CN104202607B - 一种图像无损压缩方法和电子设备 - Google Patents
一种图像无损压缩方法和电子设备 Download PDFInfo
- Publication number
- CN104202607B CN104202607B CN201410432274.8A CN201410432274A CN104202607B CN 104202607 B CN104202607 B CN 104202607B CN 201410432274 A CN201410432274 A CN 201410432274A CN 104202607 B CN104202607 B CN 104202607B
- Authority
- CN
- China
- Prior art keywords
- picture frame
- band
- auroral
- exponent number
- spectra
- 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)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种图像无损压缩方法和电子设备，属于图像压缩领域。所述方法包括：根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；对所述目标极光光谱图像帧和所述预测图像帧进行做差，生成残差图像；对所述残差图像进行算术编码，生成码流文件。本发明实施例提供一种图像压缩方法，通过对极光光谱图像每一帧分别建立预测模型，进行压缩，实现了极光光谱图像的实时压缩，从而提高了压缩效率，降低了成本。
Description
技术领域
本发明涉及图像压缩领域，特别涉及一种图像无损压缩方法和电子设备。
背景技术
在极光光谱图像的采集和传输过程中，由于极光光谱图像的数据量巨大，使得现有的传输带宽无法满足极光光谱图像，从而需要一种图像无损压缩方法，对极光光谱进行压缩，以实现极光光谱图像的传输。
现有技术提供一种图像无损压缩方法，通过对整个极光光谱图像分类后的每类数据建立独立的回归预测模型，然后根据该回归预测模型，对极光光谱图像进行压缩。
但是该方法是对整个极光光谱图像进行压缩，由于极光光谱图像是实时传输的，使得在采用该方法是，需要在整个极光光谱图像都完成后再进行压缩，降低了压缩效率，并由于回归预测模型在压缩过程中会产生大量系数边信息，使得在采用现有技术提供的方法时，压缩成本较高。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种图像无损压缩方法和电子设备。所述技术方案如下：
第一方面，提供了一种图像无损压缩方法，所述方法包括：
根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；
对所述目标极光光谱图像帧和所述预测图像帧进行做差，生成残差图像；
对所述残差图像进行算术编码，生成码流文件；
其中，所述根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧包括：
获取所述预测模型，并设置与所述预测模型对应的至少一个阶数值；且设置完与所述预测模型对应的至少一个阶数值之后，对该至少一个阶数值进行重置；在任意一个阶数值的基础上，对所述目标极光光谱图像帧进行预测，获取与所述阶数值对应的预测图像帧；
在所有所述至少一个阶数值都完成对所述目标极光光谱图像帧进行预测，获取与所述至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像；
其中，获取至少一个预测图形中满足预设条件的图像的过程为：
将阶数值对应的预测图像帧输入预设对比算法中，获取与所述阶数值对应的输出结果；
在获取所有阶数值对应的输出结果后，判断所有阶数值对应的输出结果与预设结果之间的关系，选择与预设结果之间差值最小的输出结果。
结合第一方面，在第一种可能的实现方式中，所述获取预测模型包括：
判断所述目标极光光谱图像帧的当前波段是否是第一波段，若所述当前波段是第一波段，则对所述第一波段的像素进行波段内预测；
若所述当前波段不是第一波段，则判断所述当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个，若所述当前波段为第二波段或者前三条谱线的任何波段中的任意一个，则利用所述当前波段的前一波段，对所述当前波段的像素进行预测；
若所述当前波段不为第二波段或者前三条谱线的任何波段中的任意一个，则对利用所述当前波段的前N波段，建立多元线性回归模型，并判断所述当前波段的数目是否小于或者等于谱线的数目；
若所述当前波段的数目小于或者等于谱线的数目，则利用最小二乘算法求解所述多元线性回归模型；
若所述当前波段的数目大于谱线的数目，则利用递推最小二乘算法求解所述多元线性回归模型。
第二方面，提供了一种电子设备，所述电子设备包括：
预测单元，用于根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；
处理单元，用于对所述目标极光光谱图像帧和所述预测图像帧进行做差，生成残差图像；
编码单元，用于对所述残差图像进行算术编码，生成码流文件；
其中，所述预测单元包括：
设置子单元，用于获取所述预测模型，并设置与所述预测模型对应的至少一个阶数值；且设置完与所述预测模型对应的设置一个阶数值之后，对该阶数值进行重置；
第一预测子单元，用于在任意一个阶数值的基础上，对所述目标极光光谱图像帧进行预测，获取与所述阶数值对应的预测图像帧；
获取子单元，用于在所有所述至少一个阶数值都完成对所述目标极光光谱图像帧进行预测，获取与所述至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像；
其中，获取至少一个预测图形中满足预设条件的图像的过程为：
将阶数值对应的预测图像帧输入预设对比算法中，获取与所述阶数值对应的输出结果；
在获取所有阶数值对应的输出结果后，判断所有阶数值对应的输出结果与预设结果之间的关系，选择与预设结果之间差值最小的输出结果。
结合第二方面，在第一种可能的实现方式中，
所述设置子单元包括：
判决子单元，用于判断所述目标极光光谱图像帧的当前波段是否是第一波段；
第二预测子单元，用于在所述当前波段是第一波段时，对所述第一波段的像素进行波段内预测；
所述判决子单元还用于在所述当前波段不是第一波段时，判断所述当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个；
所述第二预测子单元还用于在所述当前波段为第二波段或者前三条谱线的任何波段中的任意一个时，利用所述当前波段的前一波段，对所述当前波段的像素进行预测；
建立子单元，用于在所述当前波段不为第二波段或者前三条谱线的任何波段中的任意一个时，对利用所述当前波段的前N波段，建立多元线性回归模型；
所述判决子单元还用于判断所述当前波段的数目是否小于或者等于谱线的数目；
处理子单元，用于在所述当前波段的数目小于或者等于谱线的数目时，利用最小二乘算法求解所述多元线性回归模型；
所述处理子单元还用于在所述当前波段的数目大于谱线的数目时，利用递推最小二乘算法求解所述多元线性回归模型。
本发明实施例提供一种图像压缩方法，通过对极光光谱图像每一帧分别建立预测模型，进行压缩，实现了极光光谱图像的实时压缩，从而提高了压缩效率，降低了成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像压缩方法流程图；
图2是本发明实施例提供的一种图像压缩方法流程图；
图3是本发明实施例提供的一种图像压缩设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述，值得注意的是，在本发明实施例中，由于目标极光光谱图像以帧为单位进行传输，所以对应的，目标极光光谱图像包括至少一个帧，目标极光光谱图像帧表示当前所接收到的帧。
本发明实施例提供一种图像无损压缩方法，参照图1所示，该方法具体包括：
101、根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧。
102、对目标极光光谱图像帧和预测图像帧进行做差，生成残差图像。
103、对残差图像进行算术编码，生成码流文件。
本发明实施例提供一种图像压缩方法，通过对极光光谱图像每一帧分别建立预测模型，进行压缩，实现了极光光谱图像的实时压缩，从而提高了压缩效率，降低了成本。
本发明实施例提供一种图像无损压缩方法，该图像无损压缩方法应用于极光光谱图像的无损压缩，参照图2所示，该方法包括：
201、获取当前所要压缩的目标极光光谱图像帧。
具体的，该目标极光光谱图像帧可以为目标极光光谱图像的起始帧。
其中，目标极光光谱图像帧可以是其他设备主动发送的，也可以使其他设备在接收到发送指令后发送的，本发明实施例对具体获取当前所要压缩的目标极光光谱图像帧的方式不加以限定。
202、根据预设算法，获取预测模型。
具体的，该预设算法可以包括递推回归算法。
其中，获取预测模型的过程可以为：
a、判断目标极光光谱图像帧的当前波段是否是第一波段，若当前波段是第一波段，则对第一波段的像素进行波段内预测；
具体的，采用相邻像素预测的方法，对第一波段的像素进行波段内预测，其过程可以为：
第一条谱线的第一波段的像素作为残差直接送到编码端，第二条谱线的第一波段的像素由第一条谱线的第一波段的像素预测，第三条，第四条，...，第N条谱线的第一波段的像素由第N-1条谱线的第一波段的像素预测，直到所有谱线的第一波段像素预测结束。
b、若当前波段不是第一波段，则判断所述当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个，若当前波段为第二波段或者前三条谱线的任何波段中的任意一个，则利用当前波段的前一波段，对当前波段的像素进行预测；
c、若当前波段不为第二波段或者前三条谱线的任何波段中的任意一个，则对利用当前波段的前N波段，建立预测模型，示例性的，该预测模型可以为多远线性回归模型，该多元线性回归模型包括预测系数；
判断当前波段的数目是否小于或者等于谱线的数目；
其中，多元线性回归模型可以为：
Φ×aT＝Y
其中，
ai表示预测系数，其中i＝0，...，4；表示第j条谱线上的第in个像素，其中n＝1，...，4；j＝a，...，d。
d、若当前波段的数目小于或者等于谱线的数目，则利用最小二乘算法求解预测系数；
其中，具体的最小二乘算法公式可以为：
a＝(ΦTΦ)-1ΦTY
e、若当前波段的数目大于谱线的数目，则利用递推最小二乘算法求解测系数。
其中，具体的递推最小二乘算法公式可以为：
α(k)＝α(k-1)+P(k)φ(k-1)[y(k-1)-φT(k-1)α(k-1)]
其中，
ΦK＝[φ(0)，φ(1)，...，φ(k-2)，φ(k-1)]T
φ(n)表示第n条谱线上要预测的当前像素的前n个波段像素组成的向量。
具体的，该预测模型可以表示为如下公式：
其中，表示第j条谱线的第i个波段像素的预测值，Pi-n，j表示第j条谱线的第i-n个波段像素的真实值，an表示对应i-n个波段像素的预测系数。
由于该预测模型是利用当前波段的前N波段建立的，使得可以通过该预测模型，对当前接收的目标极光光谱图像帧进行预测，生成预测图像帧，提高了图像压缩的精度。
203、设置与预测模型对应的至少一个阶数值。
具体的，设置该至少一个阶数值的数值大小，该数值包括不为0的正整数，且该阶数值即为预测当前波段时参考的之前波段的数目。
可选的，提高图像压缩的精度，在设置完与预设模型对应的至少一个阶数值之后，还可以对该至少一个阶数值进行重设置。
204、在任意一个阶数值的基础上，对目标极光光谱图像帧进行预测，获取与阶数值对应的预测图像帧。
205、在所有至少一个阶数值都完成对目标极光光谱图像帧进行预测，获取与至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像。
具体的，可以利用预设的对比算法，获取至少一个预测图形中满足预设条件的图像，则预设条件可以为输出结果与预测结果之间的误差值最小，具体获取至少一个预测图形中满足预设条件的图像的过程可以为：
将某一个阶数值对应的预测图像帧输入该对比算法中，获取与该阶数值对应的输出结果；
在获取所有阶数值对应的输出结果后，判断该所有阶数值对应的输出结果与预设结果之间的关系，选择与预设结果之间的差值最小的输出结果。
由于极光光谱图像谱间相关性较强，预测阶数越多，回归训练得到的预测系数的精度越高，从而预测残差越小，其熵编码后的码流越小。
但是预测阶数的增加也会导致相关性减小，通过设定一定的步长，获取最优预测阶数，提高图像压缩的精度。
206、对目标极光光谱图像帧和预测图像帧进行做差，生成残差图像。
具体的，可以通过预设的做差算法，对目标极光光谱图像帧和预测图像帧进行做差，生成残差图像，本发明实施例对具体的算法不加以限定。
207、对残差图像进行算术编码，生成码流文件。
其中，该码流文件即为压缩后的目标极光光谱图像帧。
在该目标极光光谱图像帧压缩完之后，对与该目标极光光谱图像帧相邻的下一帧继续执行压缩，直至该目标极光光谱图像的所有图像帧都完成压缩，
本发明实施例提供一种图像压缩方法，通过对极光光谱图像每一帧分别建立预测模型，进行压缩，实现了极光光谱图像的实时压缩，从而提高了压缩效率，降低了成本，同时通过利用当前波段的前N波段建立，建立预测模型，并调节预测模型中的阶数值，提高了压缩精度。
本发明实施例提供一种电子设备3，参照图3所示，该电子设备3包括：
预测单元31，用于根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；
处理单元32，用于对目标极光光谱图像帧和预测图像帧进行做差，生成残差图像；
编码单元33，用于对残差图像进行算术编码，生成码流文件。
可选的，预测单元31包括：
设置子单元，用于获取预测模型，并设置与预测模型对应的至少一个阶数值；
第一预测子单元，用于在任意一个阶数值的基础上，对目标极光光谱图像帧进行预测，获取与阶数值对应的预测图像帧；
获取子单元，用于在所有至少一个阶数值都完成对目标极光光谱图像帧进行预测，获取与至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像。
可选的，设置子单元包括：
判决子单元，用于判断目标极光光谱图像帧的当前波段是否是第一波段；
第二预测子单元，用于在当前波段是第一波段时，对第一波段的像素进行波段内预测；
判决子单元还用于在当前波段不是第一波段时，判断当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个；
第二预测子单元还用于在当前波段为第二波段或者前三条谱线的任何波段中的任意一个时，利用当前波段的前一波段，对当前波段的像素进行预测；
建立子单元，用于在当前波段不为第二波段或者前三条谱线的任何波段中的任意一个时，对利用当前波段的前N波段，建立多元线性回归模型；
判决子单元还用于判断当前波段的数目是否小于或者等于谱线的数目；
处理子单元，用于在当前波段的数目小于或者等于谱线的数目时，利用最小二乘算法求解多元线性回归模型；
处理子单元还用于在当前波段的数目大于谱线的数目时，利用递推最小二乘算法求解多元线性回归模型。
本发明实施例提供一种图像压缩设备，通过对极光光谱图像每一帧分别建立预测模型，进行压缩，实现了极光光谱图像的实时压缩，从而提高了压缩效率，降低了成本。
需要说明的是：上述实施例提供的电子设备在图像无损压缩时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像无损压缩方法与电子设备实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种图像无损压缩方法，其特征在于，所述方法包括：
根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；
对所述目标极光光谱图像帧和所述预测图像帧进行做差，生成残差图像；
对所述残差图像进行算术编码，生成码流文件；
其中，所述根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧包括：
获取所述预测模型，并设置与所述预测模型对应的至少一个阶数值；且设置完与所述预测模型对应的至少一个阶数值之后，对该至少一个阶数值进行重置；在任意一个阶数值的基础上，对所述目标极光光谱图像帧进行预测，获取与所述阶数值对应的预测图像帧；
在所有所述至少一个阶数值都完成对所述目标极光光谱图像帧进行预测，获取与所述至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像；
其中，获取至少一个预测图形中满足预设条件的图像的过程为：
将阶数值对应的预测图像帧输入预设对比算法中，获取与所述阶数值对应的输出结果；
在获取所有阶数值对应的输出结果后，判断所有阶数值对应的输出结果与预设结果之间的关系，选择与预设结果之间差值最小的输出结果。
2.根据权利要求1所述的方法，其特征在于，所述获取预测模型包括：
判断所述目标极光光谱图像帧的当前波段是否是第一波段，若所述当前波段不是第一波段，则判断所述当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个；
若所述当前波段不为第二波段或者前三条谱线的任何波段中的任意一个，则对利用所述当前波段的前N波段，建立所述预测模型，并判断所述当前波段的数目是否小于或者等于谱线的数目，所述预测模型包括多元线性回归模型，所述多元线性回归模型包括预测系数；
若所述当前波段的数目小于或者等于谱线的数目，则利用最小二乘算法求解所述预测系数；
若所述当前波段的数目大于谱线的数目，则利用递推最小二乘算法求解所述预测系数。
3.一种电子设备，其特征在于，所述电子设备包括：
预测单元，用于根据预测模型，对获取到的目标极光光谱图像帧中的每个像素进行预测，生成预测图像帧；
处理单元，用于对所述目标极光光谱图像帧和所述预测图像帧进行做差，生成残差图像；
编码单元，用于对所述残差图像进行算术编码，生成码流文件；
其中，所述预测单元包括：
设置子单元，用于获取所述预测模型，并设置与所述预测模型对应的至少一个阶数值；且设置完与所述预测模型对应的设置一个阶数值之后，对该阶数值进行重置；
第一预测子单元，用于在任意一个阶数值的基础上，对所述目标极光光谱图像帧进行预测，获取与所述阶数值对应的预测图像帧；
获取子单元，用于在所有所述至少一个阶数值都完成对所述目标极光光谱图像帧进行预测，获取与所述至少一个阶数值中的各个阶数值对应的预测图像帧后，获取至少一个预测图形中满足预设条件的图像；
其中，获取至少一个预测图形中满足预设条件的图像的过程为：
将阶数值对应的预测图像帧输入预设对比算法中，获取与所述阶数值对应的输出结果；
在获取所有阶数值对应的输出结果后，判断所有阶数值对应的输出结果与预设结果之间的关系，选择与预设结果之间差值最小的输出结果。
4.根据权利要求3所述的电子设备，其特征在于，所述设置子单元包括：
判决子单元，用于判断所述目标极光光谱图像帧的当前波段是否是第一波段；
所述判决子单元还用于在所述当前波段不是第一波段时，判断所述当前波段是否为第二波段或者前三条谱线的任何波段中的任意一个；
建立子单元，用于在所述当前波段不为第二波段或者前三条谱线的任何波段中的任意一个时，对利用所述当前波段的前N波段，建立所述预测模型，并判断所述当前波段的数目是否小于或者等于谱线的数目，所述预测模型包括多元线性回归模型，所述多元线性回归模型包括预测系数；
所述判决子单元还用于判断所述当前波段的数目是否小于或者等于谱线的数目；
处理子单元，用于在所述当前波段的数目小于或者等于谱线的数目时，利用最小二乘算法求解所述预测系数；
所述处理子单元还用于在所述当前波段的数目大于谱线的数目时，利用递推最小二乘算法求解所述预测系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410432274.8A CN104202607B (zh) | 2014-08-26 | 2014-08-26 | 一种图像无损压缩方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410432274.8A CN104202607B (zh) | 2014-08-26 | 2014-08-26 | 一种图像无损压缩方法和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104202607A CN104202607A (zh) | 2014-12-10 |
| CN104202607B true CN104202607B (zh) | 2018-11-02 |
Family
ID=52087825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410432274.8A Expired - Fee Related CN104202607B (zh) | 2014-08-26 | 2014-08-26 | 一种图像无损压缩方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104202607B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106791843B (zh) * | 2016-12-19 | 2019-09-24 | 中国科学院半导体研究所 | 一种图像无损压缩系统及方法 |
| CN106791844B (zh) * | 2016-12-19 | 2019-09-03 | 中国科学院半导体研究所 | 一种图像无损压缩装置及方法 |
| CN108960333B (zh) * | 2018-07-12 | 2021-12-17 | 西安电子科技大学 | 基于深度学习的高光谱图像无损压缩方法 |
| WO2020204904A1 (en) * | 2019-04-01 | 2020-10-08 | Google Llc | Learning compressible features |
| CN116847095A (zh) * | 2022-03-23 | 2023-10-03 | 华为技术有限公司 | 一种图像压缩方法，图像解压方法和图像处理装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101718867A (zh) * | 2009-11-06 | 2010-06-02 | 北京航空航天大学 | 适用于高光谱图像压缩的预测系数估计方法及装置 |
| CN101883274A (zh) * | 2009-05-08 | 2010-11-10 | 中国科学院沈阳自动化研究所 | 一种空谱联合预测的高光谱图像无损压缩方法 |
| CN102256137A (zh) * | 2011-07-13 | 2011-11-23 | 西安电子科技大学 | 基于上下文预测的极光图像无损编码方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8428122B2 (en) * | 2009-09-16 | 2013-04-23 | Broadcom Corporation | Method and system for frame buffer compression and memory resource reduction for 3D video |
-
2014
- 2014-08-26 CN CN201410432274.8A patent/CN104202607B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101883274A (zh) * | 2009-05-08 | 2010-11-10 | 中国科学院沈阳自动化研究所 | 一种空谱联合预测的高光谱图像无损压缩方法 |
| CN101718867A (zh) * | 2009-11-06 | 2010-06-02 | 北京航空航天大学 | 适用于高光谱图像压缩的预测系数估计方法及装置 |
| CN102256137A (zh) * | 2011-07-13 | 2011-11-23 | 西安电子科技大学 | 基于上下文预测的极光图像无损编码方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104202607A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104202607B (zh) | 一种图像无损压缩方法和电子设备 | |
| US10812813B2 (en) | Multi-level machine learning-based early termination in partition search for video coding | |
| CN103458460B (zh) | 对信号数据进行压缩和解压缩的方法和装置 | |
| US20090116549A1 (en) | Methods for selecting a prediction mode | |
| US20140369621A1 (en) | Encoding an image | |
| CN101507277A (zh) | 图像编码/解码方法和设备 | |
| CN105933717A (zh) | 一种编码单元的模式决策方法和装置 | |
| US20220329807A1 (en) | Image compression method and apparatus thereof | |
| CN103813166A (zh) | 一种低复杂度的hevc编码多参考帧的选择方法 | |
| CN103763559B (zh) | 一种视频文件转码方法 | |
| CN107743235A (zh) | 图像处理方法、装置及电子设备 | |
| CN105120282A (zh) | 一种时域依赖的码率控制比特分配方法 | |
| Alvar et al. | Bit allocation for multi-task collaborative intelligence | |
| CN110334800A (zh) | 一种用于视频识别的轻量级3d卷积网络系统 | |
| CN107547773A (zh) | 一种图像处理方法、装置及设备 | |
| CN108833925A (zh) | 一种混合视频编解码系统中基于深度神经网络的帧间预测方法 | |
| CN113014922A (zh) | 模型训练、视频编码方法，装置，设备以及存储介质 | |
| WO2011064073A1 (en) | Method, device and system for image compression and decompression using support vector regression | |
| CN103780904B (zh) | 基于边缘的高光谱图像自适应无损预测编码系统及方法 | |
| Zhou et al. | Bandwidth-efficient edge video analytics via frame partitioning and quantization optimization | |
| CN107079171A (zh) | 使用改进的预测滤波器编码和解码视频信号的方法和装置 | |
| CN104618715A (zh) | 一种获取最小率失真代价的方法及装置 | |
| CN113301340A (zh) | 一种编码参数确定方法、视频传送方法和装置 | |
| Li et al. | Spatiotemporal Attention-based Semantic Compression for Real-time Video Recognition | |
| CN107181943A (zh) | 一种基于混合熵编码的卫星序列图像无损压缩方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| DD01 | Delivery of document by public notice |
Addressee: XIDIAN University Document name: Notification of Termination of Patent Right |
|
| DD01 | Delivery of document by public notice | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181102 Termination date: 20190826 |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| DD01 | Delivery of document by public notice |
Addressee: Wu Jiaji Document name: Notice of approval of right to request |
|
| DD01 | Delivery of document by public notice |