CN101132529A - 基于快速逐次逼近量化的小波图像压缩方法 - Google Patents
基于快速逐次逼近量化的小波图像压缩方法 Download PDFInfo
- Publication number
- CN101132529A CN101132529A CN 200610109891 CN200610109891A CN101132529A CN 101132529 A CN101132529 A CN 101132529A CN 200610109891 CN200610109891 CN 200610109891 CN 200610109891 A CN200610109891 A CN 200610109891A CN 101132529 A CN101132529 A CN 101132529A
- Authority
- CN
- China
- Prior art keywords
- factor
- pixel
- pixels
- influence
- vertical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于快速逐次逼近量化的小波图像压缩方法,解决了现有图像压缩方法编码图像时所需的内存和时间较多的问题。包括:通过小波变换将欲处理的图像分解成若干频率不同的子带;对上述子带中最低频子带进行差值脉冲编码调制处理;对预测编码后的差值幅度和符号分别进行编码处理;对步骤A确定的子带中高频子带进行快速逐次逼近量化编码处理;对编码处理后的高频子带和最低频子带进行熵编码。由于对占变换系数绝大多数能量的LL最低频子带优先完全编码和采用了幅度和符号分离单独编码等技术,有效地去除了符号间的相关性,提高了图像编码器的性能。对所有高频子带进行快速逐次逼近量化编码处理,能够有效地减少编码时间。
Description
技术领域
本发明是一种针对静止图像的嵌入式零树小波图像压缩方法,主要基于快速逐次逼近量化和符号与幅度分离编码的技术。
背景技术
随着信息化时代的到来,数字化图像的数据量是相当大的,图像信息的海量存储、处理和传输便成为其硬件和软件技术最大的难题之一。以数字电视为例,如果是SIF(Source InputFormat)格式,NTSC制、彩色、4∶4∶4采样的数字电视图像,那么每帧的数据量为2028Kb,每秒的数据流量可达60.8MB,一片650MB的CD-ROM一共只能存放325帧图像,可播放的节目时间也只有10.7秒。从这个简单的例子可以看出,数字化以后的图像信息量是何其之庞大。如果单纯采用扩大存储器容量、增加通信干线的传输率的办法显然是不现实的。而对海量数据进行压缩,以压缩形式存储和传输是解决这一问题的一个行之有效的办法。
在图像压缩发展的历史上,基于离散余弦变换的图像编码方法一度占了统治地位。不过,由于小波变换的多分辨率特性非常适于图像压缩,因此近年来小波图像编码技术便在图像压缩领域取得了巨大的成功,并已经在JPEG2000中得到了具体应用。其中,最经典的嵌入式小波图像压缩技术莫过于Shapiro于1993年提出的嵌入式零树量化压缩方法EZW(EmbededZerotree Wavelet)了。EZW是一种非常成功的图像压缩方法,其基本思想是对小波变换系数的编码分为两个部分:一是对用来表明系数特性的系数重要性图进行编码;二是对重要系数的幅度进行编码。利用不同尺度的小波系数幅度间存在较强的相关性,将多数的零系数组织成一种树形结构,从而提高了整体编码效率。这种方法得到的比特流中的比特是按重要程度排序的,可方便的实现分级编码和传输。使用这种编码方法,编码者能够在任意一点结束算法,允许达到一个目标比特率或目标失真,而这时仍能较确切的恢复原来的图像。
不过,EZW方法仍然存在一些不足之处,具体表现在:由于对所有频域的小波系数进行同等重要度的编码,因而牺牲了对小波变换多分辨率特性的充分利用,从而不能充分挖掘小波变换的价值;在逐次逼近量化过程中,针对小于阀值的小波系数,为了确定该系数是零树树根还是孤立零,EZW编码算法必须扫描其所有后代,这必然大大影响其编码速度,因此,时间耗费很大;仅仅将有值的重要位符号分为正值和负值,并没有利用符号间的相关性。
针对EZW图像压缩方法的一些不足,Said和Pearlman于1996年提出了基于分层树集合分割排序的SPIHT图像压缩方法(Set Partitioning Hierarchical Trees),SPIHT方法是EZW方法的改进,它将某一树节点及其所有后继节点归结为同一集合,集合分割过程是不断地将重要集合分成四个子集,再分别对每一个子集进行重要性测试,由于小波变换系数在空间方向树结构中的相似性,使得采用这种集合分割后的排序技术具有高效性的特点。不过,SPIHT算法虽然压缩性能不错,但为了存储重要系数和重要树集合的坐标,SPIHT方法在搜索排序过程中不得不保存三个列表,需要较多的内存。为了解决这一问题,W.K.Lin和N.Burgress又提出了便于硬件实现的LZC(Listless zero codes)图像压缩方法,LZC方法相对于SPIHT方法的优势在于在编解码过程中不需要列表,取而代之的是用两个标志位图来存储树信息,不仅简化了原SPIHT方法,而且极大地降低了内存需求量,但该压缩方法却在很大程度上降低了编码器性能。
发明内容
在EZW及其它传统图像压缩方法的基础上,本发明提供一种能够减少编码图像时所需的内存和时间的基于快速逐次逼近量化的小波图像压缩方法。随着接收比特的增多,渐进的恢复图像,使其可以应用于网络、无线传输,图像浏览,等容易发生误差的环境。
为达到上述目的,本发明采用以下技术方案:一种基于快速逐次逼近量化的小波图像压缩方法,包括如下步骤:
步骤A,通过小波变换将欲处理的图像分解成若干频率不同的子带;
步骤B,对上述子带中最低频子带进行差值脉冲编码调制处理;
步骤C,对预测编码后的差值幅度和符号分别进行编码处理;
步骤D,对步骤A确定的子带中高频子带进行快速逐次逼近量化编码处理;
步骤E,对编码处理后的高频子带和最低频子带进行熵编码。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述步骤D具体为:
步骤D1,设定量化门限值和高频子带的目标比特率;
步骤D2,以所述量化门限值为标准,对所述高频子带系数进行量化,得到高频子带的重要系数;
步骤D3,对高频子带的重要系数进行自适应算术编码;
步骤D4,判断编码后的高频子带是否达到目标比特率;
步骤D5,如果没有达到目标比特率,重新设定量化门限值,该量化门限值为当前门限值的一半;
步骤D6,执行步骤D2。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,在步骤D2中对所述高频子带系数进行量化为,高频子带系数相对于所述量化门限值分为重要系数和不重要系数,重要系数分为正的重要系数和负的重要系数,不重要系数分为孤立零点和零树根;正的重要系数用11进行编码,负的重要系数用10进行编码,孤立零点用01进行编码,零树根用00进行编码。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述步骤C具体为:
步骤C1,对差值幅度进行自适应算术编码,
步骤C2,根据上下文内容构建符号编码模型;
步骤C3,根据符号编码模型对预测差值符号进行编码。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述步骤C2具体为:
步骤C21,将所述低频子带内水平邻域象素的符号分为正的重要象素、负的重要象素和不重要象素;
步骤C22,根据影响因子确定规则,计算低频子带内水平邻域象素对当前象素的影响因子;
步骤C21,将所述低频子带内垂直邻域象素的符号分为正的重要象素、负的重要象素和不重要象素;
步骤C22,根据影响因子确定规则,计算低频子带内垂直邻域象素对当前象素的影响因子。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述影响因子确定规则为:
如果两个垂直邻域象素都是正的重要象素,则垂直影响因子是1;
如果两个垂直邻域象素中一个为正的重要象素,另一个为不重要象素,则垂直影响因子是1;
如果两个垂直邻域象素都是不重要象素,则垂直影响因子是0;
如果两个垂直邻域象素都是重要象素,但有不同的符号,则垂直影响因子是0;
如果两个垂直邻域象素都是负的重要象素,则垂直影响因子是-1;
如果两个垂直邻域象素中一个为负的重要象素,另一个为不重要象素,则垂直影响因子是-1;
如果两个水平邻域象素都是正的重要象素,则水平影响因子是1;
如果两个水平邻域象素中一个为正的重要象素,另一个为不重要象素,则水平影响因子是1;
如果两个水平邻域象素都是不重要象素,则水平影响因子是0;
如果两个水平邻域象素都是重要象素,但有不同的符号,则水平影响因子是0;
如果两个水平邻域象素都是负的重要象素,则水平影响因子是-1;
如果两个水平邻域象素中一个为负的重要象素,另一个为不重要象素,则水平影响因子是-1;
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述步骤C3具体为,在下面情况预测差值符号为正:当水平影响因子为1,垂直影响因子为1、0、-1时;当水平影响因子为为0,垂直影响因子为1、0时;在下面情况预测差值符号为负:当水平影响因子为0,垂直影响因子为-1时;当水平影响因子为-1,垂直影响因子为1、0、-1时。
优选的:在所述基于快速逐次逼近量化的小波图像压缩方法中,所述步骤E中熵编码采用自适应算术编码。
本发明所提出的这种基于快速逐次逼近量化的小波图像编码方法,与以往的EZW及基于DCT变换的图像编码方法相比具有以下显著的优点:
1)由于对占变换系数绝大多数能量的LL最低频子带优先完全编码和采用了幅度和符号分离单独编码等技术,有效地去除了符号间的相关性,提高了图像编码器的性能。
2)对所有高频子带进行快速逐次逼近量化编码处理,能够有效地减少编码时间。
附图说明
图1是本发明基于快速逐次逼近量化的小波图像压缩方法的系统组成示意图;
图2是本发明基于快速逐次逼近量化的小波图像压缩方法中水平和垂直邻域对当前符号的影响因子示意图;
图3是本发明基于快速逐次逼近量化的小波图像压缩方法中基于水平和垂直邻域的5个上下文内容符号编码模型示意图;
图4是本发明基于快速逐次逼近量化的小波图像压缩方法的编码流程实现图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示:本发明所说的小波图像编码器,总体上由四部分构成:
图中第一部分为小波变换部分,本发明采用9/7双正交小波变换,分解5层,使用对称延拓。
第二部分是对小波变换后的高频子带进行量化编码,这里采用了快速逐次逼近量化和改进的嵌入式编码策略。下面对其原理作一下详细的介绍,在以往的逐次逼近量化过程中,针对每次逐次逼近量化过程,对所有小波系数应用当前阀值都会得到一个重要图,而在该重要图的部分子带扫描中,所有小波系数均为0(特别是最开始的几次量化过程)。而快速逐次逼近量化则是针对每个逐次逼近量化,并非扫描所有的小波系数,而是依据该次逐次逼近量化的阀值,将所有子带分成重要子带和不重要子带,仅对重要子带进行扫描,这样无疑就会大大减少逐次逼近量化所需的时间。本发明方法的改进嵌入式编码策略是这样的,小波系数x相对于门限T来说被定义了两种可能,重要系数(用1进行编码)、不重要系数(用0进行编码)。对于重要系数,额外增加1位用于小波系数符号编码,对于不重要系数,额外增加1位用于表示小波系数是否为零树树根,即正的重要系数(用11进行编码)、负的重要系数(用10进行编码)、孤立零点(用01进行编码)和零树根(用00进行编码)。不过,边缘子带中的所有小波系数均无后代,故根本无需再增加1位用于决定那些不重要的小波系数是否有重要后代。显然,修改后的嵌入式编码策略能够大大消除上述编码冗余。
第三部分是对小波变换后的最低频子带处理,由于传统零树小波图像压缩方法对所有频域的小波变换系数进行同等重要度的编码,因而牺牲了对小波变换多分辨率特性的充分利用,从而不能充分挖掘小波变换的价值,所以本发明算法对最低频子带进行了单独处理。鉴于最低频子带内的小波系数之间具有极强的相关性,因此首先对最低频子带进行了DPCM预测编码。预测编码是一种通过统计冗余来提高压缩性能的技术。根据先前已编码的象素值,编码器可以估计和预测将要编码和解码的象素值。编码和传输的并不是象素亮度本身的抽样值,而是这个抽样值的预测值(或叫估计值)与其实际值之间的差值。对于预测后的差值,本发明算法并没有对其直接进行量化编码,而是对其幅度和符号进行分别编码处理,差值幅度直接以比特平面的方式输出,差值符号则进行基于5个上下文内容的符号编码模型进行编码。
基于上下文内容的符号编码模型是按如下方式建立的:
首先计算水平和垂直邻域象素的符号对当前象素的影响因子。每个邻域象素的符号有三种可能:正的重要象素,负的重要象素和不重要象素。如果两个垂直邻域象素都是重要的且有相同的符号,或者只有一个是重要的,那么符号为正,则垂直的影响因子就是1;符号为负,则垂直的影响因子就是-1。如果两个垂直邻域象素都不重要,或者都重要,但有不同的符号,那么垂直的影响因子就是0。水平方向的过程与此类似。如果邻域象素不在子带内,则认为其无意义。如果邻域象素还没有访问,也认为其无意义。图2列出了水平和垂直邻域对当前像素符号的影响因子。
由图2可知,水平和垂直邻域都有3个不同的影响因子,综合考虑水平和垂直邻域对当前像素符号的影响,这样就会产生9中可能。但其中部分可能表示同样的分布,可以用同样的上下文内容来指导编码,例如h和v对像素符号的影响因子分别为1,1和-1,-1时,虽然有不同的影响因子,但是表示相同的分布特点,可以调用同一个上下文内容编码,所以需要合并这9种可能。图3显示了合并后的5个上下文内容,其中X表示估计的符号,0表示估计为正,1表示估计为负。
第四部分是熵编码部分,这里采用了自适应算术编码,主要是对低频和高频子带处理产生的量化编码后的比特流进行进一步的压缩,以提高编码效率。
本发明方法的编码流程如图4所示,具体步骤见如下说明:
1)原始图像输入;
2)对原始图像进行9/7双正交小波变换;
3)对最低频子带进行DPCM预测编码,预测差值幅度送至自适应算术编码器处理,预测差值符号则进行基于5个上下文内容的符号编码;
4)高频子带的处理:
a)初始化量化门限;
b)以当前量化门限对高频子带的系数进行量化(仅扫描对当前量化门限为重要的子带);
c)将量化后的重要图和重要的系数送至自适应算术编码器进行编码;
d)当前量化门限缩小一倍,转至步骤b)执行;
5)编码过程中,若已达到指定的比特率则随时可以终止编码。
解码过程是编码的逆过程,这里就不再赘述了。
本发明提出的基于快速逐次逼近量化的小波图像压缩方法,充分利用了小波变换系数的特点,在各种先验信息的指导下,能够形成高效的嵌入式码流,编码性能非常良好,并且由于采用了快速逐次逼近量化技术,编码时间也比EZW算法有了明显的减少。可以说,本图像压缩发明方法是一种性能非常良好的方法,可以广泛应用于各种需要嵌入式编码的场合,应用前景十分广阔。
Claims (8)
1.一种基于快速逐次逼近量化的小波图像压缩方法,包括如下步骤:
步骤A,通过小波变换将欲处理的图像分解成若干频率不同的子带;
步骤B,对上述子带中最低频子带进行差值脉冲编码调制处理;
步骤C,对预测编码后的差值幅度和符号分别进行编码处理;
步骤D,对步骤A确定的子带中高频子带进行快速逐次逼近量化编码处理;
步骤E,对编码处理后的高频子带和最低频子带进行熵编码。
2.根据权利要求1所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于:所述步骤D具体为:
步骤D1,设定量化门限值和高频子带的目标比特率;
步骤D2,以所述量化门限值为标准,对所述高频子带系数进行量化,得到高频子带的重要系数;
步骤D3,对高频子带的重要系数进行自适应算术编码;
步骤D4,判断编码后的高频子带是否达到目标比特率;
步骤D5,如果没有达到目标比特率,重新设定量化门限值,该量化门限值为当前门限值的一半;
步骤D6,执行步骤D2。
3.根据权利要求2所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于:在步骤D2中对所述高频子带系数进行量化为,高频子带系数相对于所述量化门限值分为重要系数和不重要系数,重要系数分为正的重要系数和负的重要系数,不重要系数分为孤立零点和零树根;正的重要系数用11进行编码,负的重要系数用10进行编码,孤立零点用01进行编码,零树根用00进行编码。
4.根据权利要求1所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于:所述步骤C具体为:
步骤C1,对差值幅度进行自适应算术编码,
步骤C2,根据上下文内容构建符号编码模型;
步骤C3,根据符号编码模型对预测差值符号进行编码。
5.根据权利要求4所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于:所述步骤C2具体为:
步骤C21,将所述低频子带内水平邻域象素的符号分为正的重要象素、负的重要象素和不重要象素;
步骤C22,根据影响因子确定规则,计算低频子带内水平邻域象素对当前象素的影响因子;
步骤C21,将所述低频子带内垂直邻域象素的符号分为正的重要象素、负的重要象素和不重要象素;
步骤C22,根据影响因子确定规则,计算低频子带内垂直邻域象素对当前象素的影响因子。
6.根据权利要求4所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于,所述影响因子确定规则为:
如果两个垂直邻域象素都是正的重要象素,则垂直影响因子是1;
如果两个垂直邻域象素中一个为正的重要象素,另一个为不重要象素,则垂直影响因子是1;
如果两个垂直邻域象素都是不重要象素,则垂直影响因子是0;
如果两个垂直邻域象素都是重要象素,但有不同的符号,则垂直影响因子是0;
如果两个垂直邻域象素都是负的重要象素,则垂直影响因子是-1;
如果两个垂直邻域象素中一个为负的重要象素,另一个为不重要象素,则垂直影响因子是-1;
如果两个水平邻域象素都是正的重要象素,则水平影响因子是1;
如果两个水平邻域象素中一个为正的重要象素,另一个为不重要象素,则水平影响因子是1;
如果两个水平邻域象素都是不重要象素,则水平影响因子是0;
如果两个水平邻域象素都是重要象素,但有不同的符号,则水平影响因子是0;
如果两个水平邻域象素都是负的重要象素,则水平影响因子是-1;
如果两个水平邻域象素中一个为负的重要象素,另一个为不重要象素,则水平影响因子是-1。
7.根据权利要求4、5或6所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于,所述步骤C3具体为,在下面情况预测差值符号为正:当水平影响因子为1,垂直影响因子为1、0、-1时;当水平影响因子为为0,垂直影响因子为1、0时;在下面情况预测差值符号为负:当水平影响因子为0,垂直影响因子为-1时;当水平影响因子为-1,垂直影响因子为1、0、-1时。
8.根据权利要求1所述的基于快速逐次逼近量化的小波图像压缩方法,其特征在于:所述步骤E中熵编码采用自适应算术编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610109891 CN101132529A (zh) | 2006-08-22 | 2006-08-22 | 基于快速逐次逼近量化的小波图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610109891 CN101132529A (zh) | 2006-08-22 | 2006-08-22 | 基于快速逐次逼近量化的小波图像压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101132529A true CN101132529A (zh) | 2008-02-27 |
Family
ID=39129624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200610109891 Pending CN101132529A (zh) | 2006-08-22 | 2006-08-22 | 基于快速逐次逼近量化的小波图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101132529A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006483B (zh) * | 2009-09-03 | 2013-05-01 | 中兴通讯股份有限公司 | 一种视频编解码方法及装置 |
CN104471945A (zh) * | 2012-07-19 | 2015-03-25 | 日本电气株式会社 | 小波变换编码/解码方法和装置 |
CN105791847A (zh) * | 2011-10-24 | 2016-07-20 | 黑莓有限公司 | 使用分区选择的重要性图编码和解码 |
CN103618910B (zh) * | 2013-12-02 | 2017-01-18 | 广东威创视讯科技股份有限公司 | 图像转换方法及装置 |
CN106507113A (zh) * | 2016-11-28 | 2017-03-15 | 河海大学 | 一种三描述格型矢量量化预测边路解码方法 |
CN108391134A (zh) * | 2016-02-04 | 2018-08-10 | 联发科技股份有限公司 | 熵编码器、熵译码器及对应地熵编码方法和熵译码方法 |
CN110024392A (zh) * | 2016-12-21 | 2019-07-16 | 高通股份有限公司 | 用于视频译码的低复杂度符号预测 |
CN113554722A (zh) * | 2021-07-22 | 2021-10-26 | 辽宁科技大学 | 一种基于改进ezw的人民币纸币冠字号码图像压缩方法 |
WO2022135218A1 (zh) * | 2020-12-21 | 2022-06-30 | 维沃移动通信有限公司 | 图像编码方法及装置 |
-
2006
- 2006-08-22 CN CN 200610109891 patent/CN101132529A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006483B (zh) * | 2009-09-03 | 2013-05-01 | 中兴通讯股份有限公司 | 一种视频编解码方法及装置 |
CN105791847A (zh) * | 2011-10-24 | 2016-07-20 | 黑莓有限公司 | 使用分区选择的重要性图编码和解码 |
CN104471945B (zh) * | 2012-07-19 | 2018-01-26 | 日本电气株式会社 | 小波变换编码/解码方法和装置 |
CN104471945A (zh) * | 2012-07-19 | 2015-03-25 | 日本电气株式会社 | 小波变换编码/解码方法和装置 |
CN103618910B (zh) * | 2013-12-02 | 2017-01-18 | 广东威创视讯科技股份有限公司 | 图像转换方法及装置 |
CN108391134A (zh) * | 2016-02-04 | 2018-08-10 | 联发科技股份有限公司 | 熵编码器、熵译码器及对应地熵编码方法和熵译码方法 |
CN106507113A (zh) * | 2016-11-28 | 2017-03-15 | 河海大学 | 一种三描述格型矢量量化预测边路解码方法 |
CN106507113B (zh) * | 2016-11-28 | 2019-03-29 | 河海大学 | 一种三描述格型矢量量化预测边路解码方法 |
CN110024392A (zh) * | 2016-12-21 | 2019-07-16 | 高通股份有限公司 | 用于视频译码的低复杂度符号预测 |
CN110024392B (zh) * | 2016-12-21 | 2021-08-10 | 高通股份有限公司 | 用于视频译码的低复杂度符号预测 |
WO2022135218A1 (zh) * | 2020-12-21 | 2022-06-30 | 维沃移动通信有限公司 | 图像编码方法及装置 |
CN113554722A (zh) * | 2021-07-22 | 2021-10-26 | 辽宁科技大学 | 一种基于改进ezw的人民币纸币冠字号码图像压缩方法 |
CN113554722B (zh) * | 2021-07-22 | 2023-08-15 | 辽宁科技大学 | 一种基于改进ezw的人民币纸币冠字号码图像压缩方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101132529A (zh) | 基于快速逐次逼近量化的小波图像压缩方法 | |
US6965700B2 (en) | Embedded and efficient low-complexity hierarchical image coder and corresponding methods therefor | |
US20050152611A1 (en) | Video/image coding method and system enabling region-of-interest | |
EP2406958A2 (en) | Adaptive entropy coding for images and videos using set partitioning in generalized hierarchical trees | |
CN101132530A (zh) | 基于游程编码实现嵌入式图像压缩的方法 | |
CN101631243B (zh) | 一种基于小波变换的图像编和解码的方法 | |
Kaur et al. | Improvements of spiht in image compression-survey | |
Bao et al. | Design of wavelet-based image codec in memory-constrained environment | |
Zhu et al. | An improved SPIHT algorithm based on wavelet coefficient blocks for image coding | |
CN1860793A (zh) | 具有用于过完备小波视频编码架构内的重要系数群集的自适应结构化元素的3-d形态操作 | |
Chai et al. | Statistically adaptive wavelet image coding | |
Kumar et al. | Comparative analysis of wavelet based compression methods | |
Liang | The predictive embedded zerotree wavelet (PEZW) coder: Low complexity image coding with versatile functionality | |
Tu et al. | Context-based entropy coding of block transform coefficients for image compression | |
Lamsrichan | A fast algorithm for low-memory embedded wavelet-based image coding without list | |
Liu et al. | Embedded wavelet packet object-based image coding based on context classification and quadtree ordering | |
Muzaffar et al. | Linked significant tree wavelet-based image compression | |
KR19980041491A (ko) | 큐빅격자구조 벡터양자화를 이용한 웨이브렛변환 영상부호화/복호화시스템 | |
Shin et al. | Fine-tuned SPIHT Algorithm to Improve Compression Efficiency | |
Brahimi et al. | An efficient wavelet-based image coder | |
Rui et al. | Feedback-free Wavelet Based Distributed Coding for Video | |
Bano et al. | Energy-efficient, low memory listless SPIHT coder for wireless multimedia sensor networks | |
Ochoa-Domínguez et al. | A Discrete Wavelet Transform-Singular Value Decomposition System for Image Coding | |
Zhang et al. | Embedded hybrid coding for lossy to lossless image compression using integer wavelet transform | |
Ochoa et al. | A hybrid DWT-SVD image-coding system (HDWTSVD) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080227 |