CN102256137A - 基于上下文预测的极光图像无损编码方法 - Google Patents
基于上下文预测的极光图像无损编码方法 Download PDFInfo
- Publication number
- CN102256137A CN102256137A CN2011101953523A CN201110195352A CN102256137A CN 102256137 A CN102256137 A CN 102256137A CN 2011101953523 A CN2011101953523 A CN 2011101953523A CN 201110195352 A CN201110195352 A CN 201110195352A CN 102256137 A CN102256137 A CN 102256137A
- Authority
- CN
- China
- Prior art keywords
- frame
- prediction
- pixel
- aurora
- infra
- 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.)
- Granted
Links
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种三维极光图像无损压缩方法。其过程为:在编码端,建立阈值并选取合适的预测模型,对系数进行预测;利用预测的系数与原系数求残差,对残差进行多符号算术编码。在解码端,利用编码端传送的边信息解码出残差信息;利用与编码端相同的预测模型对系数进行预测;利用得到的预测系数跟残差信息得到重构图像。本发明可应用于低复杂度要求和实时要求的极光图像压缩中。
Description
技术领域
本发明属于图像处理技术领域,涉及三维图像编解码技术,采用该基于上下文预测的极光图像无损编码方法方法能够有效的降低压缩编码的复杂度,减少无损压缩码率,获得理想的压缩比,具有良好的压缩性能。
背景技术
极光(Aurora或Polar light或Northern light)出现于星球的高磁纬地区上空,是一种绚丽多彩的发光现象。而地球的极光,由来自地球磁层或太阳的高能带电粒子流(太阳风)使高层大气分子或原子激发(或电离)而产生。对于极光的研究和观察有利于研究太阳和地球之间的能量转移、了解外太空的结构、掌握空间天气、减少太阳风对地球的影响以及保护外太空的飞行器等等。
近年来,越来越多的国家在南北极建立极光观测站,对极光的特性和形态变化进行深入的研究。中国在南北极先后建立了中山站和黄河站,对极光进行实时研究。目前,研究人员需要用存储器携带极光图像回到国内中国极地研究中心进行数据处理和分析,缺乏实效性。因此,非常必要对极光图像进行压缩编码和数传,以便能在国内对极光图像进行实时处理分析。
随着用于极光观测的仪器的精密度不断增加,极光图像的数据量也不断的增大,其存储和传输也越来越难以解决,这对极光图像的压缩编码提出了很高的要求。并且极光图像数据大多需要远距离的传输,传输带宽也往往受到限制,应用极光图像压缩方法可以在带宽和时间限定的情况下使更多的数据得到传输,有利于极光图像的实时观察和研究。国内还没有任何单位与个人,将极光图像数据进行压缩编码。数据的无损压缩对极光图像的研究和应用非常关键,能够保证信息的完整性,有利于研究人员做出正确的分析和判断。由于极光图像是三维的,使用二维图像编码方法忽略了极光图像在时间方向上的冗余,所以无法获得理想的压缩性能。因此只有利用三维图像压缩方法才能有力的去除极光图像在时域和空域上的相关性。
目前存在的基于三维小波变换的嵌入式图像压缩算法,例如JPEG2000-multi部分、3D-SPIHT和3D-SPECK等,大都采用可逆的小波变换对极光图像进行无损压缩。而且,基于变换的嵌入式编码算法有较多码率消耗在像素的位置信息上,无法提供满意的无损压缩性能。因此,目前大部分的三维图像无损压缩算法都采用了基于预测的方式,这些压缩算法大都比基于小波变换的算法的性能更加优秀。
在过去10年中,很多无损压缩算法都集中于如何去除三维图像的多维相关性。3D-CALIC算法是基于计算两帧间的相关性大小来选择采用帧间预测或者帧内预测的方式,有效的去除了图像的帧间和帧内相关性。Enrico Magli改进了3D-CALIC算法,在2004年提出了基于CALIC优化的无损和近无损压缩算法(M-CALIC),该算法始终采用帧间预测方式,获得了比3D-CALIC更加优秀的性能。2006年,Jarno Mielikainen提出了基于查找的图像压缩算法(LUT),该算法可以简化预测的复杂度并且有效地提高预测的性能。但是这些算法都是采用固定的上下文模型,不能很好的捕捉极光的区域运动特性,同时预测方法复杂度高,不利于实时应用。
三维极光图像记录极光的运动信息,两帧极光图像之间的主要差别在于极光边缘区域的活动,这些活动主要包括运动、变大或缩小等。与视频数据有所不同,视频数据主要包含固定物体的运动,所以用于视频压缩编码的运动估计算法并不适用于极光图像的压缩。极光图像边缘区域相关性很小,所以固定的预测模型并不能捕获极光的变化。基于极光的这些特性,我们提出的基于自适应上下文预测模型能很好的实现极光图像的压缩,满足对极光图像的实时性研究。
发明内容
本发明的目的在于满足极光实时研究的需求,根据极光图像的特点,,提出了一种基于自适应上下文预测模型的三维极光图像无损压缩方法。
实现本发明目的的技术方案是:
提出具有自适应选择预测模型的编码方法和具有自适应选择预测模型解码方法。其技术关键是:在编码端,通过利用帧内和帧间相关性强弱,选择一种合适的预测模型,并通过选定的预测模型对系数进行预测,得到残差图像,进而利用多符号算术编码得到全部编码信息。在解码端,利用编码端建立的预测模型对系数进行预测,并解码得到所有残差信息,进而解码出所有图像信息,得到重构图像。具体内如下:
一种基于自适应上下文预测模型的三维极光图像无损压缩编解码方法,包括如下过程:
在编码端:
1)对第一帧极光图像选择帧内预测,即JPEG-LS预测模型;
2)从第二帧开始,通过判断选择合适的预测模型,即帧间预测或者帧内预测模型;
3)通过选择的步骤2)所选择的帧间预测或者帧内预测模型对极光图像进行预测;
4)对预测残差进行多符号算术编码;
5)重复步骤(2)~(4),得到所有的编码信息;
在解码端:
6)在解码端,根据编码端传送的边信息,解码得到残差信息;
7)对第一帧极光图像选择帧内预测,即JPEG-LS预测模型;
8)从第二帧开始,通过判断选择合适的预测模型,即帧间预测或者帧内预测模型;
9)通过选择的预测模型对极光图像进行预测;
10)利用步骤6得到的残差信息和通过预测模型得到的预测系数重构图像;
11)重复步骤8~步骤10,得到所有帧的重构图像。
所述的三维极光图像压缩编解码方法,其中步骤2)所述的通过判断选择合适的预测模型,按如下步骤进行:
(1)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;;
(2)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250;
(3)如果|yn-xn|>T,n∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
所述的三维极光图像压缩编解码方法,其步骤3)中帧内预测模型及预测方法利用JPEG-LS中的方法。
所述的三维极光图像压缩编解码方法,其步骤3)中帧间预测模型及预测,按如下步骤进行:
(5)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
所述的三维极光图像压缩编解码方法,其步骤(8)所述的通过判断选择合适的预测模型,按如下步骤进行:
(1)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;
(2)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250;
(3)如果|yn-xn|>T,n∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
所述的三维极光图像压缩编码方法,其步骤8)所述的帧内预测模型及预测利用JPEG-LS中的方法。
所述的三维极光图像压缩解码方法,其步骤8)所述的帧间预测模型及预测,按如下步骤进行:
(4)利用公式求出预测系数α;
(5)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
本发明与现有技术相比具有如下优点:
1、本发明由于自适应的选择预测模型,不仅能利用三维极光图像的帧内相关性,而且能更好的根据极光图像特性充分利用帧间相关性,因此大大提高了压缩效率。
2、本发明在用帧内预测模型进行系数预测时,采用固定数目的系数对未知像素进行预测;但是在用帧间预测模型进行系数预测时,并不采用固定数目的系数进行预测,而是通过相关性强弱合适的选取系数数目,大大减少了计算复杂度。
3、实验结果表明,本发明与现有的三维极光图像压缩方法相比,压缩一幅图像需要的比特率明显低于其它方法。并且本发明不是基于变换的压缩方法,复杂度低,硬件容易实现。
附图说明
图1是本发明的图像编码流程图;
图2是本发明的图像解码流程图;
图3是本发明利用的帧内预测模型示意图;
图4是本发明利用的帧间预测模型示意图;
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
实施例1
参照图1,本发明的图像编码过程如下:
步骤1,对第一帧极光图像选择帧内预测,即JPEG-LS预测模型。
步骤2,从第二帧开始,通过判断选择合适的预测模型。
2a)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;
2b)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250,是通过大量实验以经验选取的;
2c)如果|yn-xn|>T,n ∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
步骤3,利用预测模型对极光图像进行预测。
若选择是帧内预测模型,则预测模型和预测方法都采用JPEG-LS中方法。
若选择的是帧间预测模型,则过程如下:
3e)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
步骤4,对残差进行多符号算术编码。
对预测值与真实值求残差,进行多符号算术编码。
步骤5,重复步骤(2)~(4),得到所有编码信息。
实施例2
参照图2,本发明的图像解码过程如下:
步骤6,根据编码端传送的边信息,解码得到残差信息。
步骤7,对第一帧极光图像选择帧内预测模型,即JPEG-LS预测模型。
步骤8,从第二帧开始,通过判断选择合适的预测模型。
8a)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;
8b)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250,是通过大量实验以经验选取的;
8c)如果|yn-xn|>T,n∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
步骤9,利用预测模型进行预测。
若选择是帧内预测模型,则预测模型和预测方法都采用JPEG-LS中方法。
若选择的是帧间预测模型,则过程如下:
9e)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
步骤10,利用步骤6得到的残差信息和通过预测模型得到的预测系数重构图像。
步骤11,重复步骤8~步骤10,得到所有帧的重构图像。
实施例3
本发明的效果可通过以下仿真进一步说明:
1.仿真条件及仿真内容:
本实例在Intel(R)Core(TM)2 Duo CPU 2.33GHz Windows XP系统下,VS2008运行平台上,完成本发明的实现。
2.仿真实验结果
本发明的实验是取4组三维极光图像序列,每一个序列包含112帧。四组序列主要包含两种特性:两组具有日冕特性,两组具有日弧。三维极光图像灰度级是16。
对比结果如表1所示。
表1 三维极光图像无损压缩所需比特率(比特率越低,性能越好)
Aurora-crown-1 | Aurora-arc-1 | Aurora-crown-2 | Aurora-arc-2 | |
3D-SPECK | 7.91 | 7.54 | 7.91 | 6.36 |
JPEG-2000 | 8.03 | 7.63 | 8.06 | 6.4 |
JPEG-LS | 7.67 | 7.19 | 7.70 | 6.18 |
LUT | 7.76 | 7.30 | 7.79 | 6.27 |
OURS | 7.52 | 7.04 | 7.53 | 6.06 |
从表1可见,我们的方法性能明显优于其它算法。基于小波变换的算法,比如3D-SPECK和JPEG-2000等算法需要输出位置信息,所以这些算法的性能比表1中其它算法的性能差。像LUT算法只利用帧间预测,它的性能略差于JPEG-LS算法。我们的算法复杂度更低,硬件实现更容易,适合低复杂度应用和实时应用。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于自适应上下文预测模型的三维极光图像无损压缩编解码方法,其特征在于,包括如下过程:在编码端:
1)对第一帧极光图像选择帧内预测,即JPEG-LS预测模型;
2)从第二帧开始,通过判断选择合适的预测模型,即帧间预测或者帧内预测模型;
3)通过选择的步骤2)所选择的帧间预测或者帧内预测模型对极光图像进行预测;
4)对预测残差进行多符号算术编码;
5)重复步骤(2)~(4),得到所有的编码信息;
在解码端:
6)在解码端,根据编码端传送的边信息,解码得到残差信息;
7)对第一帧极光图像选择帧内预测,即JPEG-LS预测模型;
8)从第二帧开始,通过判断选择合适的预测模型,即帧间预测或者帧内预测模型;
9)通过选择的预测模型对极光图像进行预测;
10)利用步骤6得到的残差信息和通过预测模型得到的预测系数重构图像;
11)重复步骤8~步骤10,得到所有帧的重构图像。
2.根据权利要求1所述的三维极光图像压缩编解码方法,其特征在于,其中步骤2)所述的通过判断选择合适的预测模型,按如下步骤进行:
(1)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;
(2)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250;
(3)如果|yn-xn|>T,n∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
3.根据权利要求1所述的三维极光图像压缩编解码方法,其特征在于,其步骤3)中帧内预测模型及预测方法利用JPEG-LS中的方法。
4.根据权利要求1所述的三维极光图像压缩编解码方法,其特征在于,其步骤3)中帧间预测模型及预测,按如下步骤进行:
(5)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
5.根据权利要求1所述的三维极光图像压缩编解码方法,其特征在于,其步骤(8)所述的通过判断选择合适的预测模型,按如下步骤进行:
(1)选定当前帧待预测点左、左上、上、右上四个点x0,x1,x2,x3作为边界,并找到前一帧对应的四个像素点y0,y1,y2,y3;
(2)利用判断条件|yn-xn|>T,n∈{0,1,2,3}选择合适的预测模型,其中T=250;
(3)如果|yn-xn|>T,n∈{0,1,2,3}为真,则选择帧内预测模型,若为假则选择帧间预测模型。
6.根据权利要求1所述的三维极光图像压缩编码方法,其特征在于,其步骤8)所述的帧内预测模型及预测利用JPEG-LS中的方法。
7.根据权利要求1所述的三维极光图像压缩解码方法,其特征在于,其步骤8)所述的帧间预测模型及预测,按如下步骤进行:
(5)利用公式Yk,i,j=α×X对当前像素点进行预测,Yk,i,j是当前像素点的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110195352 CN102256137B (zh) | 2011-07-13 | 2011-07-13 | 基于上下文预测的极光图像无损编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110195352 CN102256137B (zh) | 2011-07-13 | 2011-07-13 | 基于上下文预测的极光图像无损编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102256137A true CN102256137A (zh) | 2011-11-23 |
CN102256137B CN102256137B (zh) | 2013-07-17 |
Family
ID=44983080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110195352 Expired - Fee Related CN102256137B (zh) | 2011-07-13 | 2011-07-13 | 基于上下文预测的极光图像无损编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102256137B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985096A (zh) * | 2014-05-18 | 2014-08-13 | 西安电子科技大学 | 基于离线训练的高光谱图像回归预测压缩方法 |
CN104202607A (zh) * | 2014-08-26 | 2014-12-10 | 西安电子科技大学 | 一种图像无损压缩方法和电子设备 |
CN110545402A (zh) * | 2019-08-18 | 2019-12-06 | 宁波职业技术学院 | 一种井下监控视频处理方法、计算机设备和存储介质 |
CN111050181A (zh) * | 2019-12-30 | 2020-04-21 | 哈尔滨工业大学 | 一种超光谱大气红外遥感图像的时间维压缩方法 |
US10893300B2 (en) | 2015-05-29 | 2021-01-12 | SZ DJI Technology Co., Ltd. | System and method for video processing |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1471321A (zh) * | 2003-07-14 | 2004-01-28 | 大唐微电子技术有限公司 | 基于运动估计的小波视频编解码方法 |
EP1978749A2 (en) * | 2007-04-06 | 2008-10-08 | Canon Kabushiki Kaisha | Compression of multidimensional look-up tables for colour space conversion |
CN101582169A (zh) * | 2009-06-26 | 2009-11-18 | 西安电子科技大学 | 基于三维小波变换的分布式超光谱图像压缩方法 |
US20110063414A1 (en) * | 2009-09-16 | 2011-03-17 | Xuemin Chen | Method and system for frame buffer compression and memory resource reduction for 3d video |
CN102055982A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 三维视频编解码方法及装置 |
-
2011
- 2011-07-13 CN CN 201110195352 patent/CN102256137B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1471321A (zh) * | 2003-07-14 | 2004-01-28 | 大唐微电子技术有限公司 | 基于运动估计的小波视频编解码方法 |
EP1978749A2 (en) * | 2007-04-06 | 2008-10-08 | Canon Kabushiki Kaisha | Compression of multidimensional look-up tables for colour space conversion |
CN101582169A (zh) * | 2009-06-26 | 2009-11-18 | 西安电子科技大学 | 基于三维小波变换的分布式超光谱图像压缩方法 |
US20110063414A1 (en) * | 2009-09-16 | 2011-03-17 | Xuemin Chen | Method and system for frame buffer compression and memory resource reduction for 3d video |
CN102055982A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 三维视频编解码方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴家骥,等: "超光谱图像的三维小波嵌入零块压缩编码", 《软件学报》 * |
陈雷,等: "一种基于预测和变换混合设计的", 《航空学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985096A (zh) * | 2014-05-18 | 2014-08-13 | 西安电子科技大学 | 基于离线训练的高光谱图像回归预测压缩方法 |
CN104202607A (zh) * | 2014-08-26 | 2014-12-10 | 西安电子科技大学 | 一种图像无损压缩方法和电子设备 |
CN104202607B (zh) * | 2014-08-26 | 2018-11-02 | 西安电子科技大学 | 一种图像无损压缩方法和电子设备 |
US10893300B2 (en) | 2015-05-29 | 2021-01-12 | SZ DJI Technology Co., Ltd. | System and method for video processing |
CN110545402A (zh) * | 2019-08-18 | 2019-12-06 | 宁波职业技术学院 | 一种井下监控视频处理方法、计算机设备和存储介质 |
CN111050181A (zh) * | 2019-12-30 | 2020-04-21 | 哈尔滨工业大学 | 一种超光谱大气红外遥感图像的时间维压缩方法 |
CN111050181B (zh) * | 2019-12-30 | 2022-06-07 | 哈尔滨工业大学 | 一种超光谱大气红外遥感图像的时间维压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102256137B (zh) | 2013-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102137263B (zh) | 基于cnm关键帧分类的分布式视频编码及解码方法 | |
US9781443B2 (en) | Motion vector encoding/decoding method and device and image encoding/decoding method and device using same | |
CN102256137B (zh) | 基于上下文预测的极光图像无损编码方法 | |
CN101835044B (zh) | 一种频率域分布式视频编码中的分类组合方法 | |
CN102792695B (zh) | 通过使用大变换单元对图像进行编码和解码的方法和设备 | |
CN101895751B (zh) | 帧内预测的方法及装置、基于帧内预测的编/解码方法及系统 | |
CN102263951B (zh) | 一种快速的分形视频压缩与解压缩方法 | |
CN103873861A (zh) | 一种用于hevc的编码模式选择方法 | |
CN101860748A (zh) | 基于分布式视频编码的边信息生成系统及方法 | |
CN103826125A (zh) | 用于已压缩监控视频的浓缩分析方法和装置 | |
CN108960333A (zh) | 基于深度学习的高光谱图像无损压缩方法 | |
CN100591136C (zh) | 一种基于空域分解的视频帧内编码方法 | |
CN101383972A (zh) | 基于空间预测与变换的遥感图像压缩方法 | |
CN102215385B (zh) | 一种图像实时无损压缩方法 | |
CN104618718A (zh) | 一种基于空间-时间多预测模式的无损压缩方法与系统 | |
CN102595132A (zh) | 一种应用于无线传感器网络的分布式视频编解码方法 | |
CN113068041B (zh) | 一种智能仿射运动补偿编码方法 | |
CN101783956B (zh) | 基于时空邻居信息的后向预测方法 | |
CN110677644A (zh) | 一种视频编码、解码方法及视频编码帧内预测器 | |
CN103985096A (zh) | 基于离线训练的高光谱图像回归预测压缩方法 | |
CN103647969B (zh) | 一种基于对象的快速分形视频压缩与解压缩方法 | |
CN102263954B (zh) | 一种基于对象的快速分形视频压缩与解压缩方法 | |
Zhu et al. | A novel fractal video coding algorithm using fast block-matching motion estimation technology | |
CN108093455A (zh) | 一种基于时空相关性的高能效无线传感网数据传输方法 | |
Kumar et al. | A comparative case study on compression algorithm for remote sensing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130717 Termination date: 20140713 |
|
EXPY | Termination of patent right or utility model |