张培强[1]2004年在《基于小波变换的高光谱图像压缩算法初步研究》文中认为摘 要 高光谱图像是由成像光谱仪在不同光谱波段获得的序列图像，在二维遥感图像的基础上又增加了光谱维的信息。这种高分辨率、连续谱段的图像具有极大的数据量，对传输和存储带来了不便。为此，针对具体应用的数据压缩技术被广泛采用，包括有损压缩、近无损压缩和无损压缩技术。 由于高光谱图像主要用于对地物进行分类、识别、监测等等，压缩过程应尽量不丢失有用的信息。论文主要研究高光谱图像的近无损和无损压缩技术，侧重于无损压缩算法。另外，为了便于图像的检索和浏览，应能够提供从有损到无损的具有渐进传输性能的压缩码流。 算法的研究以小波变换为基础，利用提升方法构造整数可逆小波变换，并根据高光谱图像自身的特点，选择适合的整型小波变换，结合等级树集合分裂(SPIHT)算法和集合分裂嵌入式块编码(SPECK)算法，利用位平面编码的思想实现波段图像的渐进传输，最终得到无损压缩的结果。此外，根据光谱波段之间的相关性分析结果对若干波段进行分组，将各组波段图像组织成数据立方体的形式进行叁维小波变换，在去除图像空间相关性的同时，也去除了波段图像之间的相关性，从而进一步降低图像的熵值。再运用 3-D SPIHT 算法对叁维小波系数进行编码，实现了无损压缩，相比直接使用二维方法压缩，压缩比有了进一步提高。由于光谱维相关性很强，进行波段分组后，先在光谱方向进行小波变换，去除波段图像之间的相关性，然后再单独对各个波段使用 SPIHT 或 SPECK 算法，也获得了很好的无损压缩结果。 论文还初步探索了基于小波变换的视频编码算法用于光谱图像的压缩，取得了初步的结果。
陈鹏辉[2]2016年在《基于混沌的图像无损压缩加密算法的研究》文中指出日益发达的互联网对图像文件的传输存储和安全性提出了更高的要求。在国家安全、医疗、卫星遥感等对图像要求比较高的方面,为了提高图像的传输、存储效率和安全性,设计性能良好的图像无损压缩和加密技术是十分重要的。本文探讨了两种不同思想的图像无损压缩算法,详细分析了压缩算法过程,找到合适的加密位置,完成图像无损压缩加密算法的设计实现。本文首先研究了基于频率域变换的SPIHT图像无损压缩加密算法。为了保证压缩的无损性,在图像的变换模式上选择了基于提升模式的整数小波变换,在压缩算法过程中,选择了图像小波变换矩阵、SPIHT排序扫描和SPIHT压缩后的总体码流叁个位置实施不同的加密算法,加密算法遵循置乱和扩散相结合的方式,利用分组密码的加密原理设计了基于流密码的混沌加密算法,并对算法的压缩效率和安全性进行了分析。根据图像像素之间相关性带来的像素冗余性,本文又研究了基于像素残差预测模式的CALIC图像无损压缩加密算法,分别在GAP像素预测值、反馈残差、熵编码和预测模式需要的两行原像素进行加密,在加密之前,设计一个新的伪随机序列生成器,产生一个新的基于Lorenz系统的四维超混沌方程,并利用随机矩阵进行实数伪随机序列的量化。加密过程中,设计加密表,利用混沌量化序列进行选择加密项,加密项的具体操作和明文相关,增强了整个加密系统的安全性。最后对设计的算法进行压缩效率、安全性和伪随机序列生成器的安全性进行分析。本文通过对灰度图像两种无损压缩加密算法的研究,在压缩算法中的多个位置嵌入了加密算法,实现了在压缩的同时进行加密,实现了压缩和加密的联合。通过对实验结果的分析表明,两种不同思路的压缩加密算法具有高安全性和比较好的压缩性能。
李清[3]2015年在《基于预测的无损彩色图像压缩算法研究》文中提出数字图像处理是指为了获得期望的结果,对数字图像进行处理和变换的技术。图像能够让信息的传输和表达更加的简单快捷。随着信息技术的不断发展,数字图像在新闻、医学、国防、制造业等各个领域都得到了广泛应用。对数字图像的无损压缩指能将压缩后的图像完全重构出原图像的操作。在许多应用领域,如图像归档、高精度图像分析、医学图像、艺术作品的保存、历史文档、遥感图像等都迫切需要高性能的无损压缩算法。因此,本文主要围绕基于预测的无损彩色图像压缩算法进行研究,提出两种不同结构的无损彩色图像压缩算法。本文主要通过以下几个方面展开研究:首先介绍图像压缩以及色彩空间的理论基础,研究几种经典的基于预测的无损压缩算法,分析经典预测算法的像素预测模型、算法编码结构以及各种算法的优缺点。然后提出一种改进的帧内预测模式选择算法。该算法充分利用了帧内预测算法根据图像纹理方向进行预测的特性,尽量减少最优预测模式的选择范围,提高算法的运行速度。最后的实验结果表明该算法相对H.264帧内预测算法预测速度有一定的提升,并且该算法的预测精度与H.264帧内预测算法接近。与Pan算法相比,虽然该算法的复杂度稍高,但是像素预测精度要优于Pan算法。接着提出一种基于帧内预测的无损彩色图像压缩算法。该算法选择在RGB色彩空间中进行简单的算术运算来降低R、B分量的纹理复杂度,并选择本文提出的改进的帧内预测模式选择算法作为像素预测算法。最后依据帧内预测算法的特性,使用方向梯度进行像素预测差值的修正。实验结果表明该算法相对JPEG-LS算法在图像压缩率上有一定的提升,但在算法复杂度上,仍然需要进一步优化。最后提出一种基于梯度预测的无损彩色图像压缩算法。该算法选择YCg Co作为图像压缩的彩色模型。对包含的图像细节信息较多的Y分量,该算法使用GAP梯度预测算法进行像素预测。对Cg、Co分量,由于包含的纹理信息较少,因此该算法使用简化的帧内预测算法进行预测,最后对预测像素的差值进行修正和编码。实验结果表明,该算法对图像的压缩性能要优于JPEG-LS算法,但是在算法复杂度上仍然高于JPEG-LS算法。
宋娟[4]2012年在《基于分布式信源编码的多光谱图像/视频压缩技术研究》文中指出多光谱图像及视频序列由于增加了一维数据，可以提供更加丰富的信息，从而得到了广泛的应用。但是丰富的信息量是以大量的数据存储为代价的，需要进行有效的压缩才有利于存储和传输。多光谱图像及视频序列具有很强的帧间相关性。传统的图像压缩算法如3DSPIHT、MPEG-4、H.264/AVC等，在编码端利用图像的帧间相关性进行编码，导致编码器的运算复杂度远远高于解码器。而在一些特定的应用场合如深空通信、无线传感器网络、视频监控等，编码器因资源有限需要尽可能地简单，而解码器拥有较多资源可进行复杂的解码运算，这对图像压缩的结构设计提出了新的挑战。分布式信源编码(distributed source coding, DSC)具有与传统编码标准相反的系统结构，与上述应用需求完全吻合，成为国内外的研究热点。DSC在编码端对相关信源独立编码，而在解码端利用相关性对信源进行联合解码，极大地降低了编码复杂度。但是和传统的帧间编码方法相比，DSC系统的率失真性能仍然有一定的差距。论文通过对图像数据特性和现有DSC系统不足的分析，对基于DSC的多光谱图像/视频压缩算法进行了深入的研究，以缩短与传统帧间编码算法的差距，在保持较低编码复杂度的同时达到高效的压缩。论文的主要工作及取得的研究成果如下：1.提出了一种基于无链表SPIHT的分布式干涉多光谱图像压缩算法。该算法将无链表SPIHT和DSC有效结合，同时去除了图像序列帧内、帧间及小波系数子带间的相关性。根据DSC的特点，提出了基于边信息的辅助重构方法，以减少量化误差，提高重构质量。实验结果表明，和一般的基于小波变换的DSC方法相比，该算法的PSNR平均提高了大约0.5dB，拟合原始光谱曲线的性能较其它传统算法也有明显的提高。2.提出了一种基于无穷范数最小搜索和陪集码的高光谱图像无损及近无损压缩算法。该算法分析了基于陪集码的DSC算法的最优预测准则应为无穷范数最小，提出了基于无穷范数最小搜索的预测方法来逼近最优准则，并将编码框架推广到近无损压缩。实验表明，和原有的陪集码方法相比，该算法无损压缩的平均码率降低了大约0.23bpp，近无损性能也明显优于JPEG-LS。该算法具有较低的计算复杂度和较高的压缩性能，且具有一定的抗误码能力，适用于星载高光谱图像压缩。3.提出了基于分类和陪集码的高光谱图像压缩算法。根据高光谱图像相邻波段具有相似的谱间相关性，首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类，将具有相似相关性的像素归于一类，然后对每一类像素分别进行陪集码编码。实验表明分类可以有效地降低码率。和不进行分类的陪集码DSC算法相比，该算法无损压缩的平均码率降低了大约0.4bpp。4.提出了变换域Wyner-Ziv (transform domain Wyner-Ziv, TDWZ)视频编码的相关性噪声渐进细化方法。该方法在解码过程中利用已解码的比特平面和量化误差对估计的相关性噪声进行细化以提高相关性噪声的估计精度。实验结果表明该方法在高码率下可以明显提高TDWZ编解码系统的率失真性能，尤其是对于运动比较剧烈的视频序列。5.针对基于信道码的TDWZ视频编码系统，提出了极大似然预解码方法。在解码端请求伴随式开始LDPCA解码之前，首先利用比特条件概率进行极大似然预解码。如果解码成功，则可以避免伴随式请求和LDPCA解码，进一步降低TDWZ系统的码率。实验结果表明极大似然预解码方法在几乎不增加解码复杂度的情况下，可以降低系统的码率，尤其是对于运动比较简单的视频序列。
陈炳权[5]2007年在《基于小波变换的图像无损快速压缩算法》文中提出图像信息数字化后的数据海量性,不仅对计算机的存储和处理能力提出了很高的要求,而且也使得图像通信的信道传输速率受到限制。为了快速存储、处理和传输这些数据,必须要对图像信息进行压缩处理,通过压缩处理消除图像的冗余度来减少表示图像所需的比特数。目前图像压缩的方法很多,有损压缩允许一定程度的信息丢失,在满足实际应用的条件下能够取得非常高的压缩比,无损压缩因不允许信息丢失,所以压缩效率难以提高,在指纹图像、遥感图像、医用图像处理等应用领域内,对于高效的无损压缩方法和高保真度压缩方法有着迫切的需要。本文主要研究基于小波变换的快速无损图像压缩算法的实现,其设计思路:映射-量化-编码-硬件实现.在无损快速压缩编码理论和图像小波变换的基础上重点研究了适合图像压缩的小波基的选择、小波变换后图像的系数分布特点、灰度直方图的特点及自身的特点,得出了小波变换后有利于图像压缩的合理根据。在传统嵌入式小波零树编码算法(EWZ)的基础上,提出了改进的算法——保留低频分量的嵌入式小波零树编码算法,并且仿真实现了该算法。仿真结果表明该算法与传统EZW相比,能够提高重构图像的峰值信噪比(PSNR),降低均方误差(MSE)。其次研究了分形编码的理论基础,阐述了迭代函数系统(IFS)、拼贴定理、吸引子定理,并分析了基于IFS的图像压缩编码方法的缺陷:分形编码时间过长,从而给出了一种小波域分形编码方法——对低频分量进行无损编码、对高频分量进行子树分形编码,仿真结果表明该算法不仅提高了压缩比,而且缩短了编码时间。最后以TMS320C6201 DSP为核心芯片给出图像压缩编码算法的硬件实现方案,讨论了该芯片的外围接口设计方案,并阐述了基于DSP的优化编程方法。
武永红[6]2012年在《基于小波变换的图像无损压缩算法研究》文中研究说明信息爆炸时代，信息量的迅猛增长给有限的网络带宽和有限的存储容量带来了巨大的挑战，而这些信息主要是以图像的形式来表现的，因此，为了解决海量信息与有限的网络带宽及有限的存储容量之间的矛盾，必须对图像进行压缩。图像压缩是指通过减少图像中的冗余，用尽可能少的数据量来表示图像。小波变换具有时频局部化、能量聚集等良好的性质，并且图像经过小波变换后，同一方向上不同小波子带间表现出很强的相似性，因而被广泛应用于图像压缩领域。基于此，本文对基于小波变换的图像无损压缩方法做了详细的研究。首先，简要介绍了图像压缩的基本原理，主要包括图像压缩的必要性与可能性、图像压缩的分类与常用的图像压缩方法、图像压缩效果的评价准则及静态图像压缩的国际标准。其次，重点探讨了小波变换、基于小波变换的图像压缩编码思想及影响小波图像编码的关键因素。并通过实验数据分析了图像经过小波变换后能量的分布特点及小波系数幅度值的分布规律，为后续编码算法的改进提供指导。然后，深入研究了嵌入式零树编码算法及SPIHT算法的编码原理及实现过程。通过分析SPIHT算法的缺点，提出了一种改进的SPIHT图像无损压缩算法，改进SPIHT算法主要包括：①采用预测编码方法对低频子带单独编码，并对得到的预测编码码流进行哈夫曼编码；②在高频子带编码扫描过程中，改变最后两轮扫描过程中的集合分裂方式，并对得到的SPIHT码流进行算术编码。以标准灰度图像为例，采用改进SPIHT算法编码，并与SPIHT算法进行对比，实验结果表明：改进SPIHT算法对不同图像的压缩比特率均有降低，说明改进算法是有效的。最后，着重分析了JPEG2000中一般位移法与最大位移法的优缺点，并结合改进SPIHT算法提出了一种新的支持感兴趣区域优先编码的图像无损压缩方法。以标准灰度图像为例，采用支持感兴趣区域编码的改进SPIHT算法进行编码，并与支持感兴趣区域编码的SPIHT方法进行对比，实验结果表明：在感兴趣区域编码中，改进SPIHT算法对不同图像的压缩比特率均有降低，说明改进算法是有效的。
万建伟, 粘永健, 苏令华, 辛勤[7]2010年在《高光谱图像压缩技术研究进展》文中研究表明高光谱遥感已经成为遥感领域的前沿科技,在军事侦察以及国民经济中发挥着重要作用。高光谱遥感的光谱通道数达到上百个,光谱分辨率的不断提高使得高光谱图像的数据量急剧膨胀。对于星载成像光谱仪获取的高光谱图像,庞大的数据量已经给数据的存储与传输带来巨大压力,严重制约着高光谱图像的后续应用,因此,必须利用有效的压缩技术对高光谱图像进行压缩。高光谱图像压缩技术可分为无损压缩与有损压缩,在实际应用中,需要根据具体的应用需求选取不同的压缩方式。本文首先对高光谱遥感的基本概念进行了简介,然后从无损压缩与有损压缩两个方面对高光谱图像压缩技术的研究进展进行了综述,最后,指出了高光谱图像压缩技术的发展方向。
张晓玲[8]2001年在《图像无损压缩算法初步研究》文中指出无损图像压缩有在许多领域有重要的应用，如图像需要做进一步的处理（特征提取，图像增强等），重复压缩/解压缩，图像的获取代价昂贵，图像的要求质量未知等。近年来，特别在医学领域和遥感领域，图像数据量海量增长，对高效的无损压缩方法有着迫切的需要。本论文以遥感图像和医学图像为主要研究对象，提出了一种基于神经网络模型的自适应预测的无损压缩算法和基于整型小波变换的图像无损压缩。 利用神经网络具有自适应自学习的特点，基于感知器模型的无损压缩算法，能够自适应调整对图像的预测系数，有效去除图像的空间和谱间相关性，大大提高压缩效率。感知器模型的学习和工作过程是同时进行的，用已编码像素的学习结果做为待编码像素的工作参数--预测系数，符合了图像邻近像素的相关性也相似的特点，提高了预测精度，并节约了编码时间；预测残差采用Rice方法，提高了编码效率。另一方面，可以根据实际情况，灵活的选取预测像素集，从而有效的去除空间及谱间冗余。实验结果表明，该算法压缩效率明显优于JPEG无损压缩模式。对TM图像的压缩效率优于LOCO-I方法，对于其它图像，压缩比略低于LOCO-I，压缩速度提高一倍以上。 小波变换是一种有效的多分辨率分解模型。利用“提升”算法，实现整型到整型的变换，充分去除图像的相关性，并结合算术编码，能够实现图像的无损压缩，大大降低运算复杂度。实验结果表明，该算法压缩效率明显优于JPEG无损压缩模式。压缩比低于LOCO-I方法，压缩速度较高。同时该方法易于实现逐级式传输技术。
李媛媛[9]2016年在《陆地遥感卫星高光谱图像无损压缩研究》文中进行了进一步梳理随着遥感技术的迅速发展,人们将研究地表信息的能力由陆地延伸到太空,通过陆地遥感卫星获得的高光谱图像已被广泛应用于调查地下矿藏及资源,考察农作物的生长及农业发展,监测和预警严重的环境污染和自然灾害的发生,绘制各种地质地貌图。高光谱图像的应用范围越来越来越广泛,迫使了高光谱成像技术的快速进步,同时对陆地遥感卫星高光谱图像质量的要求也不断提高,空间分辨率和光谱分辨率有了大幅度增长,进而导致高光谱数据量的迅速增加。陆地遥感卫星上的有限星载存储器容量和卫星传输信道带宽与高光谱图像的巨大数据量之间的矛盾,以及陆地遥感卫星高光谱图像中丰富的地物特征信息和长期广泛的应用价值,使高效的高光谱图像无损压缩技术成为亟待解决的问题。由于高光谱图像具有较大谱间冗余信息,本文提出了一种对高光谱遥感图像利用基于混合预测的算法进行无损压缩的方法。第一谱段采用中值预测器模型进行谱内预测;对于其他谱段采用线性预测与上下文模型预测相结合的谱间混合预测,线性预测是通过二阶线性预测器模型得到预测参考值,上下文预测是根据预测参考值利用上下文预测模型预测得到最终预测值;最终采取熵编码的编码方式对预测得到的残差图像进行编码以得到可以用来传输和存储的比特流。选择标准的AVIRIS高光谱遥感图像为仿真测试图像进行无损压缩的实验结果表明:利用该方法能够取得较好的无损压缩效果,平均压缩比达到3.17,与现有的无损压缩方法3D-CALIC、LUT、C-DPCM、JPEG-LS相比,平均压缩比提高了0.05~0.48,是一种高效的高光谱图像无损压缩方法。
武晓玥[10]2010年在《图像无损压缩及去噪技术研究》文中指出目前,数字图像视频技术被广泛应用于通信、计算机、广播电视等领域,由于数字图像视频数据量巨大,对存储空间和传输信道提出了极高的要求,而且例如航天,医疗等领域对视频图像的质量要求无损或者近无损。因此,视频图像压缩编码技术的研究在当前环境下在显得越来越重要,其发挥的作用越来越显着,而且已成为影响多个引人瞩目的高科技领域发展的重要因素。为此,研究与开发快速、实用的视频图像无损压缩技术已成为一项十分迫切和重要的课题。图像在获取和传输过程中很容易受到各种因素的干扰,使得采集到的图像包含噪声。为了对后续图像进行各种图像处理,有必要对图像进行去噪处理。而噪声的去除是图像分析和计算机视觉中最基本而又非常重要的技术,它已经成为图像处理中十分重要的步骤。因此,为抑制噪声,提高图像质量,便于进一步处理,研究快速、有效的去噪方法仍然是目前的一个研究热点。本文主要以图像无损压缩与去噪技术为主线,针对图像无损压缩与去噪中的关键技术和应用进行了深入地研究,提出了多种性能更好的处理算法并给出了一种嵌入式硬件设计。本文的主要工作及贡献简述如下:1.深入研究了图像与视频无损压缩的基本原理与研究现状,对主要标准和压缩算法做了分析和总结。以无损压缩系统为框架,对视频图像压缩系统的发展及应用进行了概述,对比了主流的系统设计方法,指出了各自的优缺点。其后对图像去噪技术的发展,研究现状以及经典算法做了分析,总结和概括。2.针对SPIHT算法在图像无损压缩中计算复杂度高及对低位平面编码效率较低的现状,提出一种结合整数小波变换与改进的SPIHT无损图像压缩算法SSPIHT。利用整数小波分解后的系数分布情况,调整相应的SPIHT编码结构。结果表明,当测试不同类型的图像,所提出的方法取得的平均比特率较其他方法有所降低,编码时间有明显减小,而且该算法在较低的存储空间下可获得较好的压缩性能,易于硬件的实现。3.针对视频无损压缩编码算法中的自适应模型预测精度问题,提出了一种新的自适应无损视频压缩算法AMLVC,给出一种新的自适应预测模型设计。该算法利用时间,空间和频域的冗余信息通过后向自适应模型对视频进行无损压缩,同时减少了边界信息的传递。算法使用自适应预测模式选择器来取代额外比特预测模式,较好的控制了计算复杂度。同已有算法相比,该算法对视频序列表现出优秀的压缩性能,压缩效率明显提升。4.针对小波稀疏性能不理想的问题,提出了一种非下采样Contourlet变换(NSCT)结合高斯比例混合模型的图像降噪算法。算法基于NSCT变换,建立高斯比例混合图像模型(GSM),根据贝叶斯估计得到去噪模型。另外结合NSCT变换改进了基于SURE准则的图像去噪算法。算法根据SURE准则建立对MSE的估计,利用线性阈值对图像分解后不同尺度、不同方向的轮廓细节自适应调节实现图像去噪。5.为解决图像重构中产生的Gibbs伪影问题,提出一种结合非下采样塔式滤波器和全变差模型的图像去噪算法。金字塔滤波器把阈值去噪后的图像分解为低频和高频子带,利用全变差模型对分解图像分别建立去噪模型,得到重构图像。其后再次结合全变差模型得到细节补偿图像,迭加后得到最终去噪图像。另提出一种结合NSCT和自适应局部全变差模型的图像去噪算法NSCT-DTV,利用自适应局部全变差模型对处理后的图像结果进行滤波,有效地去除图像中的噪声,保留图像细节。实验结果表明,以上方法均能有效去除图像中的噪声和Gibbs伪影,保留图像细节,获得更好的视觉效果和更高的PSNR值。6.针对目前对无损压缩领域中嵌入式系统的广泛需求,本文分别设计实现了一种通用型嵌入式图像无损压缩系统和一种应用于空间的图像无损压缩系统。通用型系统首先结合相关无损压缩算法,以TMS320DM642为核心处理器,可实现多种无损压缩算法,可应用于工业等多种领域。另外结合CCSDS技术,以FPGA(STRIX-II)为核心处理器,实现了可应用于空间图像无损压缩的图像处理系统。系统的主要特点有:嵌入式设计,硬件实时压缩,体积小,功耗低,可广泛应用于卫星遥感,飞行航拍等领域。
参考文献：
[1]. 基于小波变换的高光谱图像压缩算法初步研究[D]. 张培强. 北京工业大学. 2004
[2]. 基于混沌的图像无损压缩加密算法的研究[D]. 陈鹏辉. 哈尔滨工业大学. 2016
[3]. 基于预测的无损彩色图像压缩算法研究[D]. 李清. 重庆大学. 2015
[4]. 基于分布式信源编码的多光谱图像/视频压缩技术研究[D]. 宋娟. 西安电子科技大学. 2012
[5]. 基于小波变换的图像无损快速压缩算法[D]. 陈炳权. 湖南大学. 2007
[6]. 基于小波变换的图像无损压缩算法研究[D]. 武永红. 重庆大学. 2012
[7]. 高光谱图像压缩技术研究进展[J]. 万建伟, 粘永健, 苏令华, 辛勤. 信号处理. 2010
[8]. 图像无损压缩算法初步研究[D]. 张晓玲. 北京工业大学. 2001
[9]. 陆地遥感卫星高光谱图像无损压缩研究[D]. 李媛媛. 长春理工大学. 2016
[10]. 图像无损压缩及去噪技术研究[D]. 武晓玥. 西安电子科技大学. 2010
标签：电信技术论文; 图像压缩论文; 小波变换论文; 无损压缩论文; 光谱分辨率论文; 图像编码论文; 预测编码论文; 图像像素论文; 光谱论文; 数据压缩论文; 算法论文;