CN101132531A - 用于医学图像的基于快速jpeg-ls的压缩方法 - Google Patents
用于医学图像的基于快速jpeg-ls的压缩方法 Download PDFInfo
- Publication number
- CN101132531A CN101132531A CN 200710141738 CN200710141738A CN101132531A CN 101132531 A CN101132531 A CN 101132531A CN 200710141738 CN200710141738 CN 200710141738 CN 200710141738 A CN200710141738 A CN 200710141738A CN 101132531 A CN101132531 A CN 101132531A
- Authority
- CN
- China
- Prior art keywords
- value
- relevant
- compression
- image data
- data
- 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
Abstract
一种系统和方法提供图像数据压缩和重建技术优化,所述图像数据压缩和重建技术优化可以增强(1)局部梯度量化、(2)经量化的梯度合并、和/或(3)预测和/或预测误差计算。在图像数据压缩之前可以创建数据结构,其提供了在图像数据压缩期间对预计算的量化值的存取。可以通过执行量化矢量到相应的量化值的一对一映射来执行量化合并。随后,可以检查量化值的符号以进一步减少所需逻辑步骤的数量。预测技术可以减轻相邻像素的噪声对当前像素的影响。优化可以被应用于基于JPEG-LS的算法以使处理加速约50%,同时保持误差可控性和压缩比。优化可以增强在客户端服务器环境中对医学图像的远程再现和观察。
Description
优先权和对相关申请的交叉引用
本申请要求在35U.S.C.§119(e)下对于2006年8月21日提交的题为“Fast JPEG-LS Based Compression Method for MedicalImages(用于医学图像的基于快速JPEG-LS的压缩方法)”的临时申请序列号No.60/839,068的优先权,其全文在此通过引用被纳入。
技术领域
本实施例通常涉及图像压缩技术。尤其,本实施例涉及图像压缩技术优化。
背景技术
常规JPEG-LS算法是由联合图像专家组(Joint PhotographicExperts Group)开发的一种压缩标准。JPEG-LS已被开发以提供“接近无损”图像压缩标准,其可以提供与现有的无损JEPG方法学相比更好的压缩效率。JPEG-LS的基础基于LOCO-I算法,LOCO-I算法自身依赖于残差建模(residual modeling)和对残差基于上下文的编码。常规JPEG-LS技术可以依赖于假设:预测残差遵循两侧几何或拉普拉斯分布。JPEG-LS技术也可以使用Golomb式编码,其可能有利于几何分布。
然而,由于与一些类型图像数据结合使用的典型基于JPEG-LS的算法的计算复杂性,压缩速度可能受到限制。因此,标准JPEG-LS压缩速度和产生的平均帧率可能太慢而在某些情况下不能实际使用。例如,当用于临床环境时,公知JPEG-LS技术可能具有局限性。
发明内容
作为介绍,下面所述的实施例包括用于增强图像数据压缩和重建技术的方法、过程、装置、指令或系统。在时间和/或处理要求方面,与基于JPEG-LS的压缩方法相关的花费最多的操作可以得到识别并且随后被优化。本压缩和重建技术可以提供增强的(1)局部梯度量化(quantization)、(2)经量化的梯度合并、和/或(3)预测和/或预测误差计算。在此识别的优化可以在基于JPEG-LS的或其它压缩技术上执行。在一个实施例中,优化被应用于临床环境,所述临床环境要求压缩、传递和重建医学图像数据。
在第一方面,一种方法提供了图像数据压缩。该方法包括在开始压缩图像数据之前,创建与用于待压缩的图像数据的量化值相关的数据结构,每个量化值基于相应的局部梯度。该方法还包括随后经由数据结构取回量化值以促进图像数据压缩、通过执行量化矢量到整数的一对一映射来合并经量化的(quantized)梯度以及利用当作与当前像素的多于一个的相邻像素有关的输入信息的等式来计算预测值。
在第二方面,一种方法提供了图像数据压缩。该方法包括在开始图像数据压缩之前或之时创建数据结构,该数据结构属于与待压缩的图像数据相关的量化值,每个量化值基于相应的局部梯度。该方法还包括随后在图像数据压缩期间经由数据结构取回量化值。
在第三方面,该方法包括在压缩图像数据之前确定与待压缩的图像数据相关的预计算的量化值。该方法还包括随后使用预计算的量化值以促进图像数据压缩。
在第四方面,一种方法提供了图像数据压缩。该方法包括,在图像数据压缩期间,执行量化矢量到整数量化值的一对一映射,以及随后执行量化合并。
在第五方面,一种数据处理系统提供了图像数据压缩。该系统包括可操作以压缩图像数据的处理器,其中该处理器采用预测方法,所述预测方法说明当前像素的邻居像素的噪声,该预测方法使用在与当前像素的多于一个的相邻像素相关的信息上操作的单一等式来计算最终预测值。
在第六方面,描述了一种具有在计算机上可执行的指令的计算机可读媒介。所述指令包括创建与待压缩的图像数据相关的数据结构,该数据结构可操作以在图像数据压缩期间随后取回预计算的量化值。
本发明的实施例由在此陈述的权利要求来定义。该部分中没有什么应该被认为是对那些权利要求的限制。本发明的其他方面和优点在下文中结合示例性实施例予以讨论,并且可能稍后独立或组合地被要求。
附图说明
下面根据在此所给出的详细说明书和附图将更完全地理解本示例性实施例,所述本示例性实施例仅作为说明给出,而不是对本发明的限制,并且其中:
图1示出了图像压缩和重建的示例性方法;
图2示出了示例性快速JPEG-LS方法;
图3示出了示例性上下文窗口(context window);
图4示出了量化值的示例性查找表;以及
图5示出了可操作以实施快速JPEG-LS方法的示例性数据处理系统。
具体实施方式
在此所述的实施例包括用于增强的图像数据压缩和重建的方法、过程、装置、指令或系统。对公知的或其他图像压缩技术可以进行优化。所述优化可以增强(1)局部梯度量化、(2)经量化的梯度合并、和/或(3)预测和/或预测误差计算。在一个实施例中,在此识别的优化可以被应用于基于JPEG-LS的压缩技术。
公知的JPEG-LS算法主要被设计用于无损或接近无损压缩应用。JPEG-LS可能适用于可以由用户控制压缩所引入的最大误差的应用。另外,JPEG-LS可以提供优于其他通常所使用的压缩方法的平均无损压缩比。然而,在客户端服务器环境内使用JPEG-LS的障碍之一是其相对高的计算复杂性。例如,与通常所使用的JPEG算法相比,JPEG-LS压缩可能慢两倍以上。
一般,本发明的实施例提供一种称作“快速JPEG-LS(FastJPEG-LS)”或“FJPLS”的新的轻量压缩方法,其可能基于JPEG-LS算法。涉及快速JPEG-LS技术的本实施例可能具有如与误差可控性和压缩比相关的原始JPEG-LS方法相同的优点。同时,快速JPEG-LS实施例可以使基于JPEG-LS方法的压缩和解压缩加速约50%。
在一个实施例中,快速JPEG-LS优化被应用于要求压缩、传递、和重建医学图像数据的临床环境。JPEG-LS是一种用于连续色调图像(continuous toned image)的所建立的压缩方法。如上所述,与其他压缩标准相比,使用JPEG-LS的主要优点之一是最大压缩误差的可控性。该特征对医学应用可能是本质的,其中任何类型的不受控制的误差都可能潜在地导致错误或不完整的诊断。与其他压缩方法相比,JPEG-LS也可以提供更好的无损压缩比。这些优点使JPEG-LS成为某些医学成像应用的可能选择。
尽管如此,由于常规JPEG-LS算法的计算复杂性,压缩速度可能受限。例如,512×512的12位计算机断层摄影(CT)图像的压缩速度在3.2GHz奔腾IV工作站上约为30ms。在规则的临床使用情况下,512×512尺寸的4个窗口分段可能需要以远程方式被更新。因此,利用常规JPEG-LS算法,平均帧率可能小于8帧每秒。该量级的帧率可能不满足典型临床使用情形,所述典型临床使用情形可能需要在客户端服务器环境中远程再现和观察医学图像。
JPEG-LS是一种传送算法(pass algorithm),其主要以两种操作模式工作:(1)运行或运行长度模式和(2)规则模式。运行长度编码模式对均匀或“平坦”的图像区域编码,其中像素值相同或近似相同(小于所定义的最大误差)。然而,在连续色调图像(诸如医学图像)中,可能相对而言几乎没有发现均匀或平坦区域,除了也许在图像的背景部分内之外。因此,一般在压缩期间,压缩器可能在操作的规则模式下花费大部分时间。
下面的表格1示出了JPEG-LS算法的示例性性能概况,其中规则模式(Regular Mode)占据总计算负荷的57%,而运行模式(RunMode)仅占据一小部分,约总计算负荷的7%。剩余的计算负荷示为处于表格1中的“其他模式”类别中。其他模式可以包括数据获取、数据编码和其他处理操作。
表格1.操作的JPEG-LS模式
模式 | 时钟周期采样 | 时钟周期% |
规则模式 | 124 | 57.41% |
运行模式 | 16 | 7.41% |
其他模式 | 76 | 35.19% |
因此,为了最佳增加JPEG-LS压缩算法的速度,在处理器以规则模式运行时改善操作性能可能是有利的。如上所述,利用本实施例,提供了基于JPEG-LS算法的新的轻量压缩算法。算法的修改版本、FJPLS可能具有和与误差可控性和压缩比相关的原始JPEG-LS方法相同的优点。同时,新的FJPLS方法可以使压缩和解压缩加速近50%。在上述临床使用范例中,使用在此识别的FJPLS优化,每个窗口分段的平均帧率从8帧每秒增加到16帧每秒。FJPLS方法可以采用一个或者多个以下所讨论的优化。例如,FJPLS方法可以采用单一优化、优化的组合或者并行地采用所有的优化。
表格2突出了规则模式操作的性能概述。根据以下比较,所识别的JPEG-LS的最耗费操作涉及(1)局部梯度量化、(2)经量化的梯度合并、和/或(3)预测和/或预测误差计算。FJPLS实施例可能集中于改善JPEG-LS算法的这些计算耗费部分的性能,虽然其他部分也可能得到增强,诸如更新规则变量。FJPLS优化可能修改JPEG-LS算法以便产生速度和处理需求方面的最佳性能,而不牺牲最大误差的可控性或基本压缩比。
表格2.JPEG-LS规则模式函数
顺序 | 函数 | 时钟周期采样 | 时钟周期% |
1 | 量化局部梯度 | 45 | 36.29% |
2 | 量化合并 | 17 | 13.71% |
3 | 预测计算 | 17 | 13.71% |
4 | 更新规则变量 | 15 | 12.10% |
5 | 预测误差计算、调制和映射 | 12 | 9.68% |
6 | 其他 | 18 | 14.52% |
I.示例性压缩和重建
图1示出了图像数据压缩、传递和重建的示例性方法。该方法100可以包括采集图像102、压缩图像数据104、传输经压缩的数据106、解码经压缩的数据108、以及显示重建的图像110。该方法可以包括另外的、较少的或者替代行为。
该方法100可以包括采集图像102。所采集的图像可以具有相关的图像数据。图像数据可以存储在存储媒介中,如下所讨论的。图像和相关的图像数据可以经由医学成像设备、照相机、视频记录器、传感器、检测器、红外设备或其他成像设备来采集。图像数据可能与医学图像或非医学图像有关,诸如人或物体的普通图片。
如所述,在一个实施例中,图像数据可以与经由一个或多个医学成像设备所采集的医学图像相关。各种类型的医学成像过程可以用于产生患者图像、感兴趣内部区域的扫描或其他图像数据,包括放射线照相、血管成形、计算机化断层摄影、超声和磁共振成像(MRI)过程。可以使用的成像过程的附加类型包括灌注和扩散加权MRI、心脏计算机断层摄影、计算机化轴向断层摄影扫描、电子束计算机断层摄影、放射性核素成像、放射性核素血管造影、单光子发射计算机断层摄影(SPECT)、心脏正电子发射断层摄影(PET)、数字心脏血管造影和数字减影血管造影(DSA)。可以使用可替代的成像过程。
方法100可以包括压缩图像数据104。图像数据可以被压缩以增强传输速度和/或符合有线网络、无线网络、电缆或要传输经压缩的图像数据所通过的其他传输的带宽限制。正在被压缩的图像数据可以直接从成像设备接收,例如以促进远程捕获和实时地本地观察图像。可替代地,正在被压缩的图像数据可以首先存储在数据存储单元中并且然后从其取回,诸如用于实时观察是不必要的应用。
例如,可能期望几乎即时地观察在远离辐射发射成像设备的区经由医学成像设备所采集的患者图像数据。或者,在本地医疗机构处,可能期望观察在远程医学机构处已经获得的在先采集的患者医学图像。
图像数据可以通过快速JPEG-LS技术压缩,所述快速JPEG-LS技术采用下面关于图2所讨论的优化。图像压缩技术可以采用基于上下文的阈值。所述阈值可以被看作是正被编码的图像像素的“上下文”的函数。图像数据可以逐像素地被量化。每个像素可以与经量化的梯度相关,并且然后被跟踪(slot)以落入特定的量化区域中。量化区域可以由阈定义,所述阈自身可以与像素的灰度级相关,并且具有诸如50、100、150等整数值。一方面,根据像素灰色等级,阈级可能在-255至255之间(或者标准化地从0至510)。
可以使用其他阈值。例如,美国专利号No.6,021,227示出了可以使用的示例性阈值,所述文献在此全文通过引用被纳入。
该方法可以包括传输经压缩的图像数据106。经压缩的图像数据流可以通过有线或直接互连的部件传输,诸如与和医疗工作站互连的医学成像设备相关的本地处理器。工作站可以指导显示经压缩的图像数据的一个或多个显示屏。可替代地,经压缩的图像数据流可以通过无线网络传输。
经压缩的数据流可以包括像素数据、控制数据和其他数据。例如,正被传输的压缩数据可以包括缩放比例因子和/或用于在远程计算机接收了图像数据之后重建和/或解码已编码的图像的各种数学矩阵。美国专利号No.6,754,383描述了在经压缩的数据流中传输非像素数据的范例,其全文在此通过引用被纳入。
对图像数据进行压缩/编码可以减少表现经量化的图像数据所需的数据量。例如,待压缩的原始图像可以划分成像素的帧、页或块,诸如8×8像素块。经编码的图像数据的减少的量可以促进较快的传递速率。用于表示经量化的近似值的位数可以经由霍夫曼(Huffman)编码、数字余弦变换(DCT)、算法或其他技术被减少。
该方法100可以包括解码或解压缩经压缩的图像数据108。图像数据的解压缩可以通过颠倒压缩过程以再生经编码的图像来实施。通过颠倒压缩过程实施解压缩的示例性方法由美国专利号5,495,538、6,259,820和7,177,479来描述,所述文献在此全文通过引用被纳入。
方法100可以包括在一个或多个显示器上显示重建的图像110。显示器可以与本地或远程处理器相关。图像可以经由交互式用户界面来显示,所述交互式用户界面允许用户对正被显示的图像执行各种操作,例如识别感兴趣区域。可以对图像数据执行其他操作,包括在此情况下在别处详述的操作。
II.示例性快速JPEG-LS技术
图2示出了基于示例性快速JPEG-LS的压缩方法。该快速JPEG-LS压缩方法200可以优化和/或改善基于典型JPEG-LS的技术的处理速度。该快速JPEG-LS方法200可以包括与局部梯度量化202、经量化的梯度合并204和/或预测和/或预测误差计算206相关的优化。该快速JPEG-LS方法可以包括附加的、较少的或者替代的优化。
A.局部梯度量化优化
基于快速JPEG-LS的压缩方法200可以包括与局部梯度量化202相关的优化。然而,首先,JPEG-LS的解释是适用的(in order)。
在JPEG-LS的情况下,实现压缩每个像素的第一步骤可以是确定其上下文。在上下文确定模型中,每个当前像素(Ix)可以根据其相邻四个像素(Ra、Rb、Rc和Rd)被调节。
如由图3所示,可以为当前像素Ix计算三个局部梯度值(D1、D2和D3)。如所示,局部梯度可以被标识为D1、D2和D3。D1可以被定义为Rd-Rb。D2可以被定义为Rb-Rc。D3可以被定义为Rc-Ra。为了减小模型尺寸,图3的这些示例性局部梯度(Di)的每一个都可以根据下面表3中所示的非负阈T1、T2和T3之间的其关系被量化成相应量化值Qi。
表格3.局部梯度量化
-4如果Di≤-T3
-3如果-T3<Di≤-T2
-2如果-T2<Di≤-T1
-1如果-T1<Di<0
Qi=0如果Di=0
1如果0<Di<T1
2如果T1<Di<T2
3如果T2<Di<T3
4否则
然而,为了量化每个局部梯度D1、D2和D3,对于每个规则模式像素,上述JPEG-LS方法学可以使用多个逻辑步骤,所述逻辑步骤在计算上是非常耗费的。
快速JPEG-LS实施例可以以与典型JPEG-LS技术不同的方式说明局部梯度和相邻像素。在图像数据压缩的初始阶段之前或之时,快速JPEG-LS可以创建数据结构,所述数据结构提供在图像数据压缩期间对预计算的量化值的随后存取。在图像数据压缩期间经由数据结构存取预计算的量化值,与在图像数据压缩期间实时地为每个局部梯度和/或像素计算量化值相比,可能在计算上较简单/较有效。利用快速JPEG-LS,可以为待压缩的图像或其子集创建一次单一数据结构。
数据结构的创建可能包括分析单独的像素的、和单独的像素之间的灰度级,诸如用以确定局部梯度。根据像素的灰度级或者相应的局部梯度,像素可以被表征为属于多个量化区域之一。所述量化区域可以通过阈(诸如上面讨论的阈值)来定义。作为创建数据结构的结果,在图像数据压缩期间,快速JPEG-LS逻辑仅需要看数据结构来确定相应像素的量化值。因此,可以除去与典型JPEG-LS技术相关的多个逻辑步骤。
另外,与量化值相关的数据结构的使用可以允许使用更大数量的量化区域,而不增加快速JPEG-LS逻辑的复杂性。例如,数据结构可以是静态结构,所述静态结构提供对基于相应量化区域和/或像素的量化值的存取。随着量化区域的数量增加,预计算量化值自身可能变得更复杂。
然而,通过预计算量化值,在随后图像数据压缩期间,确定量化值可能需要的所有是存取数据结构和取回预计算的量化值。存取数据结构的复杂性将不会根据如何实际计算了预计算的量化值而改变。一方面,快速JPEG-LS方法可以采用多于9个的量化区域,而不增加图像数据压缩的复杂性。增加所采用的量化区域的数量可以增强在数据解压缩之后所显示的图像的质量。
数据结构可以是动态或静态数据结构。数据结构可以是列表、树、二叉树、队列、栈、表格、m路树、链接列表、堆、剖析树、哈希表(hash table)或其他数据结构。数据结构可以具有一个或多个维度。
在一个实施例中,快速JPEG-LS方法可以采用查找表作为数据结构。快速JPEG-LS方法可以使用查找表以在该像素正在被压缩时找到每个像素的相应量化值Q。不同于常规JPEG-LS技术,快速JPEG-LS查找表可以提供所期望的许多量化区域或组。另外,查找表可以减缓在所述像素正在被压缩时为每个像素计算量化值的需求。
例如,为了优化量化过程,快速JPEG-LS算法可以在开始压缩时创建查找表(量化表或“Q表”)。每次图像压缩,该查找表可以仅被创建一次。查找表可以实时地或在运行时被产生。可替代地,查找表可以完全地或部分地被存储在本地或远程存储器中。在一个实施例中,查找表的尺寸为512字节。可以使用较大或较小尺寸的查找表。
图4示出了示例性Q表或查找表400。示例性查找表400具有两行402、404。第一行402可以指示查找表400的索引。所述索引可以对应于当前像素的灰度级,从-255至+255。可以使用其他索引。
第二行404可以表示各种量化区域或等级,每个都可能与量化值相关。如图在4中所示,示例性查找表采用由经量化的值-4至+4所标识的9个经量化的区域。与索引相关的经量化的值可以关于所使用的阈值来确定。代替在图像数据压缩期间单独地计算每个经量化的值,使用查找表400获得经量化的值可以增强整个技术的效率并且节省计算资源(诸如存储器和/或处理能力)并且减少处理时间。
查找表400可以具有硬件或软件编码的值。可以使用替代的查找表。查找表可以具有附加、更少或替代的数据行。
图4中所示的示例性查找表被划分成9个区域,所述区域可以表示由阈T1、T2和T3所形成的量化区域。这些区域的每一个都可以被填充量化值Qi(-4至+4),所述量化值可以是正的或负的整数。
在操作的规则模式期间,将恒定的“偏移量”(2n-1,其中n是图像内每像素的位数,诸如每像素8位)添加到局部梯度用于转化成无符号值。此外,利用快速JPEG-LS,可以为单独的像素如上述确定局部梯度Di。于是,对于每个像素,局部梯度Di的值可以被用于在查找表中查找、找到或存取相应量化值Qi。
存取查找表的量化值的一种方式通过下面的等式示出,所述等式使用与加上偏移量作为索引的像素相关的局部梯度。索引被用于从数据结构、在该情况下为查找表取回对应于像素的量化值。可以使用其他索引。例如,索引可以是基于局部梯度值的值,诸如局部梯度自身或局部梯度和所计算的偏移量的总和。
Qi=Q表[Di+偏移量]
一方面,关于包含大于8位/像素的图像,一个选择可以是使用较大的Q表以结合像素值的更宽范围。然而,使用较大的Q表或其他数据结构可能导致存储器消耗的增加。
可替代地,更好的选择可以是,在0至255的范围内标准化阈值T1、T2和T3,并且然后因此构建Q表和其他数据结构。阈值精度的这种减少可能不导致压缩比方面的显著改变。
其次,对于每个局部梯度值Di,局部梯度值Di可以在-255至255的范围内被标准化。随后,如前所述,在从Q表查找量化值Qi之前,可以将恒定的“偏移量”添加到标准化的局部梯度值Di上。
Qi=Q表[标准化的Di+偏移量]
Q表可以被实施为静态或动态阵列。Q表的尺寸可以在运行时间中被计算。该Q表可替代地可以是树、二叉树、列表、队列、栈、表格、m路树、链接的列表、堆、剖析树、哈希表或其他数据结构。Q表可以具有一个或多个维度。
理论上,增加量化区域的数量,使当前像素和上下文之间的共有信息最大化。JPEG-LS标准可以使用三个阈(或者被标识为-4、-3、-2、-1、0、1、2、3和4的9个区域)以提供在低计算和设计上下文模型之间的良好平衡。利用本快速JPEG-LS方法,量化区域的数量可以从9增加到N个区域数量,而不显著增加计算复杂性。区域数量的增加可以增强正被重建的图像的精确性和质量。如果正被传递的图像数据是医学图像数据,那么重建图像的增强质量又可以促进更精确和/或更有效的诊断。
此外,快速JPEG-LS实施例可以使用可替代的局部梯度和/或上下文窗口,如上所述的。例如,替代如在图3中所示的包括Ra、Rb、Rc和Rd的上下文窗口,可以采用较小或较大的上下文窗口。较小的上下文窗口可以包括少于所有的Ra、Rb、Rc和Rd。较大的上下文窗口可以包括所有的或一些相邻像素Ra、Rb、Rc和Rd以及附加的相邻像素,诸如当前像素Ix之下和/或右侧的像素。可以使用可替代的上下文窗口和相邻像素以计算可替代的局部梯度。
B.经量化的梯度合并优化
基于快速JPEG-LS的压缩方法200可以包括与经量化的梯度合并204相关的优化。经量化的梯度合并流程204可以基于如上所计算的经量化的局部梯度202。由于局部梯度取值Px的概率可以被假设相同于该局部梯度取值Px的概率,所以快速JPEG-LS量化器可以关于零对称。因此,经量化的三元组(triplet)(Q1、Q2、Q3)可以与从(-Q1、-Q2、-Q3)所获得的上下文合并。
在常规的JPEG-LS合并过程的情况下,首先如果矢量(Q1、Q2、Q3)的第一非零元素是负的,那么矢量(Q1、Q2、Q3)的所有符号被颠倒以获得(-Q1、-Q2、-Q3)。在这种情况下,变量“符号”被设置为-1;否则变量“符号”被设置为+1。然后,在该可能的“合并”之后,在一对一的基础上将矢量(Q1、Q2、Q3)映射到表示采样Rx的上下文的整数Q。另外,标准合并过程可以包括每规则模式像素一些附加的逻辑步骤,所述规则模式像素导致计算时间增加。
另一方面,利用快速JPEG-LS算法,在执行经量化的梯度合并之前,可以初始将矢量(Q1,Q2,Q3)一对一映射到表示当前像素的上下文的整数Q。可以使用为Q1、Q2和Q3产生连续量化Q值的任何函数。在一个实施例中,快速JPEG-LS算法使用非常简单的映射函数:
Q=Q1×R2+Q2×R+Q3,
其中R是量化区域的总数量,例如在默认范例中为9。可替代地,代替上述等式,可以使用其他映射函数,诸如对每个所确定的量化矢量Qi产生连续量化值Q的等式或计算。例如,可以使用线性、非线性、多项式、回归、变换或其他等式。
一旦这些量化矢量被映射到表示当前像素上下文的量化值Q,可以如下执行合并操作:
Q=-Q;符号=-1,如果Q<0;
符号=+1,否则
换句话说,快速JPEG-LS方法可以将量化矢量映射到单一量化值Q。然后,快速JPEG-LS可以检查量化值Q的符号(-或+),以促进完成合并过程并确定随后的操作。因此,可以除去与常规JPEG-LS技术相关的多个逻辑步骤。
总而言之,以上面所标识的方式,每像素可能仅需要一个逻辑步骤。由于对于每个量化值可能仅需要单一计算,所以可以简化梯度合并过程。因此,本实施例的梯度合并优化可以产生更有效的压缩技术,其与其他基于JPEG-LS的技术相比,需要更少的时间和/或处理和存储器资源。
C.预测和预测误差计算优化
基于快速JPEG-LS的压缩方法200可以包括与预测和/或误差预测206相关的优化。一般,JPEG-LS可以使用边缘检测预测器方法以从四个相邻像素Ra、Rb、Re和Rd估计在当前像素Ix处的预测值Px。该预测流程可以被用于检测垂直和水平边缘。如果未检测到边缘,那么Ix处的值将等于通过Ra、Rb和Rc的平面。下面的表格4示出了标准JPEG-LS预测器。
表格4.标准JPEG-LS预测器
使用预测Px的值,可以如下计算预测误差:
Err Val=Ix-Px
ErrVal=-ErrVal,如果符号=-1
标准预测方法可以具有下列主要局限性。第一,预测确定在其形式上是相当基本的,并且仅可以检测垂直和水平线,而非斜线。而且,上述预测方法可能不是非常有利于光滑图像,其中可能几乎不能发现清楚边缘的存在。第二,上述预测方法可能不考虑图像数据中可能大大贡献于预测值的噪声的存在。由于噪声所引起的错误预测可以通过错误地指示边缘的存在而降低压缩比以及增加计算负担。而且,常规JPEG-LS预测方法可以包括每像素的附加逻辑步骤,所述附加的逻辑步骤进一步增加了算法的复杂性。
另一方面,快速JPEG-LS算法可以使用唯一的预测方法,其考虑当前像素的邻居:
Px=ka.Ra+kb.Rb+kc.Rc+kd.Rd
其中ka+kb+kc+kd=1
和ka,kb,kc,kd≥0
如由上述等式所示,快速JPEG-LS预测方法计算最终预测值Px,其可以说明多于一个的像素对所述最终预测值的贡献。因此,存在于诸如Ra、Rb、Rc和Rd的任意相邻像素中的噪声的影响可以被减少。而且,可以经由单一等式计算预测值Px。因此,与常规JPEG-LS技术相比,快速JPEG-LS预测技术可以减少每像素的逻辑步骤数量。因而,快速JPEG-LS预测技术可以进一步贡献于整个压缩和重建算法的改善的效率。
除了如上所标识的示例性预测等式,可以使用在计算预测的值Px中减少每像素的逻辑步骤数量的其他等式。例如,可以使用在单一步骤中估计Px的其他等式。预测等式可以同时在与一些或全部当前像素的相邻像素相关的信息上运行。把与多个相邻像素相关的信息当作对单一等式的输入可以增强计算效率。
在一个实施例中,预测技术可以使用加权平均等式。该加权平均等式可以通过使与任何有噪声的相邻像素相关的噪声效应达到平均数来说明当前像素的一些或所有的噪声。
D.快速JPEG-LS优化的结果
快速JPEG-LS算法已经在一系列8位灰度医学图像上得以测试。下面的表格5和6中所示的结果比较了压缩算法在速度和压缩比方面的性能。
表格5.以毫秒为单位的压缩时间
图像 | JPEG-LS | 快速JPEG-LS |
CT患者数据 | 38.00 | 21.00 |
CT腹部 | 31.00 | 19.00 |
CT肺部 | 43.00 | 19.00 |
CT脉管 | 32.00 | 18.00 |
CT肝脏 | 27.00 | 15.00 |
CT牙齿 | 28.00 | 18.00 |
CT内窥镜 | 28.00 | 16.00 |
CT腿 | 26.00 | 14.00 |
MR脑 | 10.00 | 5.00 |
MR整个人体 | 11.00 | 6.00 |
PET数据 | 3.00 | 1.00 |
平均 | 25.18 | 13.82 |
上面的表格5针对已压缩的多个不同类型的医学图像示出了以毫秒为单位的的压缩时间。如详述,所采用的快速JPEG-LS方法大大快于JPEG-LS。所描述的快速JPEG-LS方法以结合方式使用了在此所讨论的优化。然而,也可以单独地使用优化。
表格6.压缩比
图像 | JPEG-LS | FJPLS |
CT患者数据 | 2.21 | 2.20 |
CT腹部 | 3.54 | 3.43 |
CT肺部 | 1.89 | 1.90 |
CT脉管 | 1.82 | 1.90 |
CT肝脏 | 2.79 | 2.78 |
CT牙齿 | 1.71 | 1.70 |
CT内窥镜 | 2.10 | 2.10 |
CT腿 | 3.04 | 3.04 |
MR脑 | 1.53 | 1.54 |
MR整个人体 | 1.92 | 1.89 |
PET数据 | 1.25 | 1.35 |
平均 | 2.16 | 2.17 |
上面的表格6针对已压缩的不同类型的医学图像示出了压缩比。如详述,所采用的快速JPEG-LS保持了与常规JPEG-LS技术的压缩比相似的压缩比。总而言之,表格5和6一同阐述了快速JPEG-LS优化可以使压缩时间改善接近百分之五十,而不显而易见地降低压缩比。
III.示例性数据处理器
用于图像数据压缩的方法可以通过数据处理系统来促进。图5是示例性数据处理器510的框图,所述数据处理器被配置或适于提供用于增强图像数据的压缩和解压缩功能。数据处理器510可以包括中央处理单元(CPU)520、存储器532、存储设备536、数据输入设备538和显示器540。数据处理器510还可以具有外部输出设备542,所述外部输出设备可以是显示器、监视器、打印机或通信端口。数据处理器510可以是个人计算机、工作站、服务器、成像系统的部分或其他系统。数据处理器510可以互连到网络544,诸如内联网、因特网或者连接到因特网的内联网。数据处理器510可以经由网络544通过数据线或通过无线通信互连到另一位置。数据处理器510出于说明性目的而被提供,并且不意于限制本系统的范畴。数据处理器可以具有附加、较少或可替代的部件。
程序534可以处于存储器532、存储设备536或另一存储器(例如,硬盘可移除媒介(hard drive removable media)、RAM、或网络缓冲器)。程序534可以包括由CPU 520执行的可执行代码或编码指令的一个或多个序列。程序534可以从存储设备536或网络或可移除媒介被装载进入存储器532中。
CPU 520可以执行程序534的指令的一个或多个序列以处理数据。程序534可以提供如在此讨论的与快速JPEG-LS优化相关的功能,包括与增强(1)局部梯度量化、(2)经量化的梯度合并和/或(3)预测和/或预测误差计算有关的优化。
图像数据可以经由数据输入设备538或另一输入设备输入,或者经由网络544或其他网络接收。数据处理器510可以接收并将所接收到的图像数据存储在存储器532、存储设备536或其他存储单元中。程序534可以指导将所接收的数据存储在机器可读媒介上或从其读取,所述机器可读媒介包括诸如硬盘、软盘、CD-ROMS和DVD之类的辅助存储设备;电磁信号;或者机器可读媒介的当前已知的或以后开发的其他形式。
程序534可以指令数据处理器510在显示器540、外部输出设备542或其他显示屏幕上的一个或多个窗口中描绘图像和其他信息。图像和患者有关的信息可以视觉地或文字地被描绘。数据处理器510可以从机器可读媒介取回图像和患者数据,所述机器可读媒介包括诸如硬盘、软盘、CD-ROMS和DVD之类的辅助存储设备;电磁信号;或者机器可读媒介的当前已知的或以后开发的其他形式。
程序534可以指导数据处理器510滚过(scroll through)图像和患者有关的信息。数据处理器510可以将显示器540、输出设备542或其他显示屏划分成多个虚拟子区域。每个虚拟子区域都可以与特定的图像和/或患者相关。例如,显示器可以被分成四个象限(quadrant)。可以提供其他的子区域。
数据处理器510可以指导将图像和患者数据显示在显示器540、输出设备542或其他显示屏上。数据处理器510还可以指导在显示器540、输出设备542或其他显示屏上显示图标。显示器540、输出设备542或其他显示屏可以是触摸屏、触摸板、触感设备或者其他震动或物理反馈设备。
用户界面可以接受在显示器上所执行的一个或多个操作。例如,用户界面可以提供在图像内对感兴趣区域的选择,例如在用户经由输入设备移动光标或者接触触摸屏的一部分之后。可以执行其他操作。
虽然在上面已经通过参考各种实施例描述了本发明,但应当理解的是,可以进行许多改变和修改,而不脱离本发明的范畴。说明书和图示仅作为范例。在本发明的范畴中,许多更多的实施例和实施方式是可能的,并且对于本领域普通技术人员而言将是显然的。各种实施例不局限于所述的环境,并且具有广泛的应用。
意图是在随附的权利要求书中覆盖落入本发明真正精神和范畴中的所有这种改变和修改。因此,本发明不局限于特定的细节、代表性实施例和在说明书中示出的范例。因此,本发明不受到限制,除非根据随附的权利要求和其等效所需。
Claims (29)
1.一种图像数据压缩方法,该方法包括:
在开始压缩图像数据之前,创建与待压缩的图像数据的量化值相关的数据结构,每个量化值基于相应的局部梯度;
随后经由数据结构取回量化值以促进图像数据的压缩;
通过执行量化矢量到整数的一对一映射来合并经量化的梯度;以及
使用把与当前像素的多于一个的相邻像素有关的信息当作输入的等式来计算预测值。
2.根据权利要求1的方法,其中使用加权平均等式计算预测值,以说明与相邻像素相关的噪声。
3.根据权利要求1的方法,该方法包括将量化矢量映射到整数值并且随后检查整数值的符号以促进合并过程。
4.根据权利要求1的方法,其中数据结构包括查找表,所述查找表包括由阈所定义的多个量化区域。
5.根据权利要求1的方法,其中正被压缩的图像数据包括医学图像数据。
6.一种图像数据压缩方法,该方法包括:
在开始图像数据压缩之前或者之时创建数据结构,该数据结构属于与待压缩的图像数据相关的量化值,每个量化值基于相应的局部梯度;以及
随后在图像数据压缩期间经由数据结构取回量化值。
7.根据权利要求6的方法,该方法包括通过执行量化矢量到整数的一对一映射来合并经量化的梯度。
8.根据权利要求6的方法,该方法包括利用把与当前像素的多于一个的相邻像素有关的信息当作输入的等式来计算预测值。
9.根据权利要求8的方法,其中利用加权平均等式计算预测值,以说明与相邻像素相关的噪声。
10.根据权利要求6的方法,其中数据结构包括查找表,所述查找表包括由阈所定义的多个量化区域。
11.根据权利要求10的方法,该方法包括:
标准化与当前像素相关的局部梯度;以及
利用索引值从查找表查找与当前像素相关的量化值,所述索引值基于标准化的局部梯度。
12.一种图像数据压缩方法,该方法包括:
在压缩图像数据之前确定与待压缩的图像数据相关的预计算的量化值;以及
随后使用预计算的量化值以促进图像数据的压缩。
13.根据权利要求12的方法,该方法包括在图像数据压缩期间,利用索引经由数据结构存取预计算的量化值,所述索引基于与量化值相关的局部梯度。
14.根据权利要求12的方法,该方法包括:
执行量化矢量到整数的一对一映射;以及
随后检查整数的值以促进完成合并过程。
15.根据权利要求12的方法,该方法包括利用把与当前像素的多于一个的相邻像素相关的值当作输入的等式来确定预测值。
16.根据权利要求12的方法,其中图像数据是经由至少一个医学成像设备所采集的医学图像数据。
17.一种图像数据压缩方法,该方法包括:
在图像压缩期间,执行量化矢量到整数量化值的一对一映射,并且随后执行量化合并。
18.根据权利要求17的方法,其中与量化合并相关的逻辑包括检查整数量化值的符号以确定随后的步骤。
19.根据权利要求17的方法,其中量化合并包括使用整数量化值的符号以确定随后在图像数据压缩期间使用的偏移量。
20.一种用于压缩图像数据的数据处理系统,该系统包括:
可操作以压缩图像数据的处理器,其中所述处理器可操作以采用预测方法,所述预测方法说明当前像素的邻居像素的噪声,所述预测方法利用在与当前像素的多于一个的邻居像素相关的信息上操作的单一等式来计算最终预测值。
21.根据权利要求20的数据处理系统,其中处理器可操作以通过执行量化矢量到整数的一对一映射来合并经量化的梯度,使得量化矢量被映射到连续量化值。
22.根据权利要求20的数据处理系统,其中处理器可操作以在图像数据压缩之前通过创建数据结构来执行局部梯度量化,所述数据结构可操作以在图像数据压缩期间提供对预计算的量化值的存取。
23.根据权利要求20的数据处理系统,其中图像数据是医学图像数据。
24.一种计算机可读媒介,具有在计算机上可执行的指令,所述指令包括创建与待压缩的图像数据相关的数据结构,所述数据结构可操作以在图像数据压缩期间提供对预计算的量化值的随后取回。
25.根据权利要求24的计算机可读媒介,其中每个预计算的量化值的随后取回都基于相应像素对的相关局部梯度。
26.根据权利要求24的计算机可读媒介,其中数据结构是被划分成由阈所定义的量化区域的查找表。
27.根据权利要求26的计算机可读媒介,所述指令包括标准化每个局部梯度并且在从数据结构取回相关预计算的量化值之前添加偏移量。
28.根据权利要求24的计算机可读媒介,所述指令包括基于说明与当前像素的邻居像素相关的噪声的加权平均计算来计算当前像素的预测值。
29.根据权利要求24的计算机可读媒介,所述指令包括执行量化矢量到整数量化值的一对一映射,并且随后检查整数量化值的值以促进量化合并。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US83906806P | 2006-08-21 | 2006-08-21 | |
US60/839068 | 2006-08-21 | ||
US11/779459 | 2007-07-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101132531A true CN101132531A (zh) | 2008-02-27 |
Family
ID=39129626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710141738 Pending CN101132531A (zh) | 2006-08-21 | 2007-08-21 | 用于医学图像的基于快速jpeg-ls的压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101132531A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102687509A (zh) * | 2009-10-27 | 2012-09-19 | 英特尔公司 | 使用jpeg-ls的可调节压缩 |
CN103533351A (zh) * | 2013-09-26 | 2014-01-22 | 西安空间无线电技术研究所 | 一种多量化表的图像压缩方法 |
CN103763560A (zh) * | 2014-02-18 | 2014-04-30 | 深圳市普菲特安迪科技有限公司 | 一种超声图像压缩与解压缩方法及嵌入式超声系统 |
CN104717497A (zh) * | 2013-12-13 | 2015-06-17 | 北京润光泰力科技发展有限公司 | 基于扫描顺序变更的jpeg_ls规则编码硬件实现方法 |
CN105898305A (zh) * | 2016-04-12 | 2016-08-24 | 上海兆芯集成电路有限公司 | 基于无损联合图像专家小组格式的图像压缩与解压缩方法 |
CN106464827A (zh) * | 2014-11-27 | 2017-02-22 | 奥林巴斯株式会社 | 图像再现装置和图像再现程序 |
CN110992432A (zh) * | 2019-10-28 | 2020-04-10 | 北京大学 | 基于深度神经网络最小方差梯度量化压缩及图像处理方法 |
-
2007
- 2007-08-21 CN CN 200710141738 patent/CN101132531A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102687509A (zh) * | 2009-10-27 | 2012-09-19 | 英特尔公司 | 使用jpeg-ls的可调节压缩 |
CN102687509B (zh) * | 2009-10-27 | 2016-08-03 | 英特尔公司 | 使用jpeg-ls的可调节压缩 |
CN103533351A (zh) * | 2013-09-26 | 2014-01-22 | 西安空间无线电技术研究所 | 一种多量化表的图像压缩方法 |
CN103533351B (zh) * | 2013-09-26 | 2016-08-17 | 西安空间无线电技术研究所 | 一种多量化表的图像压缩方法 |
CN104717497A (zh) * | 2013-12-13 | 2015-06-17 | 北京润光泰力科技发展有限公司 | 基于扫描顺序变更的jpeg_ls规则编码硬件实现方法 |
CN103763560A (zh) * | 2014-02-18 | 2014-04-30 | 深圳市普菲特安迪科技有限公司 | 一种超声图像压缩与解压缩方法及嵌入式超声系统 |
CN106464827A (zh) * | 2014-11-27 | 2017-02-22 | 奥林巴斯株式会社 | 图像再现装置和图像再现程序 |
CN106464827B (zh) * | 2014-11-27 | 2019-10-01 | 奥林巴斯株式会社 | 图像再现装置和图像再现方法 |
CN105898305A (zh) * | 2016-04-12 | 2016-08-24 | 上海兆芯集成电路有限公司 | 基于无损联合图像专家小组格式的图像压缩与解压缩方法 |
CN105898305B (zh) * | 2016-04-12 | 2019-02-15 | 上海兆芯集成电路有限公司 | 基于无损联合图像专家小组格式的图像压缩与解压缩方法 |
CN110992432A (zh) * | 2019-10-28 | 2020-04-10 | 北京大学 | 基于深度神经网络最小方差梯度量化压缩及图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080044097A1 (en) | Fast JPEG-LS Based Compression Method for Medical Images | |
Hu et al. | Improving deep video compression by resolution-adaptive flow coding | |
JP7134200B2 (ja) | デジタルイメージ再圧縮 | |
CN101132531A (zh) | 用于医学图像的基于快速jpeg-ls的压缩方法 | |
Taquet et al. | Hierarchical oriented predictions for resolution scalable lossless and near-lossless compression of CT and MRI biomedical images | |
EP2618309A1 (en) | Methods and devices for pixel-prediction for compression of visual data | |
US11797848B2 (en) | Data compression apparatus, data compression method, and learning apparatus | |
Al-Khafaji et al. | Fast lossless compression of medical images based on polynomial | |
Puthooran et al. | Lossless compression of medical images using a dual level DPCM with context adaptive switching neural network predictor | |
Karadimitriou | Set redundancy, the enhanced compression model, and methods for compressing sets of similar images | |
Srikanth et al. | Contextual encoding in uniform and adaptive mesh-based lossless compression of MR images | |
Min et al. | Lossless medical image compression based on anatomical information and deep neural networks | |
US20140169444A1 (en) | Image sequence encoding/decoding using motion fields | |
Kil et al. | Lossless medical image compression using redundancy analysis | |
Roy et al. | Compression of time evolutionary image data through predictive deep neural networks | |
Rai et al. | An enhanced compression method for medical images using SPIHT encoder for fog computing | |
CN114900717A (zh) | 视频数据传输方法、装置、介质和计算设备 | |
Saudagar | Learning based coding for medical image compression | |
Sophia et al. | A systematic review on advances and perspectives of image compression in telemedicine | |
WO2024078512A1 (en) | Pre-analysis based image compression methods | |
Rasmusson et al. | Error-bounded lossy compression of floating-point color buffers using quadtree decomposition | |
Wang et al. | A survey of image compression algorithms based on deep learning | |
WO2024078509A1 (en) | Methods and non-transitory computer readable storage medium for pre-analysis based resampling compression for machine vision | |
US20240048709A1 (en) | Methods and systems for temporal resampling for multi-task machine vision | |
Sharma et al. | Lossless compression of biomedical images using block-based arithmetic encoding employing resolution independent gradient edge detector |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20080227 |