CN109889833B - 一种基于改进二进制烟花算法的图像压缩方法 - Google Patents
一种基于改进二进制烟花算法的图像压缩方法 Download PDFInfo
- Publication number
- CN109889833B CN109889833B CN201910173785.5A CN201910173785A CN109889833B CN 109889833 B CN109889833 B CN 109889833B CN 201910173785 A CN201910173785 A CN 201910173785A CN 109889833 B CN109889833 B CN 109889833B
- Authority
- CN
- China
- Prior art keywords
- sub
- fireworks
- bitmap
- elements
- calculating
- 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
Links
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于改进二进制烟花算法的图像压缩方法,包含以下步骤:步骤一、将原始图像矩阵等分成不重叠的子块,进行并行计算处理;步骤二、利用块截断编码方法生成初始位图,标记三个位图中元素不一致的对应位置;步骤三、采用W‑plane方法计算每个子块的公共位图,并生成初始化序列;步骤四、将初始化序列作为输入,利用改进二进制烟花算法计算出每一个子块的优化解与其对应的最终位图以及相应的六个量化值;步骤五、判断是否处理完所有的子块,如果否,则对未处理的子块继续进行处理;如果是,则重构子块,并组合子块重构图像。本发明能够以较少的迭代次数得到高质量的重构图像,且重构图像的压缩效果可以通过调整二进制烟花算法的参数来控制。
Description
技术领域
本发明涉及一种基于改进二进制烟花算法的图像压缩方法,属于图像压缩处理领域。
背景技术
随着互联网与电子技术的快速发展,日常工作生活中数字图像的分辨率与使用量都迅速增加,所需要的存储空间与日俱增,同时这些高分辨率数字图像的传输在有限传输带宽的情况下变得越来越耗时。因此,对图像压缩技术的进一步研究具有重要意义。
图像压缩技术分主要包括有损压缩和无损压缩。有损压缩生成的压缩图像会产生失真,但它的压缩率高,可以提升存储效率。因此,有损压缩更适用于日常工作生活中的图像压缩。块截断编码(Block Truncation Coding,BTC)是Mitchel等人提出的一种灰度图像压缩算法,它具有压缩率高且算法复杂度低的特点。针对彩色图像,有很多单位图块截断编码(Single Bit Map Block Truncation Coding,SBBTC)算法被提出,主要分类基于全局搜索的方法和基于局部搜索的方法。但基于局部搜索的方法复杂度低,但只能得到局部最优值,重构后的图像质量不理想。而基于全局搜索的方法将遗传算法、猫群算法等智能优化算法与BTC结合,在迭代优化一定次数后能到得到全局最优解,方法的复杂度较高。
发明内容
有鉴于此,本发明提供一种基于改进二进制烟花算法的图像压缩方法,能够以较少的迭代次数得到高质量的重构图像,且重构图像的压缩效果可以通过调整改进的二进制烟花算法的参数来控制。
为达到上述目的,本发明提供如下技术方案:
一种基于改进二进制烟花算法的图像压缩方法,包括如下步骤:
步骤一、将原始图像矩阵等分成不重叠的子块,按照CPU核心数均分子块处理任务,进行并行计算处理;
步骤二、利用块截断编码方法计算每个子块中R、G、B三个信道相应的位图MR、MG、MB,标记三个位图中元素不一致的对应位置,将所得的三个位图合并成一个初始位图;
步骤三、采用权重平面(weighted plane,W-plane)方法计算每个子块的公共位图,从公共位图中选出在MR、MG、MB位图中元素不一致的对应位置的元素,将其按顺序排列生成初始化序列;
步骤四、将初始化序列作为输入,利用改进二进制烟花算法计算出每一个子块的优化解与其对应的最终位图以及相应的六个量化值;
步骤五、判断是否处理完所有的子块,如果否,则对未处理的子块继续进行处理;如果是,则重构子块,并组合子块重构图像。
进一步,所述步骤一具体为:将原始图像的三维矩阵Pm×n×3分割成为大小为l×s×3且不重叠的M个子块{Bk|k=1,2,...,M},每个子块大小相等,一般取l=s=4或者l=s=8;然后根据处理计算机的CPU的核心数c来均分M个子块处理任务,利用并行计算同时处理c个子块。
进一步,所述步骤四的改进二进制烟花算法具体为:
(1)初始化烟花:N个烟花{Xi|i=1,2,…,N},当i=1时,Xi=Inew;当i≠1时,Xi为随机生成的元素值为0或1长度与初始化序列Inew长度L相同的数组。
(2)计算代价值:将烟花代入初始位图依次替换MR、MG、MB位图中元素不一致的对应位置的元素,生成与之对应的完整位图FT。通过FT计算六个量化值cRH、cRL、cGH、cGL、cBH、cBL,满足*=R、G、B,计算每个烟花的代价值为:其中,*xy为子块对应*=R、G、B三个信道在(x,y)处的像素值,q为FT中值等于1的元素的个数,FTij为FT中在(x,y)处的元素。
(3)根据公式①,计算第i个烟花产生的爆炸火花数目nmbi与爆炸半径scopei:
其中,为四舍五入取整,M、ε为人为设定的固定常数,ymin、ymax分别为N个烟花中代价值的最小值和最大值。特别地,本发明为了加速烟花变异,防止一些代价极小的烟花产生爆炸半径为0的情况,采取了在计算烟花的爆炸半径时自动加1的措施。
(4)计算每个烟花Xi生成的nmbi个爆炸火花{Sj|j=1,2,…,nmbi}。nmbi次随机在Xi上选scopet个位置作为爆炸范围{Rj|j=1,2,…,nmbi},对Xi在爆炸范围内的元素进行变异生成{Sj|j=1,2,…,nmbi},变异即元素值由0变为1,由1变为0。
(5)计算高斯变异火花{Aj|j=1,2,…,G}。前两个高斯变异火花由Xi中代价值最大Xwrose和最小Xbetter的两个烟花根据随机产生的交叉范围互相交换元素后生成,其余G-2个高斯变异火花由从N个烟花中随机选取的G-2个烟花按逐个逐位变异得到。
(6)生成N个新一代烟花。选出烟花、爆炸火花、高斯变异火花中代价值最小的火花做为第1个新一代烟花,剩余N-1个新一代烟花使用轮盘赌的方法从烟花、爆炸火花、高斯变异火花中选择。
(7)将N个新一代烟花作为步骤(2)的输入,直到达到指定的循环次数IterNum,输出代价值最小的烟花Xbest与其对应的完整位图FT以及六个量化值cRH、cRL、cGH、cGL、cBH、cBL。
本发明的有益效果在于:本发明提供了一种基于改进二进制烟花算法的图像压缩方法,在保持SBBTC压缩率不变的情况下,使用W-plane方法的结果作为初始值,通过改进二进制烟花算法优化得最优解,且结合CPU并行计算,能够以较少的迭代次数得到高质量的重构图像,且重构图像的压缩效果可以通过调整二进制烟花算法的参数来控制。
附图说明
为了使本发明的目的、技术方案,本发明提供如下附图进行说明:
图1为一种基于改进二进制烟花算法的图像压缩方法流程图;
图2为实施例彩色图像分块示意图;
图3为实施例中一子块的生成初始位图示意图;
图4为实施例中一子块的权重平面方法处理示意图;
图5为实施例中一子块的生成爆炸火花与高斯变异火花示意图;
其中,图5包含:(a)爆炸火花生成过程,其中加粗位置代表爆炸范围;(b)高斯变异火花生成过程,其中加粗位置代表交叉范围,(c)生成的最小烟花。
图6为实施例中一子块重构图像示意图。
具体实施方式
下面将结合附图1,对本发明的优选实施例进行详细的描述。
实施例:采用一种基于改进二进制烟花算法的图像压缩方法在MATLAB程序下压缩图像,包括如下步骤:
步骤一、结合图2,将512×512×3原始图像矩阵按4×4×3等分成不重叠的16384子块,按照8个CPU核心均分子块处理任务,每个核心需处理2048个子块,并利用并行计算同时处理8个子块。
步骤二、结合图3,利用块截断编码方法,从原始图像中任取其中一个子块,计算每个子块中4×4大小的R、G、B三个信道的均值为(181.81 83.69 42.06);如果子块对应位置R、G、B三个信道元素值大于等于均值,则相应的4×4位图MR、MG、MB在该位置元素值为1,否则为0,标记三个位图中元素不一致的对应位置;生成一个4×4的初始位图,如果对应位置处三位图MR、MG、MB元素都相等,则该初始位图的元素也为相同的元素,否则将该元素设置为inf。
步骤三、结合图4,采用权重平面(weighted plane,W-plane)方法计算每个子块每个位置的元素值为R、G、B三个信道在该位置处的均值(四舍五入),与全部元素值均值(四舍五入)比较大小,如果大,则4×4的公共位图对应的元素位置为1,否则为0;从公共位图中选出在MR、MG、MB位图中元素不一致的对应位置的元素,将其按顺序排列生成初始化序列Inew=1100111110110。
步骤四、将初始化序列作为输入,利用改进二进制烟花算法计算出每一个子块的优化解与其对应的最终位图以及相应的六个量化值,具体为:
(1)初始化烟花:N个烟花{Xi|i=1,2,…,N},当i=1时,Xi=Inew;当i≠1时,Xi为随机生成的元素值为0或1长度与初始化序列Inew长度L相同的数组。
(2)计算代价值。
(3)根据公式①,计算第i个烟花产生的爆炸火花数目nmbi与爆炸半径scopet。
(4)计算每个烟花Xi生成的nmbi个爆炸火花{Sj|j=1,2,…,nmbi}。nmbi次随机在Xi上选scopet个位置作为爆炸范围{Rj|j=1,2,…,nmbi},结合图5(a)所示,对Xi在爆炸范围内的元素进行变异生成{Sj|j=1,2,...,nmbi},变异即元素值由0变为1,由1变为0。
(5)计算高斯变异火花{Aj|j=1,2,...,G}。结合图5(b)所示,前两个高斯变异火花由Xi中代价值最大Xwrose和最小Xbetter的两个烟花根据随机产生的交叉范围互相交换元素后生成,其余G-2个高斯变异火花由从N个烟花中随机选取的G-2个烟花按逐个逐位变异得到。
(6)生成N个新一代烟花。选出烟花、爆炸火花、高斯变异火花中代价值最小的火花做为第1个新一代烟花,剩余N-1个新一代烟花使用轮盘赌的方法从烟花、爆炸火花、高斯变异火花中选择。
(7)将N个新一代烟花作为步骤(2)的输入,直到达到指定的循环次数IterNum,结合图5(c)输出代价值最小的烟花Xbest与其对应的完整位图FT,如图6所示,以及六个量化值cRH、cRL、cGH、cGL、cBH、cBL分别为182,182,85,80,43,40。
步骤五、判断是否处理完所有的子块,如果否,则对未处理的子块继续进行处理;如果是,则重构子块,并组合子块重构图像,如图6所示。重构公式如下:
表1本实施例参数
实践中,可以进一步调整表1参数来实现对压缩效果和压缩速度进行调整。通过本发明具体实施方式可以看出,本发明可以在保证块截断编码压缩效率的前提下,有效的完成彩色图像的压缩,通过分析生成的重构图与原图之间的均方差值即表2可以看出,本发明生成的重构图像拥有更好的质量。
表2本实施例重构效果
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (2)
1.一种基于改进二进制烟花算法的图像压缩方法,其特征在于,该方法包含以下步骤:
步骤一、将原始图像矩阵等分成不重叠的子块,按照CPU核心数均分子块处理任务,进行并行计算处理;
步骤二、利用块截断编码方法计算每个子块中R、G、B三个信道相应的位图MR、MG、MB,标记三个位图中元素不一致的对应位置,将所得的三个位图合并成一个初始位图;
步骤三、采用W-plane方法计算每个子块的公共位图,从公共位图中选出在MR、MG、MB位图中元素不一致的对应位置的元素,将其按顺序排列生成初始化序列;
步骤四、将初始化序列作为输入,利用改进二进制烟花算法计算出每一个子块的优化解与其对应的最终位图以及相应的六个量化值;
步骤五、判断是否处理完所有的子块,如果否,则对未处理的子块继续进行处理;如果是,则重构子块,并组合子块重构图像;
其中,所述步骤四的改进二进制烟花算法具体为:
(1)初始化烟花:N个烟花{Xi|i=1,2,...,N},当i=1时,Xi=Inew;当i≠1时,Xi为随机生成的元素值为0或1长度与初始化序列Inew长度L相同的数组;
(2)计算代价值:将烟花代入初始位图依次替换MR、MG、MB位图中元素不一致的对应位置的元素,生成与之对应的完整位图FT;通过FT计算六个量化值cRH、cRL、cGH、cGL、cBH、cBL,满足*=R、G、B,计算每个烟花的代价值为:其中,*xy为子块对应*=R、G、B三个信道在(x,y)处的像素值,q为FT中值等于1的元素的个数,FTij为FT中在(x,y)处的元素;
(3)根据公式①,计算第i个烟花产生的爆炸火花数目nmbi与爆炸半径scopei:
其中,为四舍五入取整,M、ε为人为设定的固定常数,ymin、ymax分别为N个烟花中代价值的最小值和最大值;为了加速烟花变异,防止一些代价极小的烟花产生爆炸半径为0的情况,采取了在计算烟花的爆炸半径时自动加1的措施;
(4)计算每个烟花Xi生成的nmbi个爆炸火花{Sj|j=1,2,...,nmbi}:nmbi次随机在Xi上选scopei个位置作为爆炸范围{Rj|j=1,2,...,nmbi},对Xi在爆炸范围内的元素进行变异生成{Sj|j=1,2,...,nmbi},变异即元素值由0变为1,由1变为0;
(5)计算高斯变异火花{Aj|j=1,2,...,G}:前两个高斯变异火花由Xi中代价值最大Xwrose和最小Xbetter的两个烟花根据随机产生的交叉范围互相交换元素后生成,其余G-2个高斯变异火花由从N个烟花中随机选取的G-2个烟花按逐个逐位变异得到;
(6)生成N个新一代烟花:选出烟花、爆炸火花、高斯变异火花中代价值最小的火花做为第1个新一代烟花,剩余N-1个新一代烟花使用轮盘赌的方法从烟花、爆炸火花、高斯变异火花中选择;
(7)将N个新一代烟花作为步骤(2)的输入,直到达到指定的循环次数IterNum,输出代价值最小的烟花Xbest与其对应的完整位图FT以及六个量化值cRH、cRL、cGH、cGL、cBH、cBL。
2.根据权利要求1所述的一种基于改进二进制烟花算法的图像压缩方法,其特征在于,所述步骤一具体为:将原始图像的三维矩阵Pm×n×3分割成为大小为l×s×3且不重叠的M个子块{Bk|k=1,2,...,M},每个子块大小相等,取l=s=4或者l=s=8;然后根据处理计算机的CPU的核心数c来均分M个子块处理任务,利用并行计算同时处理c个子块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173785.5A CN109889833B (zh) | 2019-03-04 | 2019-03-04 | 一种基于改进二进制烟花算法的图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173785.5A CN109889833B (zh) | 2019-03-04 | 2019-03-04 | 一种基于改进二进制烟花算法的图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109889833A CN109889833A (zh) | 2019-06-14 |
CN109889833B true CN109889833B (zh) | 2021-04-16 |
Family
ID=66931275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910173785.5A Active CN109889833B (zh) | 2019-03-04 | 2019-03-04 | 一种基于改进二进制烟花算法的图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109889833B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509025B (zh) * | 2020-12-03 | 2022-11-11 | 山东省科学院海洋仪器仪表研究所 | 一种基于三维欧氏距离的岩石空间结构距离图的计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
CN107507199A (zh) * | 2017-08-23 | 2017-12-22 | 湖北工业大学 | 一种图像分割方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3617498B2 (ja) * | 2001-10-31 | 2005-02-02 | 三菱電機株式会社 | 液晶駆動用画像処理回路、およびこれを用いた液晶ディスプレイ装置、ならびに画像処理方法 |
US20120082228A1 (en) * | 2010-10-01 | 2012-04-05 | Yeping Su | Nested entropy encoding |
-
2019
- 2019-03-04 CN CN201910173785.5A patent/CN109889833B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
CN107507199A (zh) * | 2017-08-23 | 2017-12-22 | 湖北工业大学 | 一种图像分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于烟花算法的Otsu多阈值图像分割法;陈宏伟,叶志伟,鄢来仪;《湖北工业大学学报》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109889833A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516129B (zh) | 基于维度自适应的Tucker分解的深度网络压缩方法 | |
Li et al. | Efficient and effective context-based convolutional entropy modeling for image compression | |
CN108647775B (zh) | 基于全卷积神经网络单张图像的超分辨率图像重建方法 | |
CN110060204B (zh) | 一种基于可逆网络的单一图像超分辨率方法 | |
CN104869425A (zh) | 一种基于纹理图像相似性的压缩和解压缩方法 | |
CN111583107A (zh) | 一种基于注意力机制的图像超分辨率重建方法和系统 | |
CN114402596A (zh) | 神经网络模型压缩 | |
Hui et al. | Two-stage convolutional network for image super-resolution | |
Song et al. | Grouped multi-scale network for real-world image denoising | |
CN109889833B (zh) | 一种基于改进二进制烟花算法的图像压缩方法 | |
Sadeeq et al. | Image compression using neural networks: a review | |
CN116168197A (zh) | 一种基于Transformer分割网络和正则化训练的图像分割方法 | |
Jang et al. | Dual path denoising network for real photographic noise | |
Pham et al. | CSIE-M: compressive sensing image enhancement using multiple reconstructed signals for internet of things surveillance systems | |
Yang et al. | An image super-resolution network based on multi-scale convolution fusion | |
Bai et al. | Deep lossy plus residual coding for lossless and near-lossless image compression | |
Yan et al. | Qnet: an adaptive quantization table generator based on convolutional neural network | |
Sun et al. | A novel fractal coding method based on MJ sets | |
Yuan et al. | A sot-mram-based processing-in-memory engine for highly compressed dnn implementation | |
Zou et al. | LMSN: a lightweight multi-scale network for single image super-resolution | |
CN116777745A (zh) | 一种基于稀疏自适应聚类的图像超分辨率重建方法 | |
Wang et al. | Osffnet: Omni-stage feature fusion network for lightweight image super-resolution | |
CN110728726A (zh) | 一种基于用户交互与深度神经网络的图像压缩方法 | |
CN110956669A (zh) | 一种图像压缩编码方法及系统 | |
CN113674151A (zh) | 一种基于深度神经网络的图像超分辨率重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |