基于深度和子树约束最小树形图的高编码效率图像删除

图像删除是指从一个压缩图像集中去除一个或多个图像,生成一个新的压缩图像集。针对当前图像删除方法存在搜寻的预测参考图像不佳,导致编码效率不足的问题,提出一种基于深度和子树约束最小树形图的高编码效率图像删除方法。该方法充分考虑所有剩余图像之间的相关性,确定最佳的预测参考。首先,提出一种新的图像分类方法,将所有图像分成需编码图像、无需编码图像和待删除图像等三类;其次,设计一种新的深度和子树约束最小树形图法,深入探究需编码图像之间以及需编码图像和无需编码图像之间的关系,构建新压缩图像集的最小树形图;最后,根据得到的最小树形图对需编码图像进行压缩,生成新的压缩图像集,实现图像删除。实验结果表明,与现有先进方法相比,所提方法取得了更高的编码效率,同时却有着相近的计算复杂度。

基于全景图的图像集压缩用于云存储

当前的图像集压缩方案通常只适用于相似图像,对云中图像集内部的差异性十分敏感。为了解决这个问题,提出了一种基于全景图的图像集压缩方案,该方案主要利用全景图和图像集之间的相关性来减少冗余。首先,在全景图上选取一些关键点,利用直线投影算法由全景图得到各个关键点处的视口图像;然后,对于图像集中的每张图像,选取最匹配的视口图像作为参考;最后,使用基于块的运动补偿来执行图像间的预测编码。实验结果表明,提出的编码方案比JPEG平均节省46.3%的比特,并且实现了与IEEE1857.4帧内编码可比的性能。对于大型图像集,图像具有不同视点和对象但却拍摄于同一场景,方案压缩效果良好,值得深入研究。

基于内容自适应稀疏字典的图像集压缩算法

大数据时代巨大的图像信息量,给实际的存储、传输带来了相当大的困难。有效利用图像集自身内容,去除图像之间的信息冗余,是图像集压缩的主要目的。本文提出一种基于内容自适应稀疏字典的图像集压缩方案。通过对图像内容信息进行分类学习,得到分组稀疏字典,将稀疏编码替代传统的变换编码,并利用图像非局部相似特征优化图像解码,得到更高质量的重建图像。实验结果表明,与JPEG方法以及基于递归最小二乘字典学习算法(RLS-DLA)的压缩框架相比,本方案提出的图像集压缩方法有效提高了图像集编码性能。

归类精度导引的在线图像集自适应压缩方法

针对多源视频流中的图像分类任务,提出了归类精度导引的在线图像集自适应压缩方法,首先对初始的在线图像集进行基于卷积神经网络(convolutional neural network,CNN)的模型训练,得到图像分类器;然后根据连续图像集之间的相似性,后一在线图像集的双参数参考前一在线图像集的双参数,通过引入自适应的参数判决机制有效地压缩连续的在线图像集。实验结果表明,所提方法能够保持足够大的平均压缩比,与现有的图像集压缩方法相比,可将平均归类精度提高3.3%。