CN113689513A - 一种基于鲁棒张量分解的sar图像压缩方法 - Google Patents
一种基于鲁棒张量分解的sar图像压缩方法 Download PDFInfo
- Publication number
- CN113689513A CN113689513A CN202111142717.6A CN202111142717A CN113689513A CN 113689513 A CN113689513 A CN 113689513A CN 202111142717 A CN202111142717 A CN 202111142717A CN 113689513 A CN113689513 A CN 113689513A
- Authority
- CN
- China
- Prior art keywords
- tensor
- matrix
- sar image
- image compression
- decomposition
- 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.)
- Granted
Links
- 230000006835 compression Effects 0.000 title claims abstract description 54
- 238000007906 compression Methods 0.000 title claims abstract description 54
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000003190 augmentative effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- LWYJUZBXGAFFLP-OCNCTQISSA-N menogaril Chemical compound O1[C@@]2(C)[C@H](O)[C@@H](N(C)C)[C@H](O)[C@@H]1OC1=C3C(=O)C(C=C4C[C@@](C)(O)C[C@H](C4=C4O)OC)=C4C(=O)C3=C(O)C=C12 LWYJUZBXGAFFLP-OCNCTQISSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于鲁棒张量分解的SAR图像压缩方法,包括以下步骤,将原始多通道SAR图像转化为张量;对张量进行模式‑n展开,得到模式‑n矩阵,验证SAR多通道图像张量分解奇异值的稀疏分布特性;设定奇异值阈值,保留超过阈值的奇异值,并对剩余奇异值置零,进行奇异值截断处理;基于奇异值截断得到近似张量表示,作为多通道SAR图像压缩的初始迭代值;基于增广拉格朗日乘子法计算鲁棒张量分解,对奇异值矩阵进行降维;利用降维得到的数据进行张量重构,获得最终多通道SAR图像压缩结果。本发明通过将SAR多通道图像转化为张量形式,并利用鲁棒张量分解技术对图像进行高维主成分稀疏化表征,实现了遥感SAR图像压缩,有效抑制了离群值对图像压缩效果的影响。
Description
技术领域
本发明涉及雷达图像处理的技术领域,尤其涉及一种基于鲁棒张量分解的SAR图像压缩方法。
背景技术
随着遥感技术的发展,遥感图像的在社会生活中起到的作用也越来越大,其中,近年来兴起的合成孔径雷达(Synthetic Aperture Radar,SAR)具有高分辨率的特点,作为一种新型的雷达微波成像技术受到青睐。合成孔径雷达得到的SAR图像由于其相干成像的特性,使得其包含丰富的相位、幅度等多重信息。合成孔径雷达图像通常尺寸大,数据量高,这对于存储和传输都构成了一定的困难。充分利用SAR图像信息资源的前提条件就是要考虑SAR图像的各项特性,研究其高效的压缩方法,对于解决SAR图像在传输和存储中面临的问题具有重要的理论和实践意义。
与普通图像相比,SAR图像具有其自身特点:纹理丰富、双通道、复数图像、成像含有相干斑噪声、信息熵高、相邻像素间的相关性较低等。考虑到这些SAR图像独有的特性,诸如传统JPEG和JPEG2000等图像压缩算法的优越性并不能对SAR数据图像生效。由于传统压缩方法没有考虑到高维数据的空间结构,往往只是把图像数据向量化后再进行相应的压缩操作,因此传统方法完全破坏了高维数据的结构特性,不适用于SAR图像处理。
几十年来,国内外许多研究在SAR图像压缩取得了不少成果,如基于预测编码、分块结尾编码(BTC)、SAR图像内容、离散余弦变换(DCT)、小波变换(WT)的SAR图像压缩方法等等。每种方法各有所长,但也都会面临其自身发展的瓶颈。
近年来,越来越多的数据以张量形式开始出现,在图像处理等领域的研究中占有一席之地。张量使得图像处理中的计算过程更加简明扼要,并能尽量反映研究对象自身的特有属性。为了使数据处理的过程更加简便,诸如人脸识别、特征检测等的数据常常会被组织成张量的形式进行研究。在描述多维数组时,常常使用张量来构建数学模型,张量在高维信号处理、图像处理等领域都具有广泛的应用。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供了一种基于鲁棒张量分解的SAR图像压缩方法,该发明能够提升图像压缩率和压缩图像效果。
技术方案:为了实现上述发明目的,本发明提供了一种基于鲁棒张量分解的SAR图像压缩方法,包括以下步骤,
步骤1,将原始多通道SAR图像转化为张量;
步骤2,对张量进行模式-n展开,得到模式-n矩阵,验证SAR多通道图像张量分解奇异值的稀疏分布特性;
步骤3,设定奇异值阈值,保留超过阈值的奇异值,并对剩余奇异值置零,进行奇异值截断处理;
步骤4,基于奇异值截断得到近似张量表示,作为多通道SAR图像压缩的初始迭代值;
步骤5,基于增广拉格朗日乘子法计算鲁棒张量分解,对奇异值矩阵进行降维;
步骤6,利用降维得到的数据进行张量重构,获得最终多通道SAR图像压缩结果。
进一步的,在本发明中:所述步骤1中将多通道SAR原始图像转化为张量还包括:
由于原始多通道SAR图像为二维矩阵形式,因此多通道SAR原始图像能够转化为三维张量三维张量三个维度对应的长度大小为I1×I2×I3,三维张量可以表示为一个核心张量和因子矩阵A(1)、A(2)、A(3)的乘积,即:
其中,核心张量的大小为R1×R2×R3,且Rn<In,,×n表示第n维张量乘积,此处1≤n≤3,第n因子矩阵A(n)的大小为Rn×In,A(1)、A(2)、A(3)分别表示第一因子矩阵、第二因子矩阵、第三因子矩阵。
进一步的,在本发明中:所述步骤2中进行模式-n展开,得到的模式-n矩阵表达式为:
进一步的,在本发明中:所述步骤2中验证SAR多通道图像张量分解奇异值的稀疏分布特性还包括:
对X(n)进行奇异值分解得到X(n)=U(n)Σ(n)V(n)T,其中,矩阵U(n)和V(n)为正交矩阵,Σ(n)表示矩阵X(n)的奇异值,()T表示矩阵转置;
通过分析矩阵Σ(n)的对角线元素,可验证SAR多通道图像张量分解奇异值的稀疏分布特性。
进一步的,在本发明中:所述步骤3还包括:
设定奇异值阈值,保留超过阈值的奇异值,假设其个数为Kn,对未超过阈值的剩余奇异值置零,进行奇异值截断处理,得到核心张量的近似值同时U(n)的前Kn个列向量赋值给第n因子矩阵A(n),分别得到A(1)、A(2)和A(3)的第一因子矩阵近似表示第二因子矩阵近似表示和第三因子矩阵近似表示
进一步的,在本发明中:所述步骤5中,鲁棒性张量分解的表达式为:
ATA=I,BTB=I,CTC=I
其中,E表示张量分解误差,s.t.表示约束条件。
进一步的,在本发明中:所述步骤5中基于增广拉格朗日乘子法计算鲁棒张量分解可进一步表示为:
s.t.ATA=I,BTB=I,CTC=I
其中,标量μ为惩罚参数,<为张量和的内积,通过迭代求解以上代价函数,可以优化求得核心张量的降维矩阵第一因子矩阵近似表示的降维矩阵A′、第二因子矩阵近似表示的降维矩阵B′和第三因子矩阵近似表示的降维矩阵C′。
进一步的,在本发明中:所述步骤6中利用降维得到的数据进行张量重构,得到的重构张量为:
有益效果:本发明与现有技术相比,其有益效果是:本发明将SAR多通道图像转化为张量的数据形式,利用鲁棒张量分解技术对图像进行高维主成分稀疏化表征,采用增广拉格朗日乘子法进行求解,实现了遥感SAR图像压缩。本发明通过提出简单有效的鲁棒张量分解模型,相比传统奇异值分解方法,该发明能够提升图像压缩率和压缩图像效果。从而有效减少了离群值对图像压缩效果的影响。
附图说明
图1为本发明提出的基于鲁棒张量分解的SAR图像压缩方法的整体流程示意图;
图2为实验用Tomo-SAR干涉相位图像无噪声相位情况下的稀疏性验证示意图;
图3为实验用Tomo-SAR干涉相位图像在压缩比为4情况下的图像压缩结果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明可以用许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。
如图1所示,图1为本发明提出的一种基于鲁棒张量分解的SAR图像压缩方法的整体流程示意图,该方法包括以下步骤,
步骤1,将原始多通道SAR图像转化为张量;
具体的,将多通道SAR原始图像转化为张量还包括以下步骤:
一张SAR图像可以表示为一个二维矩阵,即原始多通道SAR图像为二维矩阵形式,因此多通道SAR原始图像能够转化为三维张量三维张量三个维度对应的长度大小为I1×I2×I3,三维张量可以表示为一个核心张量和因子矩阵A(1)、A(2)、A(3)的乘积,即:
其中,核心张量的大小为R1×R2×R3,且Rn<In,,×n表示第n维张量乘积,此处1≤n≤3,第n因子矩阵A(n)的大小为Rn×In,A(1)、A(2)、A(3)分别表示第一因子矩阵、第二因子矩阵、第三因子矩阵。
步骤2,对张量进行模式-n展开,得到模式-n矩阵,验证SAR多通道图像张量分解奇异值的稀疏分布特性;
具体的,进行模式-n展开后得到的模式-n矩阵为:
对X(n)进行奇异值分解得到X(n)=U(n)Σ(n)V(n)T;其中,矩阵U(n)和V(n)为正交矩阵,Σ(n)表示矩阵X(n)的奇异值,()T表示矩阵转置;
本领域技术人员可以理解的是,通过比较矩阵Σ(n)的对角线元素,能够验证SAR多通道图像张量分解奇异值的稀疏分布特性。
步骤3,设定奇异值阈值,保留超过阈值的奇异值,并对剩余奇异值置零,进行奇异值截断处理;
具体的,设定奇异值阈值,阈值可由本领域技术人员设定为噪声水平,保留超过阈值的奇异值,假设超过阈值的奇异值个数为Kn,对未超过阈值的剩余奇异值置零,进行奇异值截断处理,得到核心张量的近似值同时将U(n)的前Kn个列向量赋值给因子矩阵A(n),分别得到A(1)、A(2)和A(3)的第一因子矩阵近似表示第二因子矩阵近似表示和第三因子矩阵近似表示
步骤4,基于奇异值截断得到近似张量表示,作为多通道SAR图像压缩的初始迭代值;
步骤5,基于增广拉格朗日乘子法计算鲁棒张量分解,对奇异值矩阵进行降维;
具体的,步骤5还包括以下步骤:
鲁棒性张量分解的表达式为:
ATA=I,BTB=I,CTC=I
其中,E表示张量分解误差,s.t.表示约束条件。
基于增广拉格朗日乘子法计算鲁棒张量分解可进一步表示为:
s.t.ATA=I,BTB=I,CTC=I
其中,标量μ为惩罚参数,<为张量和的内积,通过迭代求解以上代价函数,可以优化求得核心张量的降维矩阵第一因子矩阵近似表示的降维矩阵A′、第二因子矩阵近似表示的降维矩阵B′和第三因子矩阵近似表示的降维矩阵C′。
步骤6,利用降维得到的数据进行张量重构,获得最终多通道SAR图像压缩结果。
具体的,利用降维得到的数据进行张量重构,得到的重构张量为:
为了验证本发明的有益效果,进行如下的实验:
构建实验用测试图像,选取8张512×512像素的SAR图像,8张图像构成8通道的复干涉相位图像。由于SAR图像本身相位是随机的,通常难以压缩,多个通道的图像能够克服单通道图像的相位随机性。
分别基于不同的压缩比对SAR图像压缩与重构,比较重构图像质量,并使用归一化均方根误差NMSE作为客观评价指标对重构图像质量进行评价。
实验结果如下:参照图2和图3的示意,图2为Tomo-SAR干涉相位图像的稀疏性验证图。图3为图像压缩比为4情况下第1和第7通道下原始图像与重构图像的干涉相位对比图。表1为分别在压缩比为3、5和10时,计算的各个通道图像的均方根误差。其中,为了便于观察,图2只绘制出了模式-1,模式-2和模式-3展开矩阵512个归一化奇异值中的前50个。
表1:不同压缩比下各个通道图像的均方根误差
根据表1可以看出,低圧缩比下图像的重构性能较好,随着压缩比增大,图像重构性能会变差。
根据图2可以看出,三个展开矩阵的归一化奇异值均会迅速衰减,表明两种情况下干涉相位张量都具有低秩结构。
根据图3可以看出,在压缩比为4时,图像压缩效果良好。
应说明的是,以上所述实施例仅表达了本发明的部分实施方式,其描述并不能理解为对本发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干改进,这些均应落入本发明的保护范围。
Claims (9)
1.一种基于鲁棒张量分解的SAR图像压缩方法,其特征在于:包括以下步骤,
步骤1,将原始多通道SAR图像转化为张量;
步骤2,对张量进行模式-n展开,得到模式-n矩阵,验证SAR多通道图像张量分解奇异值的稀疏分布特性;
步骤3,设定奇异值阈值,保留超过阈值的奇异值,并对剩余奇异值置零,进行奇异值截断处理;
步骤4,基于奇异值截断得到近似张量表示,作为多通道SAR图像压缩的初始迭代值;
步骤5,基于增广拉格朗日乘子法计算鲁棒张量分解,对奇异值矩阵进行降维;
步骤6,利用降维得到的数据进行张量重构,获得最终多通道SAR图像压缩结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142717.6A CN113689513B (zh) | 2021-09-28 | 2021-09-28 | 一种基于鲁棒张量分解的sar图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142717.6A CN113689513B (zh) | 2021-09-28 | 2021-09-28 | 一种基于鲁棒张量分解的sar图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689513A true CN113689513A (zh) | 2021-11-23 |
CN113689513B CN113689513B (zh) | 2024-03-29 |
Family
ID=78587276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111142717.6A Active CN113689513B (zh) | 2021-09-28 | 2021-09-28 | 一种基于鲁棒张量分解的sar图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689513B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302150A (zh) * | 2021-12-30 | 2022-04-08 | 北京超维景生物科技有限公司 | 视频编码方法及装置、视频解码方法及装置、电子设备 |
CN115309713A (zh) * | 2022-09-29 | 2022-11-08 | 江西锦路科技开发有限公司 | 交通数据压缩方法、装置、电子设备及存储介质 |
CN117319655A (zh) * | 2023-11-28 | 2023-12-29 | 苏州元脑智能科技有限公司 | 一种图像压缩处理方法、系统、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN108280466A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
CN113191958A (zh) * | 2021-02-05 | 2021-07-30 | 西北民族大学 | 一种基于鲁棒张量低秩表示的图像去噪方法 |
-
2021
- 2021-09-28 CN CN202111142717.6A patent/CN113689513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
CN107515843A (zh) * | 2017-09-04 | 2017-12-26 | 四川易诚智讯科技有限公司 | 基于张量近似的各向异性数据压缩方法 |
CN108280466A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
CN113191958A (zh) * | 2021-02-05 | 2021-07-30 | 西北民族大学 | 一种基于鲁棒张量低秩表示的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
LU XU等: "AN TENSOR-BASED CORN MAPPING SCHEME WITH RADARSAT-2 FULLY POLARIMETRIC IMAGES", IEEE, 31 December 2018 (2018-12-31), pages 1 - 4 * |
YAN HUANG等: "Efficient Narrowband RFI Mitigation Algorithms for SAR Systems With Reweighted Tensor Structures", IEEE, 31 December 2019 (2019-12-31), pages 9396 - 9409 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114302150A (zh) * | 2021-12-30 | 2022-04-08 | 北京超维景生物科技有限公司 | 视频编码方法及装置、视频解码方法及装置、电子设备 |
CN114302150B (zh) * | 2021-12-30 | 2024-02-27 | 北京超维景生物科技有限公司 | 视频编码方法及装置、视频解码方法及装置、电子设备 |
CN115309713A (zh) * | 2022-09-29 | 2022-11-08 | 江西锦路科技开发有限公司 | 交通数据压缩方法、装置、电子设备及存储介质 |
CN117319655A (zh) * | 2023-11-28 | 2023-12-29 | 苏州元脑智能科技有限公司 | 一种图像压缩处理方法、系统、装置及介质 |
CN117319655B (zh) * | 2023-11-28 | 2024-02-23 | 苏州元脑智能科技有限公司 | 一种图像压缩处理方法、系统、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113689513B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689513B (zh) | 一种基于鲁棒张量分解的sar图像压缩方法 | |
Hale et al. | Fixed-point continuation for \ell_1-minimization: Methodology and convergence | |
CN110084862B (zh) | 基于多尺度小波变换与深度学习的图像压缩感知算法 | |
CN108419083B (zh) | 一种图像多级小波全子带压缩感知编码方法 | |
CN105761290A (zh) | 一种自适应的多尺度分块压缩感知采样方法 | |
CN114786018A (zh) | 基于贪婪随机稀疏Kaczmarz的图像重建方法 | |
Agarwal et al. | Near lossless image compression using discrete cosine transformation and principal component analysis | |
CN108288295A (zh) | 基于结构信息的红外小目标图像的快速重构方法及系统 | |
CN115880158B (zh) | 一种基于变分自编码的盲图像超分辨率重建方法及系统 | |
CN104270642A (zh) | 一种基于rklt和主成分选取的高光谱图像无损压缩方法 | |
Yin et al. | Extracting salient features from less data via l1-minimization | |
CN103985100A (zh) | 一种基于自适应观测组合优化的分块压缩感知方法 | |
CN100520765C (zh) | 确定给定变换函数的变换元素的过程和设备,数字信号变换方法和设备及计算机可读介质 | |
Seiler et al. | A fast algorithm for selective signal extrapolation with arbitrary basis functions | |
CN110930466B (zh) | 面向任意形状BOIs的高光谱自适应压缩传感方法 | |
CN107689797B (zh) | 基于维数任意的分块哈达玛测量矩阵的压缩感知信号重建方法 | |
Xin et al. | Adaptive sampling rate assignment for block compressed sensing of images using wavelet transform | |
CN206962992U (zh) | 用于数字视频编解码的3乘3整数dct变换量化器 | |
Yang | Compressed sensing-with applications to medical imaging | |
CN117319655B (zh) | 一种图像压缩处理方法、系统、装置及介质 | |
Zhao et al. | A high quality image reconstruction method based on nonconvex decoding | |
CN116489378B (zh) | 一种基于pca的3d lut数据压缩与解压缩方法和系统 | |
Eloundou et al. | Compression of medical images by quaternionic wavelet transform | |
Rajeshwari et al. | DWT based Multimedia Compression | |
Nagaria et al. | An optimized fast discrete cosine transform approach with various iterations and optimum numerical factors for image quality evaluation |
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 |