摘 要 对于纹理(线奇异性)丰富的图像,脊波可以获得比小波更加稀疏的表示。统计表明边缘表示了图像的主要信息。利用脊波对“线奇异性”图像的最优逼近的思想,设计出基于正交有限脊波变换的图像压缩算法。通过对图像的脊波系数进行量化和编码达到压缩图像的目的。实验结果表明,与基于小波的压缩算法相比,该算法能获得更高的压缩率,同时保持较高的峰值信噪比和良好的重建图像视觉效果。 关键词 图像压缩;脊波变换;稀疏表示;算术编码
0 引言 小波的出现在许多领域取得了广泛的应用,并迅速成为诸多学科的重要分析工具之一。小波变换以其良好的时频局域特性以及多分辨分析能力在数字信号处理和数字图像压缩方面取得了巨大的成功[1][2]。在新的静止图像压缩标准ISO 15444(即JPEG2000)中就是把小波变换作为其核心技术。但是小波变换只能反映信号的零维奇异性,对于具有二维分段光滑的信号或一维直线奇异性的图像,小波变换却不是最“稀疏”的表示方法[3][4]。图像中包含有大量的纹理特征,线奇异性表现比较突出,小波变换不能达到最优的逼近[5]。为了克服小波的这种不足,Candès等人提出了一种新的多尺度变换—脊波变换(Ridgelet transform)[3],它特别适合于具有直线或超平面奇性的高维信号的描述,能够有效地处理二维图像的线奇异性,较好的对此类信号进行“逼近”,是比小波更好的稀疏表示图像的工具[5]。 本文利用正交有限脊波变换对图像进行分解,然后对变换后的系数进行量化和熵编码,以达到图像压缩的目的。实验表明,同基于小波变换的压缩算法相比,该算法能提高图像的压缩比,同时保持较低的失真度。1 有限脊波变换 给定一个双变量可积的函数f(x) ,它在R2 空间(二维实空间)上的二维连续脊波变换(2D continuous ridgelet transform)[3][4]定义为: (1) 其中 是二维的脊波函数,它的定义为: (2) 式(2)中, 是小波类的一维函数,参数 满足如下的条件:a>0 ,b∈R , 。脊波逆变换可以通过如下的公式完成: (3) 考虑到在 R2 空间上小波变换可以写成如下式子: (4) 式中二维小波函数是由一维小波所长成的,即满足: (5) 其中一维小波 。 可以看出脊波变换和二维小波变换非常类似,只是脊波用线参数来代替小波中的点参数。小波在处理具有孤立的点奇异性图像时非常有效,而脊波变换在表示线奇异性图像时表现更优。实际上,我们可以把脊波变换看成是在直线上的一维小波变换。而在二维空间点和直线是通过Radon变换联系在一起的。 Radon变换可以写作为: (6) 由(6)式可见,f(x) 的Radon变换是f(x) 沿不同θ方向的投影;而 f(x) 的脊波变换看作是先对 f(x) 进行Radon变换,然后沿着每个积分方向做一维小波变换的结果,即: (7) 正因为脊波变换在Radon域上对各个方向进行一维小波变换,将图像的线奇异性转换为点奇异性,充分利用小波变换对点奇异性的良好表示特性来得到具有线奇异性图像的稀疏表示。脊波逆变换可以通过沿每一方向做一维小波逆变换,然后进行Radon逆变换得到。 脊波变换离散化是通过离散Randon变换外加离散小波变换得到。然而Randon变换的离散化是一个比较复杂的问题,在众多的离散化算法中,有些存在大量的冗余,有些虽然克服了大的冗余度,但是得到其所对应的逆变换又比较困难。其中有限Radon变换FRAT(Finite Radon Transform)[6][7]是其中比较好的离散化算法之一。有限Radon变换是有限大小的二维离散图像实现Radon变换的离散化方法。 一个N×N(N要求是一个素数)大小的图像 f(i,j),其中 {0,1,2…,N-1}。它的有限Radon变换FRAT定义为: (8) 其中, 是满足斜率 k和截距 l 的直线上的所有象素点的集合,定义如下: , 当 k∈{0,1,2…,N-1} , 当 (9) 由式(8)(9)可知,有限Radon变换是满足要求的直线上的图像象素点灰度值的累加和。一个N×N大小的图像经有限Radon变换后,将得到(N+1)×N大小的矩阵,它有N+1个斜率方向,每个方向上有N个系数。 有限Radon变换的逆变换可以通过有限逆投影变换FBP(Finite Back Projection)来得到: ,就可以定义正交有限脊波变换如下: (12) 在
基于正交有限脊波变换的图像压缩
来源:互联网 发布日期:2011-09-13 09:46:01 浏览:4503次
导读:摘 要 对于纹理(线奇异性)丰富的图像,脊波可以获得比小波更加稀疏的表示。统计表明边缘表示了图像的...
上一篇:简单中文分词实现(修正版)
相关内容
- 英伟达批拜登政府:AI芯片出口限制计划只会损害美经济
- 三问“AI 2025”,五款大模型这样说
- OpenAI 被曝本月将发“博士级”超级 AI 智能体
- 阿尔特曼:通用人工智能将由 OpenAI 率先实现
- 人工智能热度再起,AI技术全面渗透是大势所趋
- 微软开源140亿参数小语言AI模型Phi-4,性能比肩 GPT-4o Mini
- OpenAI:芯片、数据、人才,美国不仅要赢,也必须要赢
- 混乱、分裂、吞并:2024年AI的信仰之战
- 刚刚,特朗普联手奥特曼,狂砸5000亿美元启动AI「星际之门」
- 马修·杰克逊:面对AI,没有什么工作是永远安全的
- AI领先者共话2025:大模型迎来下半场 Agent、机器人成应用爆发点
- 人工智能革命推动电力需求激增,美国兴起天然气发电厂建设热潮
- 中国人工智能产业规模5年后或超万亿,这两个行业渗透力居首|言叶知新
- 面壁智能发布多模态大模型MiniCPM-o 2.6,让AI一直“睁着眼”
- 开启全新嵌入式AI领域,意法半导体让STM32惠益更多应用
- AI风险治理亟需产业实践方案
- 5000亿美元砸向AI!特朗普官宣“星际之门”计划,撤销拜登签署的AI行政令
- 北京智源发布2025年AI十大趋势:世界模型有望成多模态大模型下一步
- 微软科学家自述确诊“AI疲劳症”!如何在快速发展的AI浪潮中保持清醒
- 2025, AI进入“飞天”时刻
AiLab云推荐
最新资讯
- 刚刚,特朗普联手奥特曼,狂砸5000亿美元启动AI「星际之门」
- 5000亿美元砸向AI!特朗普官宣“星际之门”计划,撤销拜登签署的AI行政令
- AI大模型的能力比拼或许不再拘泥于“算力”
- 微软 AI 战略面临重大挑战:大量旧电脑难以升级至 Win11
- DeepSeek开源推理大模型R1:纯强化学习实现接近OpenAI o1水平,成本降至1/30
- OpenAI 被曝本月将发“博士级”超级 AI 智能体
- OpenAI o3 碾压式 AI 数学成绩遭质疑:既当选手又是裁判
- 阿尔特曼:通用人工智能将由 OpenAI 率先实现
- 微软科学家自述确诊“AI疲劳症”!如何在快速发展的AI浪潮中保持清醒
- 2025, AI进入“飞天”时刻
本月热点
热门排行
-
机构看衰、专家批评项目艰难,大语言模型会不会成为即将破碎的AI泡沫?
阅读量:7005
-
大模型落地路线图研究报告:大模型推动“人工智能+”高质量发展
阅读量:6367
-
人工智能对材料科学研究有哪些深远影响?谢建新院士分享
阅读量:6301
-
这个会议一天提及AI 500次,最后的结论是什么?
阅读量:6175
-
OpenAI 罕见开源!低调发布的新研究,一出来就被碰瓷
阅读量:5857
-
机构看衰、专家批评项目艰难,大语言模型会不会成为即将破碎的AI泡沫?
阅读量:5142