CN105681790B - 图像集中的图像的编码方法和解码方法 - Google Patents

图像集中的图像的编码方法和解码方法 Download PDF

Info

Publication number
CN105681790B
CN105681790B CN201610010094.XA CN201610010094A CN105681790B CN 105681790 B CN105681790 B CN 105681790B CN 201610010094 A CN201610010094 A CN 201610010094A CN 105681790 B CN105681790 B CN 105681790B
Authority
CN
China
Prior art keywords
image
matrix
original image
decoding
previous width
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.)
Active
Application number
CN201610010094.XA
Other languages
English (en)
Other versions
CN105681790A (zh
Inventor
赵耀
王锐拓
林春雨
白慧慧
刘美琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201610010094.XA priority Critical patent/CN105681790B/zh
Publication of CN105681790A publication Critical patent/CN105681790A/zh
Application granted granted Critical
Publication of CN105681790B publication Critical patent/CN105681790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提供了一种图像集中的图像的编码方法和解码方法。所述方法包括：获取图像集中的待编码的当前原始图像的前一幅原始图像；生成前一幅原始图像的解码图像；将当前原始图像与前一幅原始图像的解码图像求差值，生成差值图像；对差值图像进行矩阵变化，生成差值图像对应的差值矩阵Rn；对前一幅原始图像的解码图像进行矩阵变化，生成前一幅原始图像的解码图像对应的矩阵；使用非负矩阵分解法，将前一幅原始图像的解码图像对应的矩阵分解为字典矩阵和系数矩阵；使用最小二乘法，得到差值矩阵在字典矩阵下的系数矩阵；对系数矩阵进行量化和熵编码处理，生成当前原始图像的编码图像。

Description

图像集中的图像的编码方法和解码方法
技术领域
本发明涉及图像处理领域，尤其涉及一种图像集中的图像的编码方法和解码方法。
背景技术
图像压缩是图像处理领域的经典课题，其研究成果已得到了广泛的应用。图像压缩的目的就是尽量减少表示一幅图像所需要的码率，也就是使用最少的数据呈现出高质量的图像。
传统的图像压缩方法如JPEG、JPEG2000等主要利用了单幅图像之间的像素冗余、编码冗余和视觉冗余等冗余信息进行压缩。但是由于大量的图像是在相同或者相似的场景下获得，因此它们之间也存在一定的冗余信息，如果可以有效地利用这些冗余信息，将会进一步提高压缩比，节省存储空间。图像集压缩算法就是针对由多幅相似图像组成的图像集的压缩问题，在单幅图像压缩技术的基础上利用集合冗余信息，有效地实现了压缩。
从Kosmas Karadimitriou提出图像集压缩的概念开始，一系列图像集压缩的算法随之产生。总体来说，目前图像集压缩主要有两大类的算法：一类是基于代表性信息(Representative Signal，RS)的压缩算法，如最小最大预测法、低频模板法等，其主要用于无损的图像集压缩；另一类是基于图(Graph)的压缩算法，其主要用于有损的图像集压缩，如个人影集压缩、云存储等。
基于代表性信息的图像集压缩算法通过对图像集中公共信息的提取使图像集的冗余信息大大减少，进而达到压缩的目的。此类方法最大的优点是在提取代表性信息之后可以对不同的图像分别编解码，不同的图像编解码之间互相不影响。
而此类方法的缺点是：会增加图像数目，如果每幅图像去除代表性信息后节省的码率低于编码代表性信息的码率，将不能达到节省码率的效果。
与基于代表性信息的压缩算法相比，基于图的压缩算法能达到更高的压缩比，并且适用范围也更加广泛，对于图像集中内容有较大变化时依然可以达到比较好的压缩效果。但是基于图的压缩算法复杂度普遍较高，压缩图像集所需要的时间也较长。
发明内容
本发明的实施例提供了一种算法简单的图像集中的图像的编码方法和解码方法。
为了实现上述目的，本发明采取了如下技术方案。
一种图像集中的图像的编码方法，包括：
获取图像集中的待编码的当前原始图像In的前一幅原始图像In-1，n≥2；
生成所述前一幅原始图像In-1的解码图像In-1'；
将所述当前原始图像In与所述前一幅原始图像In-1的解码图像In-1'求差值，生成差值图像Dn；
对所述差值图像Dn进行矩阵变化，生成所述差值图像Dn对应的差值矩阵Rn；
对所述前一幅原始图像In-1的解码图像In-1'进行矩阵变化，生成所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1；
使用非负矩阵分解法，将所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1分解为字典矩阵Un-1和系数矩阵Vn-1；
使用最小二乘法，得到所述差值矩阵Rn在所述字典矩阵Un-1下的系数矩阵Vn；
对所述系数矩阵Vn进行量化和熵编码处理，生成所述当前原始图像In的编码图像。
所述对所述差值图像Dn进行矩阵变化，生成所述差值图像Dn对应的差值矩阵Rn的步骤包括：
将所述差值图像Dn进行分块，生成块矩阵；
将每一个所述块矩阵转化为一个列向量；
根据各个所述列向量，组成差值矩阵Rn。
所述生成所述前一幅原始图像In-1的解码图像In-1'的步骤为：
当所述前一幅原始图像In-1在所述图像集中的序号为1时，对所述前一幅原始图像In-1进行编码，并进行解码处理，生成所述前一幅原始图像In-1的解码图像In-1'。
所述对所述前一幅原始图像In-1进行编码的步骤为：使用JPEG或JPEG2000进行编码处理；
所述进行解码处理的步骤为：使用JPEG或JPEG2000解码处理。
所述生成所述前一幅原始图像In-1的解码图像In-1'的步骤包括：
当所述前一幅原始图像在所述图像集中的序号大于1时，获取待解码的前一幅编码图像In-1'；
获取所述前一幅编码图像In-1'反量化后的系数矩阵Vn-1'；
获取当前原始图像In的前二幅原始图像In-2的解码图像In-2'对应的字典矩阵Un-2；
根据所述前二幅原始图像In-2对应的字典矩阵Un-2和所述前一幅编码图像In-1'对应的系数矩阵Vn-1'，生成前一幅编码图像In-1'对应的重建矩阵Rn-1'；
将所述前一幅编码图像In-1'对应的重建矩阵Rn-1'反变换为前一幅编码图像In-1'对应的差值矩阵Dn-1'；
根据所述前一幅编码图像In-1'对应的差值矩阵Dn-1'和所述前二幅原始图像In-2的解码图像In-2'，生成前一幅编码图像的解码图像In-1'。
一种图像集中的图像的解码方法，包括：
获取待解码的当前编码图像；
获取所述当前编码图像反量化后的系数矩阵Vn'；
获取当前原始图像In的前一幅原始图像In-1的解码图像In-1'对应的字典矩阵Un-1；
根据所述字典矩阵Un-1和所述系数矩阵Vn'，生成重建矩阵Rn'；
将所述重建矩阵Rn'反变换为差值矩阵Dn'；
根据所述差值矩阵Dn'和所述前一幅原始图像In-1的解码图像In-1'，生成当前编码图像的解码图像In'。
所述根据所述字典矩阵Un-1和所述系数矩阵Vn'，生成重建矩阵Rn'的步骤为：
Rn'＝Un-1×Vn'。
所述将所述重建矩阵Rn'反变换为差值矩阵Dn'的步骤包括：
将所述重建矩阵Rn'的每一列的向量转化为一个块矩阵；
根据所有所述块矩阵，组成差值矩阵Dn'。
所述根据所述差值矩阵Dn'和所述前一幅原始图像In-1的解码图像In-1'，生成当前编码图像的解码图像In'根据以下公式计算：
In'＝In-1'+Dn'。
由上述本发明的实施例提供的技术方案可以看出，本发明与基于图的图像集压缩方法相比，本方法的复杂度更低。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的图像集中的图像的编码方法的处理流程图；
图2为本发明实施例一提供的图像集中的图像的解码方法的处理流程图。
图3是基于非负矩阵分解的图像集压缩方法的编码框架；
图4是基于非负矩阵分解的图像集压缩方法的解码框架。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
如图1所示，为本发明所述的一种图像集中的图像的编码方法，包括：
步骤11，获取图像集中的待编码的当前原始图像In的前一幅原始图像In-1，n≥2；
步骤12，生成所述前一幅原始图像In-1的解码图像In-1'；
步骤13，将所述当前原始图像In与所述前一幅原始图像In-1的解码图像In-1'求差值，生成差值图像Dn；
步骤14，对所述差值图像Dn进行矩阵变化，生成所述差值图像Dn对应的差值矩阵Rn；
步骤15，对所述前一幅原始图像In-1的解码图像In-1'进行矩阵变化，生成所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1；
步骤16，使用非负矩阵分解法，将所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1分解为字典矩阵Un-1和系数矩阵Vn-1；
步骤17，使用最小二乘法，得到所述差值矩阵Rn在所述字典矩阵Un-1下的系数矩阵Vn；
步骤18，对所述系数矩阵Vn进行量化和熵编码处理，生成所述当前原始图像In的编码图像。
步骤14包括：
步骤141,将所述差值图像Dn进行分块，生成块矩阵；
步骤142,将每一个所述块矩阵转化为一个列向量；
步骤143,根据各个所述列向量，组成差值矩阵Rn。
步骤12为：
当所述前一幅原始图像In-1在所述图像集中的序号为1时，对所述前一幅原始图像In-1进行编码，并进行解码处理，生成所述前一幅原始图像In-1的解码图像In-1'。其中，所述对所述前一幅原始图像In-1进行编码的步骤为：使用JPEG或JPEG2000进行编码处理；所述进行解码处理的步骤为：使用JPEG或JPEG2000解码处理。
步骤12为：
步骤121，当所述前一幅原始图像在所述图像集中的序号大于1时，获取待解码的前一幅编码图像In-1'；
步骤122，获取所述前一幅编码图像In-1'反量化后的系数矩阵Vn-1'；
步骤123，获取当前原始图像In的前二幅原始图像In-2的解码图像In-2'对应的字典矩阵Un-2；
步骤124，根据所述前二幅原始图像In-2对应的字典矩阵Un-2和所述前一幅编码图像In-1'对应的系数矩阵Vn-1'，生成前一幅编码图像In-1'对应的重建矩阵Rn-1'；
步骤125，将所述前一幅编码图像In-1'对应的重建矩阵Rn-1'反变换为前一幅编码图像In-1'对应的差值矩阵Dn-1'；
步骤126，根据所述前一幅编码图像In-1'对应的差值矩阵Dn-1'和所述前二幅原始图像In-2的解码图像In-2'，生成前一幅编码图像的解码图像In-1'。
如图2所示，为本发明所述的一种图像集中的图像的解码方法，包括：
步骤21，获取待解码的当前编码图像；
步骤22，获取所述当前编码图像反量化后的系数矩阵Vn'；
步骤23，获取当前原始图像In的前一幅原始图像In-1的解码图像In-1'对应的字典矩阵Un-1；
步骤24，根据所述字典矩阵Un-1和所述系数矩阵Vn'，生成重建矩阵Rn'；
步骤25，将所述重建矩阵Rn'反变换为差值矩阵Dn'；
步骤26，根据所述差值图像Dn'和所述前一幅原始图像In-1的解码图像In-1'，生成当前编码图像的解码图像In'。
步骤24：
Rn'＝Un-1×Vn'。
步骤25包括：
步骤251，将所述重建矩阵Rn'的每一列的向量转化为一个块矩阵；
步骤252，根据所有所述块矩阵，组成差值矩阵Dn'。
步骤26根据以下公式计算：
In'＝In-1'+Dn'。
本发明具有以下有益效果：
本发明的基于非负矩阵分解的图像集压缩方法，不同于现存的两类图像集压缩算法，本发明主要是基于非负矩阵分解(Nonnegative Matrix Factorization，NMF)来去除图像集冗余信息。通过使用非负矩阵分解和相邻图像间字典矩阵共用的方法，使图像集压缩方法在一种新的压缩框架和更低的复杂度下取得较好的压缩效果。本发明的图像集压缩方法，与基于代表性信息的图像集压缩方法相比，本方法不需要增加图像数目，而与基于图的图像集压缩方法相比，本方法的复杂度更低。
以下描述本发明的应用场景。
以下结合图3和图4描述本发明的一实施例。
本发明的基于非负矩阵分解的图像集压缩方法，其具体实现步骤如下：
步骤1，将图像集中的第一幅图像使用JPEG或JPEG2000编码，并本地解码，将解码后的图像作为下一幅图像的参考图像；
步骤2，将当前待编码图像与前一幅参考图像的编码图像求差值，得到差值图像；
步骤3，将差值图像分块，并将每一个块矩阵转化为一个列向量，所有的列向量组成一个新的差值矩阵；
步骤4，将参考图像同样做分块和重排的变换处理，并使用非负矩阵分解，将变换后的参考图像分解为一个字典矩阵和一个系数矩阵，然后使用最小二乘法得到步骤(3)中新的差值矩阵在该字典矩阵下的系数矩阵；
步骤5，对最小二乘法得到的系数矩阵量化和熵编码；
步骤6，将当前编码图像本地解码，作为下一幅图像的参考图像。再从步骤(2)开始，直到图像集中的所有图像编码完毕。
以下描述本发明的另一实施例。
本方法的编码的具体实施方式为：
步骤1，假设一个图像集为S＝{I1,I2,…,Im}，将图像集中的第一幅图像I1使用JPEG或JPEG2000编码，并本地解码，得到解码后的图像I1'；
步骤2，对于图像集中的图像In(n≥2)，计算其与前一幅图像In-1的解码后的图像的差值，即Dn＝In-In-1'；
步骤3，将差值图像Dn分为l个8×8大小的块，然后将每个8×8的块转化为一个64维的向量，同样有l个向量，最后，使用这l个向量组成一个64×l的新矩阵Rn；
步骤4，对参考图像In-1做和步骤(3)中Dn同样的矩阵变换，得到变换后的矩阵Xn-1， 并对矩阵Xn-1使用非负矩阵分解,即Xn-1＝Un-1×Vn-1，其中，Un-1为字典矩阵，Vn-1为系数矩阵。 使用最小二乘法得到矩阵Rn的系数矩阵Vn，其优化模型为：
步骤5，对系数矩阵Vn量化和熵编码；
步骤6，将当前编码图像In本地解码：通过反量化得到当前编码图像反量化后的系数矩阵Vn'，使用步骤4中的到的字典矩阵Un-1重建出Rn'＝Un-1×Vn'，其中Rn'为一个64×l的矩阵，将Rn'反变换为差值矩阵Dn'。其反变换过程为将Rn'的每一列的64维向量转化为一个8×8的块矩阵，再由这些8×8的块矩阵组成一个差值矩阵Dn'。
最后，得到解码图像为In'＝In-1'+Dn'，作为下一幅编码图像的参考图像。
再从步骤2开始，直到图像集中的所有图像编码完毕。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种图像集中的图像的编码方法，其特征在于，包括：
获取图像集中的待编码的当前原始图像In的前一幅原始图像In-1，n≥2；
生成所述前一幅原始图像In-1的解码图像In-1'；
将所述当前原始图像In与所述前一幅原始图像In-1的解码图像In-1'求差值，生成差值图像Dn；
对所述差值图像Dn进行矩阵变化，生成所述差值图像Dn对应的差值矩阵Rn；
对所述前一幅原始图像In-1的解码图像In-1'进行矩阵变化，生成所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1；
使用非负矩阵分解法，将所述前一幅原始图像In-1的解码图像In-1'对应的矩阵Xn-1分解为字典矩阵Un-1和系数矩阵Vn-1；
使用最小二乘法，得到所述差值矩阵Rn在所述字典矩阵Un-1下的系数矩阵Vn；
对所述系数矩阵Vn进行量化和熵编码处理，生成所述当前原始图像In的编码图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述差值图像Dn进行矩阵变化，生成所述差值图像Dn对应的差值矩阵Rn的步骤包括：
将所述差值图像Dn进行分块，生成块矩阵；
将每一个所述块矩阵转化为一个列向量；
根据各个所述列向量，组成差值矩阵Rn。
3.根据权利要求1所述的方法，其特征在于，所述生成所述前一幅原始图像In-1的解码图像In-1'的步骤为：
当所述前一幅原始图像In-1在所述图像集中的序号为1时，对所述前一幅原始图像In-1进行编码，并进行解码处理，生成所述前一幅原始图像In-1的解码图像In-1'。
4.根据权利要求3所述的方法，其特征在于，
所述对所述前一幅原始图像In-1进行编码的步骤为：使用JPEG或JPEG2000进行编码处理；
所述进行解码处理的步骤为：使用JPEG或JPEG2000解码处理。
5.根据权利要求1所述的方法，其特征在于，所述生成所述前一幅原始图像In-1的解码图像In-1'的步骤包括：
当所述前一幅原始图像在所述图像集中的序号大于1时，获取待解码的前一幅编码图像In-1'；
获取所述前一幅编码图像In-1'反量化后的系数矩阵Vn-1'；
获取当前原始图像In的前二幅原始图像In-2的解码图像In-2'对应的字典矩阵Un-2；
根据所述前二幅原始图像In-2对应的字典矩阵Un-2和所述前一幅编码图像In-1'对应的系数矩阵Vn-1'，生成前一幅编码图像In-1'对应的重建矩阵Rn-1'；
将所述前一幅编码图像In-1'对应的重建矩阵Rn-1'反变换为前一幅编码图像In-1'对应的差值矩阵Dn-1'；
根据所述前一幅编码图像In-1'对应的差值矩阵Dn-1'和所述前二幅原始图像In-2的解码图像In-2'，生成前一幅编码图像的解码图像In-1'。
6.一种图像集中的图像的解码方法，其特征在于，包括：
获取待解码的当前原始图像；
获取所述当前原始图像反量化后的系数矩阵Vn'；
获取当前原始图像In的前一幅原始图像In-1的解码图像In-1'对应的字典矩阵Un-1；
根据所述字典矩阵Un-1和所述系数矩阵Vn'，生成重建矩阵Rn'；
将所述重建矩阵Rn'反变换为差值矩阵Dn'；
根据所述差值矩阵Dn'和所述前一幅原始图像In-1的解码图像In-1'，生成当前原始图像的解码图像In'。
7.根据权利要求6所述的解码方法，其特征在于，所述根据所述字典矩阵Un-1和所述系数矩阵Vn'，生成重建矩阵Rn'的步骤为：
Rn'＝Un-1×Vn'。
8.根据权利要求6所述的解码方法，其特征在于，所述将所述重建矩阵Rn'反变换为差值矩阵Dn'的步骤包括：
将所述重建矩阵Rn'的每一列的向量转化为一个块矩阵；
根据所有所述块矩阵，组成差值矩阵Dn'。
9.根据权利要求6所述的解码方法，其特征在于，所述根据所述差值矩阵Dn'和所述前一幅原始图像In-1的解码图像In-1'，生成当前原始图像的解码图像In'根据以下公式计算：
In'＝In-1'+Dn'。
CN201610010094.XA 2016-01-08 2016-01-08 图像集中的图像的编码方法和解码方法 Active CN105681790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610010094.XA CN105681790B (zh) 2016-01-08 2016-01-08 图像集中的图像的编码方法和解码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610010094.XA CN105681790B (zh) 2016-01-08 2016-01-08 图像集中的图像的编码方法和解码方法

Publications (2)

Publication Number Publication Date
CN105681790A CN105681790A (zh) 2016-06-15
CN105681790B true CN105681790B (zh) 2019-01-22

Family

ID=56299416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610010094.XA Active CN105681790B (zh) 2016-01-08 2016-01-08 图像集中的图像的编码方法和解码方法

Country Status (1)

Country Link
CN (1) CN105681790B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540898A (zh) * 2009-04-24 2009-09-23 西安电子科技大学 基于非负矩阵分解的avs视频数字水印方法
CN104506752A (zh) * 2015-01-06 2015-04-08 河海大学常州校区 一种基于残差压缩感知的相似图像压缩方法
CN104780379A (zh) * 2015-01-21 2015-07-15 北京工业大学 一种屏幕图像集合的压缩方法
CN104915686A (zh) * 2015-07-03 2015-09-16 电子科技大学 一种基于nmf的目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8515879B2 (en) * 2010-08-11 2013-08-20 Seiko Epson Corporation Supervised nonnegative matrix factorization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540898A (zh) * 2009-04-24 2009-09-23 西安电子科技大学 基于非负矩阵分解的avs视频数字水印方法
CN104506752A (zh) * 2015-01-06 2015-04-08 河海大学常州校区 一种基于残差压缩感知的相似图像压缩方法
CN104780379A (zh) * 2015-01-21 2015-07-15 北京工业大学 一种屏幕图像集合的压缩方法
CN104915686A (zh) * 2015-07-03 2015-09-16 电子科技大学 一种基于nmf的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于矩阵分解的图像表示理论及其应用研究》;肖延辉;《中国优秀博士学位论文全文数据库（电子期刊）》;20140601;全文

Also Published As

Publication number Publication date
CN105681790A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN103489203A (zh) 基于字典学习的图像编码方法及系统
EP1538566A3 (en) Method and apparatus for scalable video encoding and decoding
CN109903351B (zh) 基于卷积神经网络和传统编码相结合的图像压缩方法
Ram et al. Facial image compression using patch-ordering-based adaptive wavelet transform
US10021423B2 (en) Method and apparatus to perform correlation-based entropy removal from quantized still images or quantized time-varying video sequences in transform
Mulla et al. Image compression scheme based on zig-zag 3D-DCT and LDPC coding
CN105163130B (zh) 一种基于离散Tchebichef正交多项式的图像无损压缩方法
JP2019515552A (ja) デジタル画像のデコーディング方法、コーディング方法、装置および付随するコンピュータプログラム
CN105681790B (zh) 图像集中的图像的编码方法和解码方法
Sahraeian et al. Wavelet-based 2-D ECG data compression method using SPIHT and VQ coding
Kumari et al. A secure fast 2D—Discrete fractional fourier transform based medical image compression using hybrid encoding technique
CN108933942A (zh) 一种压缩视频的滤波方法及针对压缩视频的滤波装置
KR20100067364A (ko) 심전도 신호의 부호화 및 복호화 방법
Piscaglia et al. Multiresolution lossless compression scheme
Natu et al. Hybrid image compression using VQ on error image
Rahman et al. An integer wavelet transform based lossless image compression technique using arithmetic coding
Pradhan et al. A modified framework for Image compression using Burrows-Wheeler Transform
US20240305801A1 (en) Contextual video compression framework with spatial-temporal cross-covariance transformers
US7113654B2 (en) Computationally efficient modeling of imagery using scaled, extracted principal components
Wang et al. Sparse mp4
CN117915110B (zh) 一种面向北斗短报文的遥感影像压缩传输方法及系统
CN116916033B (zh) 一种基于随机自适应傅里叶分解的联合时空视频压缩方法
Kucherov et al. A computer system for images compression
Ansari et al. Performance Analysis of Medical Image Compression Techniques with respect to the quality of compression
RU2568266C1 (ru) Способ кодирования и декодирования видеоинформации

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