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。

基于JPEG-LS压缩比控制的图像压缩加密算法

针对传统图像压缩比控制不精细及低维混沌系统保密性不高的问题,提出一种基于连续色调静态图像的无损或近无损压缩标准(JPEG-LS)压缩比控制的图像压缩加密算法。在深入分析JPEG-LS中失真控制参数Near对图像压缩比和重建质量的影响的基础上,首先,对光栅扫描的图像数据进行梯度处理;然后,比较梯度值与Near的大小关系以决定进入游程模式进行游长编码或常规模式进行Golomb编码;再次对三维Lorenz混沌系统生成的序列进行随机性处理,采用该序列作为密钥分别对游程模式、常规模式和全模式(游程和常规两种模式)下的压缩码流进行加密;最后,对Near进行实时动态调整,实现了对图像的压缩比精细控制且提高了保密性。仿真结果表明,所提算法能够实现良好的压缩比控制,且重建图像质量比线性压缩比控制算法提高了大约0.5 d B;同时算法安全性高,能够有效抵抗熵攻击、差分攻击、穷举攻击、统计攻击等多种攻击,且加密对压缩效率基本没有影响。

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用 k 均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对 AVIRIS 型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。

结合预测误差反馈的高光谱图像无损压缩研究

高光谱图像的海量数据给存储和实时传输带来极大困难,必须对其进行有效压缩。提出了一种结合预测误差反馈的高光谱图像无损压缩算法。根据高光谱图像相邻波段相关性强弱进行波段分组,有效降低了波段排序算法的计算量。通过研究波段排序算法的性能,采用最佳后向排序算法对各组进行波段排序。为有效去除高光谱图像相关性,采用JPEG压缩标准中的无损预测模式对各波段进行谱内预测,利用参考波段预测误差对当前波段谱内预测值进行反馈校正,可进一步提高预测精度。最后,利用JPEG-LS标准对参考波段和预测残差进行无损压缩。对AVIRIS型和OMIS-Ⅰ型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。

基于信息无损视角的DS/AHP群决策方法

因参考点选择不恰当及折扣方式不合理,DS/AHP群决策方法存在决策信息损失的问题。为此,基于由决策主体推理判断出的互斥方案组和七级标度相对偏好信息,构建能够对所有决策主体在特定属性上进行偏好集成的主体信息融合模型。在此基础上参照传统方法中由知识矩阵向BPA函数转换的思想,以及利用Dempster组合规则进行信息融合的思想,提出能够综合集成所有属性上证据信息的方法步骤,并通过案例模拟验证该方法的科学有效性和应用可行性,其Pignistic概率与标准结果之间的总差异程度较小。

基于分组测试的小波变换图像编码

将分组测试与基于块结构的小波图像编码相结合,构造了一种具有多种可伸缩能力的编码结构,在保证分辨率和保真度可伸缩性的同时提供了对压缩图像的随机访问能力。结合上述编码结构,提出了一种低复杂度,具有分辨率、保真度可伸缩和随机访问能力的图像无损压缩算法。实验结果表明:该算法的无损编码码率与JPEG2000接近。

A VECTOR QUANTIZATION BASED APPROACH FOR CFA DATA COMPRESSION IN WIRELESS ENDOSCOPY CAPSULE

A novel approach for near-lossless compression of Color Filtering Array (CFA) data in wireless endoscopy capsule is proposed in this paper. The compression method is based on pre-processing and vector quantization. First, the CFA raw data are low pass filtered and rearranged during pre-processing. Then, pairs of pixels are vector quantized into macros of 9 bits by applying block par-tition and index mapping in succession. These macros are entropy compressed by Joint Photographic Experts Group-Lossless Standard (JPEG-LS) finally. The complex step of codeword searching in Vector Quantization (VQ) is avoided by a predefined partition rule, which is suitable for hardware imple-mentation. By control of the pre-processor and VQ scheme, either high quality compression under un- filtered case or high ratio compression under filtered case can be realized, with the average Peak Sig-nal-to-Noise Ratio (PSNR) more than 43dB and 37dB respectively. Compared with the state-of-the-art method and the previously proposed method, our compression approach outperforms in compression performance as well as in flexibility.

基于波段分组的高光谱图像无损压缩

高光谱图像海量数据给存储和传输带来极大困难,必须对其进行有效压缩。针对高光谱图像不同频谱波段间相关性不同的特点,提出一种基于波段分组的高光谱图像无损压缩算法。为了降低波段排序算法的计算量,根据相邻波段相关性大小预先进行分组,采用最佳后向排序算法对各组波段进行重新排序。在当前波段和参考波段中选取具有相同空间位置的邻域结构,在最小二乘准则下,利用邻域像素对当前预测像素进行最优谱间预测。参考波段和预测残差数据进行JPEG-LS压缩。对OMIS-Ⅰ型高光谱图像进行实验的结果表明,与基于多波段预测算法相比,该算法可进一步降低压缩后的平均比特率。

一种图像自适应预测分组编码无损压缩方法

结合经典无损预测编码方法和变长编码思想,提出了一种有自适应性的预测分组编码方法.通过自适应预测编码对不同纹理特征的图像均能有效地做去相关性处理,再结合图像数据分布规律通过分组编码实现图像的无损压缩.实验结果表明这套方法具有高压缩比和高压缩效率的特点.

KEY OPTIMIZATION TECHNIQUES IN JPEG-LS IP CORE DESIGN

This paper presents the key optimization techniques for an efficient accelerator implementation in an image encoder IP core design for real-time Joint Photographic Experts Group Lossless(JPEG-LS) encoding.Pipeline architecture and accelerator elements have been utilized to enhance the throughput capability.Improved parameters mapping schemes and resource sharing have been adopted for the purpose of low complexity and small chip die area.Module-level and fine-grained gating measures have been used to achieve a low-power implementation.It has been proved that these hardware-oriented optimization techniques make the encoder meet the requirements of the IP core implementation.The proposed optimization techniques have been verified in the implementation of the JPEG-LS encoder IP,and then validated in a real wireless endoscope system.

利用格型递归最小二乘滤波器组的高光谱图像压缩

自适应递归最小二乘滤波器具有预测准确、收敛速度快的特点,该滤波器被多种高光谱图像无损压缩方案作为重要组成部分。然而传统递归最小二乘滤波器无法快速找到每个谱带的最优预测长度,其压缩方案的性能有待提升。针对该问题,本文提出基于格型递归最小二乘滤波器组的高光谱图像压缩方案。首先,该方案使用单边高斯预测器对待测像素点做谱带内预测,去除图像的空间相关性。其次,采用格型滤波器组筛选出每个谱带的最优滤波器,获得预测误差。并根据格型滤波器组链式序列更新的特点,简化最优滤波器的筛选过程,大幅度降低计算复杂度。最后对预测误差做算术编码。以AVIRIS 2006高光谱图像为测试数据集,本文算法对16位校准图像、16位未校准图像的平均压缩结果分别为3.34 bits/pixel和5.61 bits/pixel。该算法在获得良好压缩结果的情况下,计算时间低于同类别的其余算法。