径延时,DWT模块工作频率可达219 MHz,在实际应用中具有一定的技术优势。

卫星遥感图像无损压缩技术改进方法

采用预测原理的JPEG-LS无损压缩算法存在着固有的误码扩散现象,会影响其在卫星工程中的应用,且基于整幅图像预测的压缩算法还存在较大的处理时延,难以满足遥感图像实时性应用需求。文章对JPEG-LS无损压缩算法进行了改进,提出了采取分块压缩的措施来抑制误码扩散同时降低图像处理时延的方法,并利用风云四号(FY-4)卫星扫描图像对改进的JPEG-LS无损压缩算法进行了验证。结果表明:改进的JPEG-LS无损压缩算法可在有效抑制误码扩散的条件下,实时无损地将卫星遥感图像数据量压缩至一半左右。可为卫星遥感图像无损压缩技术的改进及工程应用提供参考。

管道泄漏信号的无损压缩技术

为满足在空间和硬件性能约束下的实时海量数据存储要求,系统通过预测器和Rice编码实现了在相应硬件条件下获得最佳数据压缩比的算法,并根据所采集到的管道泄露信号特征及系统自身特点,给出一种实时无损压缩算法.该算法适合于管道泄漏信号、管道泄漏检测定位系统硬件条件下的均值预测器及基于上下文建模的Rice编码,并且在该管道泄漏检测定位系统数据的采集过程中使编码得以实现.实验结果表明,均值预测器能够较好地减少管道泄漏信号数据间的相关性,大大降低管道泄漏信号的信息熵,验证了该算法的有效性与实用性.预测器与基于上下文建模的Rice编码相结合的方法,可以满足管道泄露数据压缩存储的特殊要求.

基于整数小波和三维自适应的高光谱图像无损压缩算法

考虑到高光谱图像小波子图的谱间相关性,提出了一种新的基于整数小波的三维自适应预测高光谱图像无损压缩算法。首先用5/3整数小波将高光谱每个谱段图像做小波分解,对不同谱段的相同子带,设计一种新的线性预测器。用与待预测像素有较强相关性的相邻像素自适应地估计预测系数的值。消除了大部分的谱间冗余和空间冗余后,再用JPEG-LS进一步去除残差图像的空间冗余。实验表明,该算法能有效去除多光谱图像间的相关性,较其他压缩算法压缩比有很大提高,且算法简单,便于硬件实现。

基于多波段预测的高光谱图像分布式无损压缩

提出了一种基于分布式信源编码的高光谱图像无损压缩算法,用于星载高光谱数据的有效压缩。为充分利用高光谱图像较强的谱间相关性,引入多波段谱间线性预测方案获取当前编码块的预测值,有效降低了编码块的最大预测残差值。在此基础上,根据最大预测残差值确定编码块各像素所属陪集的索引,通过传输每个像素所属陪集的索引代替预测残差,实现高光谱图像压缩。对星载可见/红外成像光谱仪(AVIRIS)获取的高光谱图像进行实验,并与已有的典型算法进行比较,结果显示该算法能够取得较好的无损压缩效果,同时具有较低的编码复杂度,适用于星载高光谱图像的无损压缩。

基于内容的高光谱图像无损压缩

提出了一种基于内容的高光谱图像无损压缩算法。采用自适应波段选择算法对高光谱图像进行降维,引入C-means算法对降维后的光谱矢量进行无监督分类。利用单调后向排序算法确定波段的预测顺序,并根据相邻波段的相关系数大小进行自适应波段分组。针对每一类地物,选取类内部分像素进行最优预测系数的训练,采用多波段线性预测的方案去除同类像素的谱间相关性,预测残差进行JPEG-LS无损压缩。对机载可见光/红外成像光谱仪(AVIRIS)与实用型模块化成像光谱仪(OMIS)获取的高光谱图像分别进行实验,并与未进行分类预测的算法比较。结果显示,提出的算法的平均压缩比分别提高约0.11和0.7,验证了该算法在无损压缩方面的有效性。

一种新的数据无损压缩编码方法

为了降低数据存储和传输的成本,对数据进行压缩处理是一种有效的手段。该文针对具有较小均方值特征的整型数据序列提出了一种新的可用于数据无损压缩的位重组标记编码方法。该方法首先对整型数据序列进行位重组处理,以提高部分数据出现的概率;然后根据数据流中局部数据的概率分布特点自适应地选择合适的编码方式对数据流进行编码。运用实际具有较小均方值特征的整型数据序列对该文方法和其它几种无损压缩方法进行了压缩解压测试,并对比分析了各种压缩算法的压缩效果。测试结果表明,新方法可以实现数据的无损压缩与解压,且其压缩效果优于LZW编码,经典的算术编码,通用的WinRAR软件和专业音频数据压缩软件FLAC的压缩效果,具有良好的应用前景。

适于星上应用的高光谱图像无损压缩算法

针对常见基于预测、变换、矢量量化及其组合的高光谱无损压缩算法压缩比低、压缩算法整体耗时以及硬件实现困难的问题,提出一种适于星上应用的高光谱图像无损压缩算法。首先,沿光谱线的第一谱段图像采用中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用两步双向预测算法,第一步预测采用双向二阶预测器得到参考预测值,第二步预测采用本文提出的改进LUT搜索预测算法得出4个LUT预测值,然后将参考预测值与其比较得出最终的预测值。最后,使用XX-X空间高光谱相机的压缩系统试验设备对该文提出的压缩算法进行了试验验证。结果表明,压缩系统能快速稳定地工作,平均压缩比达到3.05bpp,与传统方法相比,平均压缩比提高了0.14～2.94bpp。有效的提高了高光谱图像无损压缩比和解决了压缩算法整体实现困难的问题。

一种高性能低复杂度的基于串匹配的屏幕图像无损压缩算法

传统无损压缩算法对屏幕图像的压缩效果不佳。该文根据典型屏幕图像的特性,以LZ4HC(LZ4 High Compression)算法为具体实现基础,提出一种基于串匹配的高性能低复杂度(String Matching with High Performance and Low Complexity,SMHPLC)的屏幕图像无损压缩算法。相对于传统字典编码无损压缩算法,新算法提出了以像素为搜索和匹配单位,对未匹配串长度、匹配串长度以及匹配偏移量这3个编码参数进行联合优化编码,并对参数进行映射编码。实验结果表明,SMHPLC具有高性能和低复杂度的综合优势,大幅降低编码复杂度,提高了编码效率。使用移动的文字和图形类的AVS2通用测试序列作为测试对象,对于YUV和RGB两种格式,SMHPLC算法比LZ4HC总体节省码率分别为22.4%,21.2%,同时编码复杂度降低分别为35.5%,46.8%。

基于L_∞最小搜索和陪集码的高光谱图像无损及近无损压缩

分布式信源编码(DSC)由于其较低的编码复杂度及较高的抗误码性被应用于高光谱图像压缩.在典型的基于陪集码的分布式高光谱图像无损压缩算法s-DSC(scalar coset DSC)框架下,本文指出最优的预测准则应为无穷范数最小,提出了基于L∞最小搜索的预测方法来逼近最优准则,并将框架推广到近无损压缩.实验表明,和原有的s-DSC相比,本文算法无损压缩的平均码率降低了大约0.25bpp,近无损性能也明显优于JPEG-LS,本文算法具有较低的计算复杂度、较高的压缩性能,且具有一定的抗误码能力,适用于星上压缩.

基于三维自适应预测的高光谱图像无损压缩算法

利用高光谱图像具有较强的谱间相关性的特点 ,本文提出一种基于三维自适应预测的高光谱图像无损压缩方法 ,首先根据相关系数计算波段预测顺序 ,然后利用相关性较强的空间邻点和谱间邻点 ,采用基于神经网络模型的自适应预测方法进行三维预测编码 .实验结果表明 ,该方法能够有效的去除高光谱图像的空间和谱间相关性 ,与现在最优的无损压缩国际标准JPEG LS相比 ,压缩后的平均比特率能够降低 0

机械振动无线传感网络数据分块无损压缩方法

针对目前机械振动无线传感器网络数据无损压缩方法效率低的问题,提出一种数据分块无损压缩方法,该方法主要由数据分割和数据编码组成。传感器网络节点首先对采集的振动数据进行分块处理,利用子带能量自适应量化方法压缩原始数据,以量化压缩数据完成对原始信号的预测;然后将量化数据还原,计算预测差值矩阵;最后,采用线性预测、自适应零游程编码和Range编码对量化压缩数据和差值矩阵进行编码,进一步去除数据冗余。将提出的数据分块无损压缩方法的压缩性能与其他无损压缩方法进行对比,实验结果表明该方法能在资源受限的无线传感器网络节点上有效实现机械振动信号的无损压缩。