CN102982563B - 一种基于光学轮廓波变换的图像压缩方法 - Google Patents
一种基于光学轮廓波变换的图像压缩方法 Download PDFInfo
- Publication number
- CN102982563B CN102982563B CN201210534230.7A CN201210534230A CN102982563B CN 102982563 B CN102982563 B CN 102982563B CN 201210534230 A CN201210534230 A CN 201210534230A CN 102982563 B CN102982563 B CN 102982563B
- Authority
- CN
- China
- Prior art keywords
- matrix
- profile wave
- wave conversion
- image
- optical profile
- 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.)
- Expired - Fee Related
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于光学轮廓波变换的图像压缩方法，包括以下步骤：S1：获取图像信号；S2：采用光学轮廓波变换获取图像信号的稀疏矩阵；S3：采用高斯随机矩阵作为测量矩阵；S4：利用稀疏矩阵和测量矩阵通过并行乘法计算获取压缩信号；S5：利用贪婪算法中的正交匹配跟踪算法对压缩信号进行解压缩重构图像。本发明将光学轮廓波变换方法应用于图像或视频压缩编码，结合压缩感知理论，采用FPGA并行算法实现稀疏矩阵和测量矩阵的并行乘法计算，实现实时处理功能。该方法运用光学技术和电学系统实现光学轮廓波变换。基于光学技术的响应能力、互连并行能力和存储能力，利用光子作为载体存储、传输和处理信息，能更快速、精确的重构信号。
Description
技术领域
本发明涉及一种图像视频压缩领域，特别涉及一种基于光学轮廓波变换的新型图像压缩方法。
背景技术
随着信息网络化的发展，人们对图像的存储和通信的需求越来越大，数据量也越来越大，图像压缩技术显得越来越重要。图像的压缩主要包括变换、量化和熵编码三部分，主要作用分别为去相关、进一步减少数据量和用二进制编码表示。图像压缩起源于上世纪二十年代，第一代图像编码技术（以JPEG为代表）理论以信息论和数字信号处理技术为基础，以除去图像数据中的线性相关性为目的，受限于当时的技术，去除冗余信息能力有限，压缩比受到限制。第二代图像编码技术，打破香农信息论框架的局限性，考虑到图像信息中各种特征和人类的视觉特性，获得了高压缩比。进入上世纪九十年代后，同时伴随着现代图像传感器技术的发展，图像压缩技术已经成为一种“开放技术”，被广泛的应用于各领域。特别是近几年，人工神经网络理论、小波变换理论、分形理论等的建立，相应地使小波变换编码、分形编码和模型基编码成为最具有代表性的第二代图像编码技术。目前研究最热的离散余弦变换、小波变换编码、分形图像压缩编码技术等没有充分考虑人眼视觉系统，且具有块效应和不能实时处理等缺点。
从国际数据压缩技术的发展来看，基于内容的图像压缩编码方法是未来编码的发展趋势。其不仅能满足进一步获得更大的图像数据压缩比的要求，而且能实现实时处理的功能。因此，图像编码将朝着多模式和跨模式的方向发展，更多的考虑信息的交互性、可分级性、灵活性。随着数学理论、信息论和计算机视觉等的发展必然会有功能更全面的更有效的图像压缩编码技术的产生。
缺点：当前的图像压缩编码技术存在几何畸形、高频部分损失、块效应、难以实时压缩、搜索匹配量大、图像失真等缺点。
因此急需一种能实时、快速、精确处理并重构原始图像信号的方法。
发明内容
有鉴于此，本发明所要解决的技术问题是提供一种能实时、快速、精确处理并重构原始图像信号的方法。该方法将光学轮廓波变换方法应用于图像或视频压缩编码。结合压缩感知理论，采用FPGA矩阵并行计算算法实现测量矩阵的并行，实现图像的重构。
本发明的目的是这样实现的：
本发明提供的一种基于光学轮廓波变换的图像压缩方法，包括以下步骤：
S1：获取图像信号；
S2：采用光学轮廓波变换获取图像信号的稀疏矩阵；
S3：采用高斯随机矩阵作为测量矩阵；
S4：利用稀疏矩阵和测量矩阵通过并行乘法计算获取压缩信号；
S5：对图像的压缩信号进行解压缩重构图像。
进一步，所述步骤S2中的光学轮廓波变换，具体步骤如下：
S21：利用塔式滤波器组对图像信号进行多尺度分解；
S22：利用方向滤波器组对得到的各带通子带图像信号进行方向分解。
进一步，所述步骤S4中的并行乘法计算压缩信号，具体过程如下：
S41：把高斯随机测量矩阵预先放入FPGA可编程门阵列的ROM中；
S42：把稀疏矩阵串行输入并存储在RAM中并将稀疏矩阵分块处理；
S43：运用正交匹配跟踪算法OMP重构图像。
进一步，所述图像信号进行多尺度分解采用光学技术来实现，具体步骤如下：
将输入图像置于输入面，经透镜，在频谱面上将出现其谱；在频谱面上放置轮廓波滤波器的谱的共轭，则形成 ；再经过透镜，在输出面得到其逆变换，即输入图像的轮廓波变换 ；
其中，为透镜焦距；平面为输入面；平面为频谱面；平面为输出面。
进一步，所述步骤S5中的解压缩采用正交匹配跟踪算法OMP来重构图想。
进一步，所述步骤S4中的并行乘法计算是在FPGA中进行的。
本发明的优点在于：本发明将光学轮廓波变换方法应用于图像或视频压缩编码，结合压缩感知理论，采用FPGA矩阵并行计算算法实现测量矩阵的并行，实现实时处理功能，更快速、精确的重构原始信号。本发明采用匹配滤波法实现轮廓波变换，所需输入的是多尺度几何分析的频域形式，建立非自适应多尺度几何分析方法；运用压缩感知正交匹配跟踪算法OMP算法重构图像，客观评价重构图像质量。该方法运用光学技术和电学系统综合实现光学轮廓波变换。由于光学技术具有极快的响应能力、极强的互连能力与并行能力，以及存储能力，利用光子作为信息载体存储、传输和处理信息，因此能够实现实时处理。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为基于光学轮廓波变换的图像压缩重构流程图；
图2为基于正交匹配跟踪算法的图像重构流程图；
图3为典型的光学4系统。
具体实施方式
以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
图1为基于光学轮廓波变换的图像压缩流程图，图2基于光学轮廓波变换的图像重构流程图，图3为典型的4系统，如图所示：本发明提供的一种基于光学轮廓波变换的图像压缩方法，包括以下步骤：
S1：获取图像信号；
S2：采用光学轮廓波变换获取图像信号的稀疏矩阵；所述步骤S2中的光学轮廓波变换，具体步骤如下：
S21：利用塔式滤波器组对图像信号进行多尺度分解；
S22：利用方向滤波器组对得到的各带通子带图像信号进行方向分解。
S3：采用高斯随机矩阵作为测量矩阵；
S4：利用稀疏矩阵和测量矩阵通过并行乘法计算获取压缩信号；所述步骤S4中的并行乘法计算压缩信号，具体过程如下：
S41：把高斯随机测量矩阵预先放入FPGA可编程门阵列的ROM中；
S42：把稀疏矩阵串行输入并存储在RAM中并将稀疏矩阵分块处理；
S43：运用正交匹配跟踪算法OMP重构图像。
所述图像信号进行多尺度分解采用光学技术来实现，具体步骤如下：
将输入图像置于输入面，经透镜，在频谱面上将出现其谱；在频谱面上放置轮廓波滤波器的谱的共轭，则形成 ；再经过透镜，在输出面得到其逆变换，即输入图像的轮廓波变换 ；
其中，为透镜焦距；平面为输入面；平面为频谱面；平面为输出面，表示直积。
所述步骤S5中的解压缩采用正交匹配跟踪算法OMP来重构图像。
所述步骤S4中的并行乘法计算是在FPGA中进行的。在实际的应用中，FPGA的设计还需要考虑光学系统的缩放率以及CCD的像素尺寸等参数。
S5：对图像的压缩信号进行解压缩重构图像。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种基于光学轮廓波变换的图像压缩方法，其特征在于：包括以下步骤：
S1：获取图像信号；
S2：采用光学轮廓波变换获取图像信号的稀疏矩阵，具体包括以下步骤：
S21：利用塔式滤波器组对图像信号进行多尺度分解；
所述图像信号进行多尺度分解采用光学技术来实现，具体步骤如下：
将输入图像f(x,y)置于输入面，经透镜L1，在频谱面上将出现其谱F(u,v)；在频谱面上放置轮廓波滤波器的谱的共轭ψ*(u,v)，则形成F(u,v)ψ*(u,v)；再经过透镜L2，在输出面得到其逆变换，即输入图像的轮廓波变换
其中，f为透镜焦距；P1平面为输入面；P2平面为频谱面；P3平面为输出面；
S22：利用方向滤波器组对得到的各带通子带图像信号进行方向分解；
S3：采用高斯随机矩阵作为测量矩阵；
S4：利用稀疏矩阵和测量矩阵通过并行乘法计算获取压缩信号，具体过程如下：
S41：把高斯随机测量矩阵预先放入FPGA可编程门阵列的ROM中；
S42：把稀疏矩阵串行输入并存储在RAM中并将稀疏矩阵分块处理；
S5：对图像的压缩信号进行解压缩重构图像；
所述步骤S5中的解压缩采用正交匹配跟踪算法OMP来重构图像。
2.根据权利要求1所述的基于光学轮廓波变换的图像压缩方法，其特征在于：所述步骤S4中的并行乘法计算是在FPGA中进行的，以实现实时处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210534230.7A CN102982563B (zh) | 2012-12-12 | 2012-12-12 | 一种基于光学轮廓波变换的图像压缩方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210534230.7A CN102982563B (zh) | 2012-12-12 | 2012-12-12 | 一种基于光学轮廓波变换的图像压缩方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102982563A CN102982563A (zh) | 2013-03-20 |
| CN102982563B true CN102982563B (zh) | 2015-12-23 |
Family
ID=47856504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210534230.7A Expired - Fee Related CN102982563B (zh) | 2012-12-12 | 2012-12-12 | 一种基于光学轮廓波变换的图像压缩方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102982563B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105828087A (zh) * | 2016-05-26 | 2016-08-03 | 重庆大学 | 一种基于光学小波及压缩感知的图像压缩系统 |
| CN105872485A (zh) * | 2016-06-06 | 2016-08-17 | 贵州大学 | 用于智能交通的基于fpga图像压缩传输装置及方法 |
| CN106780399A (zh) * | 2017-01-10 | 2017-05-31 | 南开大学 | 基于多尺度组稀疏的压缩感知图像重构方法 |
| CN113761465A (zh) * | 2021-09-07 | 2021-12-07 | 中国科学院空天信息创新研究院 | 雷达的压缩成像处理方法和雷达的压缩成像处理装置 |
-
2012
- 2012-12-12 CN CN201210534230.7A patent/CN102982563B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
| Title |
|---|
| Compressed sensing;David L.Donoho;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20060430;第52卷(第4期);第1289－1306页 * |
| Signal Recovery From Random Measurements;Joel A. Tropp, Member;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20071231;第53卷(第12期);第4655－4666页 * |
| 光学4f系统的图像空间频率特性;韩亮 等;《重庆大学学报》;20080430;第31卷(第4期);第426－431页，第1节第1-4行，第13-19行，图1 * |
| 基于FPGA的实时双精度浮点矩阵乘法器设计;田翔 等;《浙江大学学报(工学版)》;20080930;第42卷(第9期);第1611－1615页，第1612页第7-9行，第1节第5－8行 * |
| 基于轮廓波变换的图像压缩感知处理;倪雪 等;《军事通信技术》;20120630;第33卷(第2期);第85-88页，摘要第2－3行，第1节第3－17行，第2节6－13行，第3节第1－2行 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102982563A (zh) | 2013-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Tensor completion for on-board compression of hyperspectral images | |
| Setyaningsih et al. | Survey of hybrid image compression techniques | |
| CN113822147B (zh) | 一种协同机器语义任务的深度压缩方法 | |
| CN102982563B (zh) | 一种基于光学轮廓波变换的图像压缩方法 | |
| Yadav et al. | A review on image compression techniques | |
| Ranjan | Canonical Huffman coding based image compression using wavelet | |
| CN103905831A (zh) | 基于图形处理器的条带波变换图像压缩方法 | |
| CN101848390B (zh) | 基于多方向稀疏表示的图像压缩安全编码方法 | |
| Kumar et al. | Gaussian Hermite polynomial based lossless medical image compression | |
| CN105163130B (zh) | 一种基于离散Tchebichef正交多项式的图像无损压缩方法 | |
| CN105828087A (zh) | 一种基于光学小波及压缩感知的图像压缩系统 | |
| Jain et al. | Performance analysis of integer wavelet transform for image compression | |
| CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
| Zayed et al. | 3D wavelets with SPIHT coding for integral imaging compression | |
| Sandhu et al. | Matlab Based Image Compression Using Various Algorithms | |
| Li et al. | Multispectral Image Compression Based on DSC Combined with CCSDS‐IDC | |
| CN103024379B (zh) | 一种基于光学条带波变换的图像压缩方法 | |
| CN103402090A (zh) | 一种基于霍夫曼无损压缩算法的改进方法 | |
| Gowthami et al. | A novel approach towards high-performance image compression using multilevel wavelet transformation for heterogeneous datasets | |
| Tao et al. | Prior-information-based remote sensing image compression with Bayesian dictionary learning | |
| Kumar et al. | Fast and Efficient Medical Image Compression Using Contourlet Transform:(FEMI-CCT) | |
| Rani et al. | Improving accuracy of deep learning-based compression techniques by introducing perceptual loss in industrial IoT | |
| Zhao | Improving the Quality of Left‐Behind Children’s Participation in Sports through Wireless Network Monitoring | |
| Pareek et al. | An Image Compression Using Multilayer Wavelet Transform with 2DTCWT: A Review | |
| Jayanthi et al. | Multi Wavelet Based Image Compression for Tele-Medical Applications |
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: 20151223 Termination date: 20161212 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |