CN113643389B - 一种基于分割的图像无损压缩方法 - Google Patents
一种基于分割的图像无损压缩方法 Download PDFInfo
- Publication number
- CN113643389B CN113643389B CN202110848787.7A CN202110848787A CN113643389B CN 113643389 B CN113643389 B CN 113643389B CN 202110848787 A CN202110848787 A CN 202110848787A CN 113643389 B CN113643389 B CN 113643389B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- point
- isolated
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006835 compression Effects 0.000 title claims abstract description 30
- 238000007906 compression Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/004—Predictors, e.g. intraframe, interframe coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种基于分割的图像无损压缩方法。首先,计算K‑means聚类的最佳K值。根据计算的K值,采用K‑means方法对图像聚类,获得聚类标签。对点数小于等于点数阈值的标签,判定为孤立点,通过标签值找到孤立点在图像的位置,将其以矩阵形式单独提取出来。点数大于点数阈值的标签,判定为正常标签分类,做像素值归一化处理。找到各自类别对应的最小像素值,用最小像素值代替当前类别每个点的像素值,称此时的图像为Min Map。Min Map采用Compresso图像编码方法,孤立点和残差编码方法都采用JPEG‑LS编码,而后形成编码的两路比特流,最后输出。本发明能够满足数据无损与压缩率高的双重需求。
Description
技术领域
本发明涉及图像压缩编码技术,特别是一种基于分割的图像无损压缩方法。
背景技术
图像是客观对象的一种相似性的、生动性的描述或写真,是客观对象的一种表示,它包含了被描述对象的有关信息,是人类社会活动最常用的信息载体,是人们最主要的信息源。进入数字化时代,多媒体信息具有数据海量性,对目前计算机设备信息的存储和传输都是个巨大挑战。图像信息作为计算机上最重要的资源,对其有效的压缩是不可或缺的步骤之一。
根据编码过程是否存在信息的损失,图像编码可以分为有损压缩编码和无损压缩编码。有损压缩编码虽然可以把数据极大程度的压缩,但是由于存在信息丢失,解码端不能还原恢复出原始图像。当有数据完整性的需求时,有损编码是不符合要求的。无损压缩编码是不存在信息的丢失,可以在解码端准确无误地恢复出原始图像。但是目前的无损压缩编码普遍存在压缩率不够高的问题。
结合分割的方法,可以将图像中存在的空余冗余大部分去除。再利用Compresso、JPEG-LS数据编码方法,既可以实现图像的无损压缩,又能保证压缩率足够高。
发明内容
本发明的目的在于提供一种基于分割的图像无损压缩方法,满足数据无损与压缩率高的双重需求。
为实现上述目的,本发明的技术方案是:一种基于分割的图像无损压缩方法,包括如下编码过程:
步骤S1、利用手肘法,计算K-means聚类的最佳K值,代表需要将图像分为K类;计算公式如下式所示:
其中Ci是类别i的集合,p是Ci中的样本点,mi是Ci的质心,SSE表示所有样本的聚类误差,即表示聚类效果,随着K的增大,样本划分更加精细,SSE逐渐变小,当K小于真实聚类数时,SSE随着K的增大,下降幅度较大;当K大于真实聚类数时,SSE会随着K的增大,下降幅度骤减,慢慢趋于平缓,根据下降幅度的不同,找到拐点对应的K值,此时的K值与真实聚类数最为接近;
步骤S2、根据计算的K值,采用K-means聚类方法对图像聚类,获得聚类标签;
步骤S3、设定判断孤立点的点数阈值Threshold,统计不同标签类别的点数,对点数小于等于点数阈值Threshold的标签,判定为孤立点,单独提取出来编码;点数大于点数阈值Threshold的标签,判定为正常标签分类,执行步骤S5;
步骤S4、通过孤立点的标签值找到孤立点在图像的位置,将其以矩阵形式单独提取出来;
步骤S5、对于正常标签分类,做像素值归一化处理;每个类别,都找到对应的最小像素值,用最小像素值代替当前类别每个点的像素值,称此时的图像为Min Map;
步骤S6、将去除孤立点后的图像与像素值归一化后的图像做差值,获得残差;
步骤S7、Min Map采用Compresso图像编码方法;
步骤S8、孤立点和残差都采用JPEG-LS编码;
通过步骤S7和S8形成编码的两路比特流,最后输出。
在本发明一实施中,还包括如下解码过程:
步骤M1、判断比特流的名字,选择对应的解码方式;
步骤M2、若Compresso编码的比特流,则选择Compresso解码,恢复获得Min Map;
步骤M3、若是JPEG-LS编码后的图像,则选择JPEG-LS解码,恢复得到孤立点与残差;
步骤M4、将Min Map图像与JPEG-LS解码图像叠加,恢复与原始图像一致的解码图像。
相较于现有技术,本发明具有以下有益效果:本发明首先为了去除图像中的空域冗余,采用分割、孤立点去除、像素值归一化等步骤。为了实现数据的无损编码,根据数据的特点,选择Compresso和JPEG-LS两种无损编码方法。因此可以实现数据无损和压缩率高的双重优点。
附图说明
图1为本发明总体流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,是本发明提供的一种基于分割的图像无损压缩方法的总体流程图,分为编码过程和解码过程两部分。包括如下步骤:
1)编码过程如图1(1)编码流程图所示:
步骤S1、利用手肘法,计算K-means聚类的最佳K值,代表需要将图像分为K类。计算公式如下式所示:
其中Ci是类别i的集合,p是Ci中的样本点,mi是Ci的质心,SSE表示所有样本的聚类误差,即表示聚类效果。随着K的增大,样本划分更加精细,SSE逐渐变小。当K小于真实聚类数时,SSE随着K的增大,下降幅度较大;当K大于真实聚类数时,SSE会随着K的增大,下降幅度骤减,慢慢趋于平缓。根据下降幅度的不同,找到拐点对应的K值,此时的K值与真实聚类数最为接近。
步骤S2、根据计算的K值,采用K-means方法对图像聚类,获得聚类标签。
步骤S3、设定判断孤立点的点数阈值Threshold,统计不同标签类别的点数,对点数小于等于阈值的标签,判定为孤立点,单独提取出来编码。点数大于阈值的标签,判定为正常标签分类,进行下一步处理。
步骤S4、根据阈值可以知道孤立点的标签,通过标签值找到孤立点在图像的位置,将其以矩阵形式单独提取出来。
步骤S5、对于大于阈值的类别,做像素值归一化处理。每个类别,都找到对应的最小像素值,用最小像素值代替当前类别每个点的像素值,称此时的图像为Min Map。
步骤S6、将去除孤立点后的图像与像素值归一化后的图像做差值,获得残差。
步骤S7、像素值归一化后的图像Min Map采用Compresso图像编码方法。
步骤S8、孤立点和残差编码方法都采用JPEG-LS编码。
步骤S7和S8形成了编码的两路比特流,最后输出。
2)解码过程如图1(2)解码流程图所示:
步骤M1、判断比特流的名字,选择对应的解码方式。
步骤M2、如果是Compresso编码的比特流,则选择Compresso解码,恢复获得MinMap。
步骤M3、如果是JPEG-LS编码后的图像,则选择JPEG-LS解码,恢复得到孤立点与残差。
步骤M4、将Min Map图像与JPEG-LS解码图像叠加,就能够恢复与原始图像一致的解码图像。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (2)
1.一种基于分割的图像无损压缩方法,其特征在于,包括如下编码过程:
步骤S1、利用手肘法,计算K-means聚类的最佳K值,代表需要将图像分为K类;计算公式如下式所示:
其中Ci是类别i的集合,p是Ci中的样本点,mi是Ci的质心,SSE表示所有样本的聚类误差,即表示聚类效果,随着K的增大,样本划分更加精细,SSE逐渐变小,当K小于真实聚类数时,SSE随着K的增大,下降幅度较大;当K大于真实聚类数时,SSE会随着K的增大,下降幅度骤减,慢慢趋于平缓,根据下降幅度的不同,找到拐点对应的K值,此时的K值与真实聚类数最为接近;
步骤S2、根据计算的K值,采用K-means聚类方法对图像聚类,获得聚类标签;
步骤S3、设定判断孤立点的点数阈值Threshold,统计不同标签类别的点数,对点数小于等于点数阈值Threshold的标签,判定为孤立点,单独提取出来编码;点数大于点数阈值Threshold的标签,判定为正常标签分类,执行步骤S5;
步骤S4、通过孤立点的标签值找到孤立点在图像的位置,将其以矩阵形式单独提取出来;
步骤S5、对于正常标签分类,做像素值归一化处理;
步骤S6、将去除孤立点后的图像与像素值归一化后的图像做差值,获得残差;
步骤S7、每个类别,都找到对应的最小像素值,用最小像素值代替当前类别每个点的像素值,称此时的图像为Min Map;Min Map采用Compresso图像编码方法;
步骤S8、孤立点和残差都采用JPEG-LS编码;
通过步骤S7和S8形成编码的两路比特流,最后输出。
2.根据权利要求1所述的一种基于分割的图像无损压缩方法,其特征在于,还包括如下解码过程:
步骤M1、判断比特流的名字,选择对应的解码方式;
步骤M2、若Compresso编码的比特流,则选择Compresso解码,恢复获得Min Map;
步骤M3、若是JPEG-LS编码后的图像,则选择JPEG-LS解码,恢复得到孤立点与残差;
步骤M4、将Min Map图像与JPEG-LS解码图像叠加,恢复与原始图像一致的解码图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848787.7A CN113643389B (zh) | 2021-07-27 | 2021-07-27 | 一种基于分割的图像无损压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848787.7A CN113643389B (zh) | 2021-07-27 | 2021-07-27 | 一种基于分割的图像无损压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643389A CN113643389A (zh) | 2021-11-12 |
CN113643389B true CN113643389B (zh) | 2024-04-05 |
Family
ID=78418485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848787.7A Active CN113643389B (zh) | 2021-07-27 | 2021-07-27 | 一种基于分割的图像无损压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643389B (zh) |
Citations (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 |
CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
CN106600547A (zh) * | 2016-11-17 | 2017-04-26 | 天津大学 | 水下图像复原方法 |
CN106658003A (zh) * | 2016-09-27 | 2017-05-10 | 清华大学 | 一种基于字典学习的图像压缩系统的量化方法 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10455250B2 (en) * | 2017-05-30 | 2019-10-22 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for distributed coding of images |
-
2021
- 2021-07-27 CN CN202110848787.7A patent/CN113643389B/zh active Active
Patent Citations (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 |
CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
CN106658003A (zh) * | 2016-09-27 | 2017-05-10 | 清华大学 | 一种基于字典学习的图像压缩系统的量化方法 |
CN106600547A (zh) * | 2016-11-17 | 2017-04-26 | 天津大学 | 水下图像复原方法 |
CN108960333A (zh) * | 2018-07-12 | 2018-12-07 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113643389A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7869659B2 (en) | Image-comparing apparatus, image-comparing method, image-retrieving apparatus and image-retrieving method | |
US7365658B2 (en) | Method and apparatus for lossless run-length data encoding | |
CN112332853B (zh) | 一种基于电力系统的时序数据压缩与恢复方法 | |
CN112352431B (zh) | 一种数据编码、解码方法、设备及存储介质 | |
WO2010044100A1 (en) | Lossless compression | |
CN101017574A (zh) | 一种适于jpeg码流的哈夫曼解码方法 | |
CN113868206A (zh) | 一种数据压缩方法、解压缩方法、装置及存储介质 | |
CN100423582C (zh) | 一种用于将待编码数据进行二进制化编码的方法和装置 | |
EP4038551A2 (en) | Neural network representation formats | |
CN111246206A (zh) | 一种基于自编码器的光流信息压缩方法及装置 | |
US20140015698A1 (en) | System and method for fixed rate entropy coded scalar quantization | |
US20100321218A1 (en) | Lossless content encoding | |
CN118349528A (zh) | 一种基于文件属性自适应压缩方法、系统和存储介质 | |
CN113643389B (zh) | 一种基于分割的图像无损压缩方法 | |
CN112770116B (zh) | 用视频压缩编码信息提取视频关键帧的方法 | |
Kumar et al. | Vector quantization with codebook and index compression | |
CN115150623A (zh) | 一种基于人工智能分类方式的视频图像压缩去冗余方法 | |
KR20220045920A (ko) | 머신비전을 위한 영상의 처리 방법 및 장치 | |
CN112449186B (zh) | 编码方法、解码方法、相应的装置、电子设备及存储介质 | |
CN114005069A (zh) | 一种视频特征提取和检索方法 | |
Strutz | Entropy based merging of context models for efficient arithmetic coding | |
Och et al. | Enhanced Color Palette Modeling For Lossless Screen Content Compression | |
Chang et al. | Very efficient variable-length codes for the lossless compression of VQ indices | |
US20160323603A1 (en) | Method and apparatus for performing an arithmetic coding for data symbols | |
CN115514967B (zh) | 基于二进制块双向编码的图像压缩方法及图像解压方法 |
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 |