CN115147316B - 计算机图像高效压缩方法及系统 - Google Patents

计算机图像高效压缩方法及系统 Download PDF

Info

Publication number
CN115147316B
CN115147316B CN202210780236.6A CN202210780236A CN115147316B CN 115147316 B CN115147316 B CN 115147316B CN 202210780236 A CN202210780236 A CN 202210780236A CN 115147316 B CN115147316 B CN 115147316B
Authority
CN
China
Prior art keywords
frequency
image
low
compressed
coefficient
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
CN202210780236.6A
Other languages
English (en)
Other versions
CN115147316A (zh
Inventor
贾晓
刘华
孙晓林
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.)
Nanyang Normal University
Original Assignee
Nanyang Normal 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 Nanyang Normal University filed Critical Nanyang Normal University
Priority to CN202210780236.6A priority Critical patent/CN115147316B/zh
Publication of CN115147316A publication Critical patent/CN115147316A/zh
Application granted granted Critical
Publication of CN115147316B publication Critical patent/CN115147316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/403—Edge-driven scaling; Edge-based scaling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/174—Redundancy elimination performed by the file system
    • G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种计算机图像高效压缩方法及系统。该方法包括：获取待压缩图像高频像素点的第一比例以及低频像素点的第二比例；获取待压缩图像的不重要程度判断是否为正常图像；对正常图像进行小波变换分解，小波变换分解的第一层尺度系数由正常图像的第一比例与第二比例获取，基于高频能量与低频能量获取第二层尺度系数；基于第二层分解后的高频能量与低频能量获取第三层尺度系数；获取正常图像对应的高频序列和低频序列；通过高频序列与低频序列进行小波重构得到压缩后的压缩图像。增强了图像压缩的效果并提高了效率。

Description

计算机图像高效压缩方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种计算机图像高效压缩方法及系统。
背景技术
随着大数据时代的到来，每天都有海量的数据产生，而图像数据为当前各种数据的主流数据，越来越多的工作中涉及到图像方面，图像数据的类型也多种多样，每幅图像都有不同的特点，图像数据在计算机终端设备中占用的空间越来越大，因此在传输或存储时往往会对图像进行压缩。
现有对图像压缩的方法有很多，例如霍夫曼编码、小波变换等，但这些方法往往是对图像进行大范围的压缩，没有充分考虑到图像的自身特性以及图像之间的差异性，使得图像压缩后的效果较差且图像压缩的效率较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种计算机图像高效压缩方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种计算机图像高效压缩方法，该方法包括以下步骤：
获取待压缩图像的高频像素点与低频像素点；计算所有高频像素点在待压缩图像中的第一比例以及所有低频像素点在待压缩图像中的第二比例；
获取所述待压缩图像的离散程度以及信息熵，根据所述离散程度与所述信息熵的乘积得到所述待压缩图像的不重要程度；所述待压缩图像的不重要程度小于预设阈值时为正常图像；计算所述正常图像的失真度；
对所述正常图像进行小波变换分解，所述小波变换分解的第一层尺度系数由所述正常图像的第一比例与第二比例获取，获取第一层分解后的高频能量与低频能量，基于所述高频能量与低频能量获取第二层尺度系数；获取第二层分解后的高频能量与低频能量，基于第二层分解后的高频能量与低频能量获取第三层尺度系数，所述第一层尺度系数、第二层尺度系数以及第三层尺度系数构成尺度系数集合；
基于所述尺度系数集合得到所述正常图像对应的高频系数序列与低频系数序列；获取所述正常图像对应的高频系数保留值与低频系数保留值；基于所述高频系数保留值筛选所述高频系数序列得到高频序列，基于所述低频系数保留值筛选所述低频系数序列得到低频序列；通过所述高频序列与所述低频序列进行小波重构得到压缩后的压缩图像。
优选的，所述计算所有高频像素点在待压缩图像中的第一比例以及所有低频像素点在待压缩图像中的第二比例的步骤，包括：
统计所述待压缩图像中所有高频像素点的数量和所有低频像素点的数量；计算所述高频像素点与低频像素点的数量之和为总数量；
所述高频像素点的数量与所述总数量的比值为第一比例；所述低频像素点的数量与所述总数量的比值为第二比例。
优选的，所述获取所述待压缩图像的离散程度的步骤，包括：
获取所述待压缩图像中每个灰度级出现的概率，计算所有灰度级出现的概率的均值，基于每个所述灰度级出现的概率与概率的均值的差异获取所述待压缩图像的离散程度。
优选的，所述计算所述正常图像的失真度的步骤，包括：
获取所述待压缩图像的分辨率；基于历史数据中分辨率与最大失真度的对应关系拟合得到失真度与分辨率的函数关系；
基于所述待压缩图像的不重要程度和所述函数关系得到待压缩图像的失真度；所述失真度与所述函数关系呈正相关关系，所述失真度与所述不重要程度呈负相关关系。
优选的，所述基于所述高频能量与低频能量获取第二层尺度系数的步骤，包括：
获取所述高频能量与所述低频能量的比值，基于所述比值对所述第一层尺度系数进行调整得到第二层尺度系数。
优选的，所述获取所述正常图像对应的高频系数保留值与低频系数保留值的步骤，包括：
根据第一比例与所述失真度的乘积得到高频失真量，根据第二比例与所述失真度的乘积得到低频失真量；根据所述高频失真量得到对应的高频系数保留值，根据所述低频失真量得到对应的低频系数保留值。
第二方面，一种计算机图像高效压缩系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任意一项方法所述的步骤。
本发明具有如下有益效果：本发明实施例中通过结合待压缩图像自身的分辨率和失真度对后续小波变换的高频系数以及低频系数进行筛选，且小波变换采用自适应的尺度系数，通过每次分解得到的高频能量与低频能量对下一层小波分解的尺度系数进行调整，最终利用保留下的高频系数和低频系数进行重构得到待压缩图像压缩后的压缩图像，结合图像自身的特征使得压缩的效果更好，对高频系数和低频系数的筛选提高了压缩过程的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明一个实施例所提供的一种计算机图像高效压缩的方法流程图；
图2为本发明一个实施例所提供的一种第一层小波分解变换后的图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种计算机图像高效压缩方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对图像的压缩，为了解决现有图像压缩效果差且效率低的问题，本发明实施例中通过获取待压缩图像的高频的第一比例和低频的第二比例，结合第一比例和第二比例对小波变换分解的第一层尺度系数更新，然后基于第一层尺度系数及其对应的高频能量和低频能量的比值得到第二层尺度系数，以此类推，将三层小波变换分解的尺度系数构成尺度系数集合，进一步基于待压缩图像的失真度获取高频系数序列和低频系数序列进行筛选，得到保留的高频序列与低频序列，进行小波重构后即可得到对应的压缩后的压缩图像，考虑到图像自身分辨率与失真度，增强了图像压缩的效果并提高了压缩效率。
下面结合附图具体的说明本发明所提供的一种计算机图像高效压缩方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种计算机图像高效压缩的方法流程图，该方法包括以下步骤：
步骤S100，获取待压缩图像的高频像素点与低频像素点；计算所有高频像素点在待压缩图像中的第一比例以及所有低频像素点在待压缩图像中的第二比例。
具体的，对任意一张待压缩图像进行分析；首先对该待压缩图像进行灰度化处理，然后对灰度化处理后的灰度图像利用canny算子检测图像中的边缘像素点，对边缘像素点进行标记。一般利用小波变换对图像进行压缩的原理是根据变换后的小波系数，有选择性的去除高频信息或者低频信息；其中高频信息指的是图像中灰度突变的部分，即图像中的边缘区域；其他灰度变化较为平缓的区域即为低频信息，将边缘区域的像素点记为边缘像素点，平缓区域的像素点记为中央像素点。
由于计算机图像的种类繁多，因此通过图像中的高频信息与低频信息的占比来确定图像的压缩传输比例，统计上述得到的待压缩图像中的边缘像素点数量以及中央像素点数量；基于边缘像素点数量得到高频像素点在待压缩图像中的第一比例为：
Figure GDA0003785283200000041
其中，μ表示第一比例；M表示待压缩图像中边缘像素点的数量；N表示待压缩图像中中央像素点的数量。
相应的，基于中央像素点数量得到低频像素点在待压缩图像中的第二比例为：
Figure GDA0003785283200000042
其中，ρ表示第二比例；M表示待压缩图像中边缘像素点的数量；N表示待压缩图像中中央像素点的数量。
步骤S200，获取待压缩图像的离散程度以及信息熵，根据离散程度与信息熵的乘积得到待压缩图像的不重要程度；待压缩图像的不重要程度小于预设阈值时为正常图像；计算正常图像的失真度。
具体的，在对图像进行压缩时，需要考虑到图像所能承受的最大失真度，而图像的最大失真度取决于图像的分辨率；当某张图像中灰度分布比较散乱时，以较大的失真度进行压缩可能会导致图像的特征小时，因此需要考虑待压缩图像的离散程度，获取待压缩图像中每个灰度级出现的概率，计算所有灰度级出现的概率的均值，基于每个灰度级出现的概率与概率的均值的差异获取待压缩图像的离散程度。离散程度的计算为：
Figure GDA0003785283200000043
其中，σr表示待压缩图像的离散程度；ri表示第i个灰度级在待压缩图像中出现的概率；
Figure GDA0003785283200000045
表示待压缩图像中所有灰度级对应概率的均值；n表示待压缩图像中不同灰度级的数量。
进一步的，离散程度虽然能体现出待压缩图像中图像特征的分布，但不能体现出待压缩图像中的信息，因此本发明实施例通过计算该待压缩图像中的信息熵，以此弥补离散程度的不足，信息熵的计算为：
Figure GDA0003785283200000044
其中，E表示待压缩图像的信息熵；ri表示第i个灰度级在待压缩图像中出现的概率；n表示待压缩图像中不同灰度级的数量。
信息熵越大，表明待压缩图像中含有的信息越丰富，此时待压缩图像的失真度应该较小，以确保对待压缩图像压缩后的信息有效传输。虽然离散程度与信息熵越大，都能体现出待压缩图像的信息丰富，但是当离散程度与信息熵越大时，该待压缩图像属于无序状态的可能性增加，本发明实施例中的无须状态是指随机噪声，因为随机噪声的存在是没有规律的，其对应的离散程度与信息熵均较大，因此基于信息熵与离散程度判断待压缩图像是否属于无序状态，越接近无序状态则待压缩图像的不重要程度越大。
以待压缩图像的离散程度与信息熵的乘积表示该待压缩图像的不重要程度，当该不重要程度大于预设阈值时，表明该待压缩图像中像素点可能存在较多的噪声点，将该待压缩图像标记为随机噪声图像，并以该待压缩图像对应的失真度的0.5倍进行压缩。当该待压缩图像的不重要程度小于预设阈值时，将该待压缩图像标记为正常图像，基于正常图像的失真度以及分辨率进行后续分析。
其中，该待压缩图像的失真度的具体方法为：获取该待压缩图像的分辨率，分辨率的计算为待压缩图像中所有像素点的数量与待压缩图像面积的比值，该待压缩图像面积的单位为英寸；分辨率越大，表明待压缩图像的清晰度越高，因此在压缩时可以允许较大的失真度，但分辨率过大时采用较大的失真度可能会造成细节信息丢失，因此失真度与分辨率所呈现的函数关系近似如下：
y＝αf2+βf+γ
其中，y表示待压缩图像的失真度；f表示待压缩图像的分辨率；α表示二次系数，β表示一次系数；γ表示常数；α，β，γ均可根据大数据拟合中得到。
然后基于待压缩图像不重要程度对该待压缩图像的失真度进行调整，具体为：
Figure GDA0003785283200000051
其中，y*表示待压缩图像调整后的失真度；y表示待压缩图像调整前的失真度；ε表示待压缩图像的不重要程度，由该待压缩图像的离散程度和信息熵的乘积获得；τ表示大于0的常数，由实施者自行设置。
步骤S300，对正常图像进行小波变换分解，小波变换分解的第一层尺度系数由正常图像的第一比例与第二比例获取，获取第一层分解后的高频能量与低频能量，基于高频能量与低频能量获取第二层尺度系数；获取第二层分解后的高频能量与低频能量，基于第二层分解后的高频能量与低频能量获取第三层尺度系数，第一层尺度系数、第二层尺度系数以及第三层尺度系数构成尺度系数集合。
小波变换在时域/频域均具有良好的局部化特征，能在不同尺度上对图像信号进行细化分析，从而抽取信息中的关键信息；通常情况下图像在频域上表现为高频信息和低频信息，高频信息往往在图像中仅占小部分能量，低频信息在图像中占大部分能量；小波变换通过对高频信息以及低频信息的处理达到减少空间冗余的目的，本发明实施例中通过不同分解层数的高频信息与低频信息对小波变换的分解尺度进行调整。
具体的，由步骤200中获取到待压缩图像的分辨率，分辨率越大时，小波变换的层数相应的应该越大，基于历史经验，本发明实施例中设置待压缩图像进行小波变换分解的层数为三层。
对待压缩图像先进行第一层的小波变换分解，能够得到一幅低频图像与三幅高频图像，且第一层的小波变换分解能够得到一组对应的尺度变化，小波变换分解时的尺度函数为：
Figure GDA0003785283200000061
其中，
Figure GDA0003785283200000062
表示小波变换中的尺度函数；
Figure GDA0003785283200000063
表示小波变换的尺度系数；Z表示正整数集合。
进一步的，通过图像中的高频信息与低频信息调整小波变换时尺度系数的大小，从而基于尺度系数调整尺度函数，第一层尺度系数调整为：
Figure GDA0003785283200000064
其中，
Figure GDA0003785283200000065
表示调整后第一层尺度系数；
Figure GDA0003785283200000066
表示调整前的尺度系数；μ表示待压缩图像中高频像素点的第一比例；ρ表示待压缩图像中低频像素点的第二比例；ω1表示调节因子，用于避免调整幅度过大。
然后，基于第一尺度系数的第一层小波变换分解后得到四幅子图像，请参阅图2，其示出一种第一层小波分解变换后的图像示意图，包括图像a、子图像b、子图像h1、子图像v1以及子图像c1；图像a经过第一层小波变换分解后得到四幅子图像分别为子图像b、子图像h1、子图像v1以及子图像c1；子图像b为第一层分解后的低频信息的图像，子图像h1为待压缩图像在水平方向上的高频信息；子图像v1为待压缩图像在垂直方向上的高频信息；子图像c1为待压缩图像在对角线方向上的高频信息；如果待压缩图像中低频信息较少时，则经过第一层小波变换分解后的低频能量也较少；获取待压缩图像在第一层小波变换分解后的高频能量和低频能量分别为：
Eh＝Eh1+Eb1+Ec1
El＝Eb
其中，Eh表示高频能量；Eh1表示子图像h1对应的能量；Ev1表示子图像v1对应的能量；Ec1表示子图像c1对应的能量；El表示低频能量；Eb表示子图像b对应的能量。
基于第一层小波变换分解后的高频能量与低频能量的比值得到小波变换分解的第二层尺度系数为：
Figure GDA0003785283200000071
其中，
Figure GDA0003785283200000072
表示调整后第二层尺度系数；
Figure GDA0003785283200000073
表示调整后第一层尺度系数；Eh表示高频能量；El表示低频能量；ω2表示调节因子，用于避免调整幅度过大。
同理，基于与调整第二层尺度系数相同的方法，统计第二层小波变换分解后的高频能量与低频能量，从而得到第三层小波变换分解时对应的第三层尺度系数，根据第一层尺度系数、第二层尺度系数以及第三层尺度系数构建尺度系数集合为：
Figure GDA0003785283200000074
其中，
Figure GDA0003785283200000075
表示调整后第一层尺度系数；
Figure GDA0003785283200000076
表示调整后第二层尺度系数；
Figure GDA0003785283200000077
表示调整后第三层尺度系数。
步骤S400，基于尺度系数集合得到正常图像对应的高频系数序列与低频系数序列；获取正常图像对应的高频系数保留值与低频系数保留值；基于高频系数保留值筛选高频系数序列得到高频序列，基于低频系数保留值筛选低频系数序列得到低频序列；通过高频序列与低频序列进行小波重构得到压缩后的压缩图像。
具体的，获取该待压缩图像在基于尺度系数集合进行的小波分解变换后高频系数的数量以及低频系数的数量，将高频系数数量记为u，低频系数数量记为v；则构成的高频系数序列与低频系数序列分别为：
Figure GDA0003785283200000078
Figure GDA0003785283200000079
其中，
Figure GDA00037852832000000710
表示高频系数序列；
Figure GDA00037852832000000711
表示第1个高频系数；
Figure GDA00037852832000000712
表示第u个高频系数；
Figure GDA00037852832000000713
表示第2个高频系数；
Figure GDA00037852832000000714
表示低频系数序列；
Figure GDA00037852832000000715
表示第1个低频系数；
Figure GDA00037852832000000716
表示第2个低频系数；
Figure GDA00037852832000000717
表示第v个低频系数。
进一步的，基于待压缩图像的失真度获取高频失真量与低频失真量，即通过高频像素点的第一比例与失真度相乘得到高频失真量，通过低频像素点的第二比例与失真度相乘得到低频失真量，该失真度指的均为调整后的失真度。根据高频失真量与低频失真量计算高频系数保留值与低频系数保留值，分别为：
u*＝u(1-θH)
v*＝v(1-θL)
其中，u*表示高频系数保留值；θH表示高频失真量；u表示高频系数的数量；v*表示低频系数保留值；θL表示低频失真量；v表示低频系数的数量。
由高频系数保留值和低频系数保留值决定高频系数序列的保留数量以及低频系数序列的保留数量；本发明实施例中在高频系数序列中任意选取高频系数，选取的数量与高频系数保留值相等；相应的在低频系数序列中任意选取低频系数，选取的数量与低频系数保留值相等；将选取出的高频系数和低频系数分别重新排列从而构成新的高频序列以及低频序列为：
Figure GDA0003785283200000081
Figure GDA0003785283200000082
其中，
Figure GDA0003785283200000083
表示高频序列；
Figure GDA0003785283200000084
表示第1个高频系数；
Figure GDA0003785283200000085
表示第2个高频系数；
Figure GDA0003785283200000086
表示第u*个高频系数；
Figure GDA0003785283200000087
表示低频序列；
Figure GDA0003785283200000088
表示第1个低频系数；
Figure GDA0003785283200000089
表示第2个低频系数；
Figure GDA00037852832000000810
表示第v*个低频系数。
由此根据高频序列进行小波重构得到图像的边缘像素点信息，根据低频序列进行小波重构得到图像的中央像素点信息，从而得到完整的一张图像，该图像即为将待压缩图像进行压缩后的压缩图像。
综上所述，本发明实施例中通过获取待压缩图像的高频像素点和低频像素点，然后获取对应的第一比例和第二比例，基于待压缩图像的不重要程度得到正常图像计算对应的失真度；结合第一比例和第二比例对小波变换分解的第一层尺度系数更新，然后基于第一层尺度系数及其对应的高频能量和低频能量的比值得到第二层尺度系数，以此类推，将三层小波变换分解的尺度系数构成尺度系数集合，进一步获取高频系数序列和低频系数序列进行筛选，得到保留的高频序列与低频序列，进行小波重构后即可得到对应的压缩后的压缩图像，基于图像自身失真度进行保留值的获取，增强了图像压缩的效果并提高了压缩效率。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种计算机图像高效压缩系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种计算机图像高效压缩方法实施例中的步骤，例如图1所示的步骤。该一种计算机图像高效压缩方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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。
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 (6)

1.一种计算机图像高效压缩方法，其特征在于，该方法包括以下步骤：
获取待压缩图像的高频像素点与低频像素点；计算所有高频像素点在待压缩图像中的第一比例以及所有低频像素点在待压缩图像中的第二比例；
获取所述待压缩图像的离散程度以及信息熵，根据所述离散程度与所述信息熵的乘积得到所述待压缩图像的不重要程度；所述待压缩图像的不重要程度小于预设阈值时为正常图像；计算所述正常图像的失真度；
对所述正常图像进行小波变换分解，所述小波变换分解的第一层尺度系数由所述正常图像的第一比例与第二比例获取，获取第一层分解后的高频能量与低频能量，基于所述高频能量与低频能量获取第二层尺度系数；获取第二层分解后的高频能量与低频能量，基于第二层分解后的高频能量与低频能量获取第三层尺度系数，所述第一层尺度系数、第二层尺度系数以及第三层尺度系数构成尺度系数集合；
基于所述尺度系数集合得到所述正常图像对应的高频系数序列与低频系数序列；获取所述正常图像对应的高频系数保留值与低频系数保留值；基于所述高频系数保留值筛选所述高频系数序列得到高频序列，基于所述低频系数保留值筛选所述低频系数序列得到低频序列；通过所述高频序列与所述低频序列进行小波重构得到压缩后的压缩图像；
所述获取所述正常图像对应的高频系数保留值与低频系数保留值的步骤，包括：
根据第一比例与所述失真度的乘积得到高频失真量，根据第二比例与所述失真度的乘积得到低频失真量；根据所述高频失真量得到对应的高频系数保留值，根据所述低频失真量得到对应的低频系数保留值。
2.根据权利要求1所述的一种计算机图像高效压缩方法，其特征在于，所述计算所有高频像素点在待压缩图像中的第一比例以及所有低频像素点在待压缩图像中的第二比例的步骤，包括：
统计所述待压缩图像中所有高频像素点的数量和所有低频像素点的数量；计算所述高频像素点与低频像素点的数量之和为总数量；
所述高频像素点的数量与所述总数量的比值为第一比例；所述低频像素点的数量与所述总数量的比值为第二比例。
3.根据权利要求1所述的一种计算机图像高效压缩方法，其特征在于，所述获取所述待压缩图像的离散程度的步骤，包括：
获取所述待压缩图像中每个灰度级出现的概率，计算所有灰度级出现的概率的均值，基于每个所述灰度级出现的概率与概率的均值的差异获取所述待压缩图像的离散程度。
4.根据权利要求1所述的一种计算机图像高效压缩方法，其特征在于，所述计算所述正常图像的失真度的步骤，包括：
获取所述待压缩图像的分辨率；基于历史数据中分辨率与最大失真度的对应关系拟合得到失真度与分辨率的函数关系；
基于所述待压缩图像的不重要程度和所述函数关系得到待压缩图像的失真度；所述失真度与所述函数关系呈正相关关系，所述失真度与所述不重要程度呈负相关关系。
5.根据权利要求1所述的一种计算机图像高效压缩方法，其特征在于，所述基于所述高频能量与低频能量获取第二层尺度系数的步骤，包括：
获取所述高频能量与所述低频能量的比值，基于所述比值对所述第一层尺度系数进行调整得到第二层尺度系数。
6.一种计算机图像高效压缩系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1～5任意一项所述方法的步骤。
CN202210780236.6A 2022-08-06 2022-08-06 计算机图像高效压缩方法及系统 Active CN115147316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780236.6A CN115147316B (zh) 2022-08-06 2022-08-06 计算机图像高效压缩方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780236.6A CN115147316B (zh) 2022-08-06 2022-08-06 计算机图像高效压缩方法及系统

Publications (2)

Publication Number Publication Date
CN115147316A CN115147316A (zh) 2022-10-04
CN115147316B true CN115147316B (zh) 2023-04-04

Family

ID=83409330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780236.6A Active CN115147316B (zh) 2022-08-06 2022-08-06 计算机图像高效压缩方法及系统

Country Status (1)

Country Link
CN (1) CN115147316B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242799A (zh) * 2018-09-19 2019-01-18 安徽理工大学 一种变阈值的小波去噪方法
CN111798396A (zh) * 2020-07-01 2020-10-20 中通服咨询设计研究院有限公司 一种基于小波变换的多功能图像处理方法
CN114092355A (zh) * 2021-11-26 2022-02-25 北京信息科技大学 自适应红外图像对比度增强方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101225160B1 (ko) * 2004-07-13 2013-01-22 프랑스 텔레콤 비디오 이미지 시퀀스를 상이한 공간 해상도의 주파수부대역 계수들로 인코딩하는 방법 및 장치
CN103517065B (zh) * 2013-09-09 2015-04-08 宁波大学 一种质降参考立体图像质量客观评价方法
CN104954780B (zh) * 2015-07-01 2017-03-08 南阳师范学院 一种适用于高清2d/3d转换的dibr虚拟图像修复方法
EP4144087A1 (en) * 2020-04-29 2023-03-08 Deep Render Ltd Image compression and decoding, video compression and decoding: methods and systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242799A (zh) * 2018-09-19 2019-01-18 安徽理工大学 一种变阈值的小波去噪方法
CN111798396A (zh) * 2020-07-01 2020-10-20 中通服咨询设计研究院有限公司 一种基于小波变换的多功能图像处理方法
CN114092355A (zh) * 2021-11-26 2022-02-25 北京信息科技大学 自适应红外图像对比度增强方法及装置

Also Published As

Publication number Publication date
CN115147316A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Wang et al. Optimized feature extraction for learning-based image steganalysis
Sandić-Stanković et al. DIBR synthesized image quality assessment based on morphological wavelets
CN1124568C (zh) 用量化的平均分离直方图均衡对图像进行增强的方法和电路
CN111612695B (zh) 一种低分辨率人脸图像超分辨重建方法
CN1842822A (zh) 在频域对胶片颗粒图案进行建模的方法和设备
Woo et al. Image interpolation based on inter-scale dependency in wavelet domain
CN110363763A (zh) 图像质量评价方法、装置、电子设备及可读存储介质
CN104766289A (zh) 一种图像去噪和压缩处理方法
CN115147316B (zh) 计算机图像高效压缩方法及系统
EP0659023A2 (en) Method and apparatus for compression-coding image data
CN110874828B (zh) 神经网络模型及基于神经网络模型的超声波束形成方法
CN109584139A (zh) 适用于批自适应隐写的安全嵌入方法
US6809840B1 (en) Image processing method for adaptively sub-sampling an image
CN115695793A (zh) 一种jpeg图像压缩系统
Hamsathvani Image hiding in video sequence based on MSE
Chinnarao et al. Improved image de noising algorithm using dual tree complex wavelet transform
CN110717875A (zh) 一种高清图像处理方法
JPH0888849A (ja) 画像信号処理方法及び画像信号伝送装置
JP3163753B2 (ja) 画像処理装置及び画像処理方法
JPH06350992A (ja) データ圧縮回路
CN110378832B (zh) 水印嵌入方法、装置及电子设备
CN117041749A (zh) 图像处理方法和装置
CN117911546A (zh) 一种基于图像数据分析的图像压缩方法
CN117541472A (zh) 一种基于生成对抗网络的自适应的图像超分辨重建方法
Freisleben et al. Color quantization with a hybrid genetic algorithm

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