对图像压缩中的SPIHT与SPECK算法的研究

在众多的图像压缩算法中,SPIHT和SPECK具有较好的性能,文中对这两种算法进行了深入地研究.首先介绍了小波变换后系数的分布特点,然后从算法思想、集合定义、分裂过程、排序过程、量化以及编码后的码流等方面分别介绍了SPIHT(多级树集合分裂)和SPECK(集合分裂嵌入块)算法,最后总结了他们的异同之处.

SPIHT与SPECK压缩算法的研究

在图像压缩的众多算法中,SPIHT与SPECK具有较好的性能。文中对这两种算法进行了深入研究,从算法思想、分裂过程、排序过程,以及量化等方面介绍了SPIHT和SPECK两种算法以及对应的改进算法,分别总结了这两种改进算法同原算法比较后的优点。实验结果表明:在相同的输出码率情况下,改进算法的图像有更高的峰值信噪比,即相对于原始算法的图像有更好的恢复效果。同时,改进的算法在压缩速度上也明显优于原始算法。

对图像压缩中的SPIHT与SPECK算法的研究

在众多的图像压缩算法中,SPIHT和SPECK具有较好的性能,文中对这两种算法进行了深入地研究.首先介绍了小波变换后系数的分布特点,然后从算法思想、集合定义、分裂过程、排序过程、量化以及编码后的码流等方面分别介绍了SPIHT(Set Partitioning in H ierarchical Trees多级树集合分裂)和SPECK(Set Partitioning Embedded B lock Coder集合分裂嵌入块)算法,最后总结了他们的异同之处.

改进的SPIHT静止图像压缩编码算法

SPIHT算法是压缩编码效率很高的静止图像压缩编码算法。针对原算法没有从最佳率失真的角度出发来选择初始量化门限这一不足之处 ,提出了一种改进的 SPIHT算法。通过理论计算和试验分析 ,得到初始量化门限 T0 和编码失真的关系 ,并导出搜索最优初始量化门限 T0 的简单迭代方法。改进的 SPIHT算法能根据输入图像的特性和给定的编码输出码率自适应地选择最优初始量化门限 T0 。在相同输出码率的条件下 ,改进的 SPIHT算法比原算法峰值信噪比提高最多达 0 .6 d

超光谱图像的三维小波嵌入零块压缩编码

超光谱图像作为一种三维图像,其海量的数据导致在有限带宽信道上传输和存储非常困难,必须对它进行有效的压缩编码.提出了一种基于非对称三维小波变换(3D wavelet transform,简称3DWT)和三维集合块分裂的超光谱遥感图像压缩方法.因为大多数超光谱图像在各个方向上具有非对称的统计特性,所以利用非对称三维小波变换去除图像的谱间和空间冗余.与传统的对称三维小波变换相比,非对称的三维小波变换能够更有效地去除相邻谱段间的冗余.提出了一种改进的3DSPECK(3D set partitioning embedded block)算法——非对称三维集合分裂块算法(asymmetric transform 3DSPECK,简称AT-3DSPECK),并被用于编码变换后的系数.根据变换系数的能量分布特点,三维零块分裂和三维octave子带分裂方法被有效地结合在所提出的AT-3DSPECK算法中.为了优化率失真和加速编码速度,也给出了一种零块优化排序的快速算法.实验测试表明:AT-3DSPECK算法的平均PSNR(peak signal to noise ratio)分别比AT-3DSPIHT(asymmetric transform 3D set partitioning in hierarchical trees)和3DSPECK算法高0.4dB和1.4dB.此外,AT-3DSPECK还具有比零树算法更快的编码速度.

三维医学图像优化压缩算法

针对 CT 三维医学图像特点,将三维医学数据分块,通过平滑处理和边界交迭减小分块失真,将 SPIHT 算法与 SPECK 算法结合,帧内采用 SPIHT 算法,帧间利用 SPECK 编码算法,组合算法提高了压缩效率,优于单一的算法。

基于量化的差错网络下高效多描述图像编码

将多描述标量量化与SPIHT编码联合起来,得到无线差错网络环境下的高效多描述图像编码。对两描述的多描述标量量化进行多维索引扩展,并对由粗量化边索引所形成的多个描述进行SPIHT编码,得到多个可独立传输的多描述码流。实验结果表明,该方法适合于无线差错网络环境中的图像传输,能够在较大的信道差错率和严格的带宽限制下,获得较好的图像传输差错鲁棒性。

基于分级量化的重要性测试图像编码

论文提出了一种嵌入式的图像压缩编码算法,针对小波变换后的图像系数进行编码。该算法属于基于分级量化的重要性测试类的编码方法,结合了同属该类方法的SPIHT和SPECK算法的特点,在此基础上提出了新的改进措施,优化了集合分类搜索的策略,改进了量化的步骤,提高了图像压缩的性能。

基于小波变换的分类量化图像编码算法

针对标量量化压缩比小而向量量化压缩速度慢、图像复原效果不理想等弱点 ,提出了基于小波变换的分类量化图像编码算法 (简称“分类量化编码”)。该算法基本思想为 :首先将小波变换后的图像高频子带划分为局部块 ;然后利用文中给出的相对距离最近之阈值选择方法 ,依据纹理复杂度和重要性程度将这些局部块划分为4类 (平坦、过渡、弱纹理和强纹理 ) ;最后对平坦局部块进行向量量化编码 ,对强纹理局部块进行标量量化编码。实验结果表明 :该图像压缩算法在压缩速度、图像复原效果、压缩比等方面明显优于零树小波编码和 JPEG方法。

一种基于人眼视觉特性的图像压缩方法

在讨论图像的二维变换的基础上，充分利用小波变换后各子带系数对重建图像的重要程度和人眼的视觉特性，引入了小波包的思想，并在随后的量化过程中，根据不同的频率子带和不同的方向，给出不同的比特，然后由经验熵计算出相应的量化阈值。实验结果表明，该方法算法简单实用，压缩效果比较好。

一种基于视觉特性的零树图象压缩方法

在对图象的小波变换原理进行讨论的基础上,根据不同频率子带和不同方向的小波系数对恢复图象的重要程度和人眼的视觉特性,对“嵌入式零树小波编码”方法进行了改进,提出了一种较为实用的图象压缩方法。实验结果表明,利用该方法可获得具有较高压缩比、信噪比和较好视觉效果的恢复图象。

量化方法及其统计特征量用于图像检索的性能比较

分别对标量量化、矢量量化以及分类矢量量化等不同量化方法及其统计特征量用于图像检索的性能进行了分析和比较,对进一步实现支持检索的图像压缩算法具有一定的指导意义。

超光谱图像的分布式压缩(英文)

针对超光谱图像压缩进行了研究,提出了一种有效的基于分布式信源编码(Distributed Source Coding,DSC)的有损压缩算法。该算法利用多元陪集码和标量量化的方式实现超光谱图像的分布式有损压缩,针对分布式信源编码,利用多波段预测的方式为每个编码块构造边信息,然后采用标量量化的方式对编码块和其边信息同时进行量化处理。根据分布式信源编码原理,给出了各编码块量化后的编码码率。为了减少标量量化带来的信息丢失,算法引入了跳跃策越。部分均方误差意义上损失较大的编码块将由其边信息直接代替。实验结果表明,所提出的算法性能与基于小波变换的算法性能相当;此外,该算法复杂度较低,适合星载超光谱图像的压缩。

标量量化嵌入式小波变换图像编码

给出了一种基于分层标量量化的二维小波图像压缩编码方案.该方案具有支持多解码嵌入式码流的特点,这种多解码支持不是简单的依位率要求的顺序解码,而是采取最优位分配策略,从而获得更好的图像解码质量.试验表明该方案在图像压缩效率优于或相当于JPEG方案时,其多解码实现具有实际应用价值.

基于YC子阵的彩色图像三维矩阵变换压缩编码

提出了一种新的基于子阵模型的三维矩阵变换彩色图像压缩方法。此压缩方法的创新之处在于:三维子阵分割中采用了亚采样和YC子阵技术,能更好地去除彩色图像分量间的冗余,提高压缩比,而且在YC子阵技术中提出了Y类三维子阵和C类三维子阵的概念;量化方法采用了线性非均匀标量量化,并定义了一种新的运算方法———量化除法。实验表明,与基于矢量量化方法的三维矩阵变换压缩方法相比,本文方法的优点是对具体的图像无依赖,并在压缩整体效果方面已经优于JPEG方法。

基于分级量化压缩感知的多描述编码方法研究

为提高多描述编码的性能,研究了一种基于分级量化压缩感知(compressive sensing,CS)的多描述编码方法。通过交织抽取把图像分块得到几个子图像,对每个子图像进行分块压缩感知形成多个描述码流,接收端通过求解优化问题重建原图像。为了提高比特利用率,使用分级量化方法对测量值进行量化。实验结果表明,在保证图像恢复质量的前提下,该方法可以节省编码所需比特数,不影响多描述编码的抗丢包性能。

一种基于小波变换和矢量量化的图像压缩算法

小波变换和矢量量化都是图像压缩中的重要方法。利用小波变换的系数特点,对图像进行小波分解,对于能量最为集中的低频分量采用标量量化处理,然后将标量量化过程中产生的残差和高频分量一起构造矢量,进行矢量量化。实验结果表明,此算法能够有效提高重构图像质量,获得较高的信噪比。

基于小波变换的医学图象压缩编码

本文研究了医学图象小波变换系数的统计特征。根据医学图象的特点，提出了基于小波变换的医学图象编码方法。实验表明，这种方法具有较好的压缩编码性能，优于JPEG标准。同时，它支持逐次浮现式传输，从而能满足医学图象存储、通信、检索的需要。

高光谱图像的分布式近无损压缩

星载高光谱图像的有效压缩已经成为高光谱遥感领域亟待解决的难题。分布式信源编码具有较低的编码复杂度与良好的抗误码性,在高光谱图像压缩领域具有广阔的应用前景。提出了一种基于多元陪集码的高光谱图像分布式近无损压缩算法。根据多元陪集码的Slepian-Wolf无损编码的压缩过程,提出了面向高光谱图像分布式近无损压缩的最优量化方案,使得高光谱图像在给定目标码率条件下的失真达到最小,在此基础上对量化值进行Slepian-Wolf无损编码,从而实现了高光谱图像的分布式近无损压缩。实验结果表明,与典型的传统算法相比,该算法取得了较好的近无损压缩性能和较低的编码复杂度。