CN118075472A - 一种基于loco-i算法和哈夫曼编码的频谱压缩方法 - Google Patents

一种基于loco-i算法和哈夫曼编码的频谱压缩方法 Download PDF

Info

Publication number
CN118075472A
CN118075472A CN202410389125.1A CN202410389125A CN118075472A CN 118075472 A CN118075472 A CN 118075472A CN 202410389125 A CN202410389125 A CN 202410389125A CN 118075472 A CN118075472 A CN 118075472A
Authority
CN
China
Prior art keywords
spectrum
residual
algorithm
loco
frequency
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.)
Pending
Application number
CN202410389125.1A
Other languages
English (en)
Inventor
郑明魁
夏骏
黄建忠
肖祥之
胡雨萱
游镇诚
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202410389125.1A priority Critical patent/CN118075472A/zh
Publication of CN118075472A publication Critical patent/CN118075472A/zh
Pending legal-status Critical Current

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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • 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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种基于LOCO‑I算法和哈夫曼编码的频谱压缩方法。该方法对一维电磁频谱信号首先转化为二维信号，基于频谱信号特点，采用改进后的LOCO‑I算法，通过减少LOCO‑I算法中的预测方向，来提高无线频谱数据无损压缩的编码速率，在此基础上统计并设计了哈夫曼编码方法，将频谱预测残差数据映射到哈夫曼码表来提高频谱数据的压缩率，从而实现一种高性能、高压缩率的频谱无损压缩方法。

Description

一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法
技术领域
本发明属于频谱编码技术领域，具体涉及一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法。
背景技术
电磁频谱资源在民用和军事领域都扮演着重要角色。近年来，频谱资源日益紧缺、频谱安全日益严峻、频谱对抗日益激烈，成为电磁频谱空间面临的三大挑战。为了解决这些挑战，需要引入大数据和人工智能理论与技术，实现对电磁频谱空间的智能掌控。电磁频谱态势感知是电磁空间研究的基础和关键，各国纷纷加强相关研究和合作。而随着无线通信技术的不断发展，频谱资源日益紧缺，如何更好地利用有限的频谱资源成为了无线通信领域的研究热点。
频谱压缩技术的出现，可以在不增加频谱资源的情况下，提高频谱利用率，从而更好地满足不同应用的需求。频谱压缩技术通过对信号进行处理，将信号在频域上进行压缩，从而实现对频谱资源的高效利用。这项技术的出现，不仅可以提高通信系统的容量和效率，还可以在雷达、声纳等领域中发挥重要作用。因此，频谱压缩技术的发展，对于提高通信系统的性能、提升频谱利用率以及改善雷达和声纳系统的性能具有重要意义。
熵编码在图像和视频压缩系统中起着至关重要的作用。它针对不同像素点的概率差异导致的编码冗余进行处理，通常作为整个编码框架的最后一步，利用信息论原理对编码冗余进行处理，以进一步压缩数据量。提高熵编码模块的编码效率一直是图像和视频压缩系统中的关键问题。视频编码器的性能与熵编码算法密切相关，因此研究如何提升编码器的性能，特别是优化熵编码算法，对于提升视频编码的效率和压缩比具有重要意义。因此，对熵编码算法的不断优化和改进对于提高图像和视频压缩系统的性能至关重要。
在当前的频谱压缩算法中，LOCO-I算法具有高效的压缩能力、自适应性、保留图像质量、适用范围广等优点。它采用了一种称为局部操作码(LOCO)的技术。
LOCO-I算法的核心思想是通过识别和利用图像中的局部相似性来减小数据的大小。具体来说，算法会对图像中的每个局部区域进行分析，并尝试找到可以用更简单的方式来表示的相似区域。这样一来，算法就可以通过存储更少的数据来实现对整个图像的编码和压缩。
随着近年来人们对频谱质量的要求越来越高以及频谱采集设备的迅猛发展，频谱数据量成几何级数增长，原有的频谱压缩算法已经不能满足与日俱增的数据量所带来的频谱传输需求。
发明内容
本发明的目的在于在LOCO-I算法的基础上进一步提高算法的压缩速率，提供一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法。
为实现上述目的，本发明的技术方案是：一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，将一维频谱信号转化为二维频谱信号，基于频谱信号特点，采用改进后的LOCO-I算法，减少LOCO-I算法中的预测方向，在此基础上统计并设计哈夫曼编码方法，将频谱预测残差数据映射到哈夫曼码表，实现频谱无损压缩。
在本发明一实施例中，该方法包括如下步骤：
S10、将原始二进制一维频谱数据转换为二维频谱数据；
S20、对二维频谱数据进行水平方向的预测，得出预测值；
S30、基于预测值，计算频谱残差并量化残差数据重建像素值：
S40、对频谱残差进行哈夫曼编码重新映射。
在本发明一实施例中，步骤S10具体实现如下：
得到原始的二进制频谱文件后，解析二进制频谱文件的数据头和若干段一维频谱数据，将一维频谱数据按照一行一段的方式堆叠形成二维频谱数据，以此将原始二进制一维频谱数据转换为简单的二维频谱数据。
在本发明一实施例中，步骤S20具体实现如下：
由于二维频谱数据中上下两段频谱数据没有强相关性，因此仅在水平方向上对二维频谱数据进行预测，具体如下式所示：
Px＝Ra
其中x为当前像素，a为上一个像素，Ra、Rx分别为a像素和x像素对应的灰度值，Px为当前像素预测值。
在本发明一实施例中，步骤S30具体实现如下：
将像素预测值与真实的像素值做差，得到频谱残差值，随后根据LOCO-I算法对得到的残差数据进行量化并重建像素值。
在本发明一实施例中，步骤S40具体实现如下：
根据步骤S30得到的频谱残差统计每个残差的频率，并根据每个残差的频率构建哈夫曼树；
根据生成的哈夫曼编码树，将原始残差序列中的每个频谱残差值替换为其对应的哈夫曼编码，完成编码，即得到压缩后的数据。
在本发明一实施例中，所述根据步骤S30得到的频谱残差统计每个残差的频率，具体实现方式为：
假设步骤S30得到的频谱残差序列为{x1,x2,…,xn}，用f(xi)表示频谱残差值xi的频率，N表示xi在频谱残差序列中出现的次数，则每个残差频率的计算公式如下：
在本发明一实施例中，所述根据每个残差的频率构建哈夫曼树的具体实现方式为：
创建一个包含所有残差值的优先队列即最小堆，按照频率的大小进行排序；
从队列中选择两个频率最小的节点，合并它们成为一个新的节点，其权重为两个节点的权重之和；
将新节点插入到队列中；
重复上述过程，直到队列中只剩下一个节点，即哈夫曼树的根节点。
在本发明一实施例中，所述根据生成的哈夫曼编码树，将原始残差序列中的每个频谱残差值替换为其对应的哈夫曼编码的具体实现方式为：
对于每个叶子节点，从根节点开始向下遍历，当向左走时添加一个0，向右走时添加一个1，直到到达叶子节点，即得到相应频谱残差值对应的哈夫曼编码；通过遍历哈夫曼树得到每个残差值xi，其哈夫曼编码表示为一个二进制串。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
相较于现有技术，本发明具有以下有益效果：
首先，本发明将LOCO-I算法的预测方向从原本的四个方向的预测缩减为了仅对水平方向进行预测。这一改变的背后是对视频压缩原理的深入理解，我们发现在大多数频谱中，水平方向的相邻像素之间的相关性较高，而其他方向的相关性则相对较低。因此，我们选择仅对水平方向进行预测，以提高算法的压缩性能。
其次，为了进一步提高算法的压缩效率，本发明将LOCO-I算法的哥伦布编码替换成哈夫曼编码。哈夫曼编码是一种基于概率的编码方式，可以将出现频率较高的符号用较短的编码表示，从而大大减小编码长度。与哥伦布编码相比，哈夫曼编码更加适合应用于频谱压缩中。我们通过对视频数据进行统计分析，得到了每个像素值出现的概率分布，并根据此分布生成了对应的哈夫曼编码表。
最后，为了进一步提高算法的压缩效率，本发明重复利用第一次编码的哈夫曼编码表。在传统的哈夫曼编码中，每个符号都需要对应一个编码表，因此在压缩时需要将整个编码表传输给解码端，这会导致传输开销较大。为了解决这个问题，我们在第一次编码时生成哈夫曼编码表，并在后续的编码中重复利用这个表，从而大大提升了压缩效率。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例码字对应的哈夫曼树；
图3是现有LOCO-I算法流程图；
图4是本发明实施例改进LOCO-I算法流程图；
图5是本发明实施例算法与改进前算法的对比图。
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。
本发明提供了一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，将一维频谱信号转化为二维频谱信号，基于频谱信号特点，采用改进后的LOCO-I算法，减少LOCO-I算法中的预测方向，在此基础上统计并设计哈夫曼编码方法，将频谱预测残差数据映射到哈夫曼码表，实现频谱无损压缩。
以下为本发明具体实现过程。
如图3所示，LOCO-I算法利用了一种称为自适应预测的技术，该技术可以根据图像中不同区域的特征来选择最佳的压缩方法。这样一来，算法可以更好地适应不同类型的图像，并实现更高效的压缩和编码，这一算法的具体流程如下：
(1)上下文建模：上下文建模主要目的是通过当前像素周围的像素值计算得到一个参数索引值，用于对后续计算所需要用到的各个参数进行索引，可以将其细分为梯度计算，梯度量化和索引值计算3个步骤。上下文模板中，x为当前像素值，a，b，c，d，y，z分别是其周围的各个像素。
1)梯度计算
为了全面地描述当前像素周围的灰度变化情况，需要计算3个梯度值，如下式所示，其中D1，D2和D3分别为3个梯度值，Ra，Rb，Rc，Rd分别为各个位置的像素对应的灰度值。
2)梯度量化
定义多个阈值T1，T2，T3将梯度值进行量化，按照如下式的计算方法对梯度进行量化，其中Di为第i个梯度值，near为微损度参数，near值越大图像所能够达到的压缩效果越好，但图像信息的损失也越大。
3)索引值计算
经过2)步骤得到一组量化完成后的梯度组合(Q1,Q2,Q3)，按照如下两个式子所示进行计算得到参数索引值Q和符号Sign。
Q＝|81×Q1+9×Q2+Q3|
上下文参数共有4个，分别为A(残差绝对值之和)，B(残差预测值之和)，C(预测修正值)，N(上下文出现次数)，使用索引值Q即可得到A[Q]，B[Q]，C[Q]和N[Q]。
(2)预测LOCO-I是基于预测的压缩算法，通过对当前像素进行预测，对预测差值进行编码，预测过程分为5个步骤：中值预测，预测值补偿，残差值计算，残差量化和像素值重建。
1)中值预测：使用上下文模板，按照如下式的计算方式得到当前像素的预测值Px，其中Ra，Rb，Rc，Rd分别上下文模板为各个位置的像素对应的灰度值。
2)预测值补偿：预测值的准确性对压缩效果有很大影响，为了得到更加准确的预测值，需要对1)中的计算结果进行补偿，如下式所示。
Px'＝min((Px+Sign×C[Q]),MaxVal)
MaxVal＝2bp-1
其中C[Q]为参数索引得到的预测修正值，bp为相机图像像素量化的比特数，MaxVal为图像中像素所能达到的最大值。
3)残差计算：通过修正后的像素预测值与真实的像素值做差，得到残差值，计算方式如式所示，其中Ix为当前像素的真实像素值，Px为像素灰度预测值。
E＝Sign×(Ix-Px)
4)残差量化：LOCO-I可以实现对图像的无损压缩和近无损压缩，其中无损和近无损的控制是通过参数near来实现的，如下式所示进行残差量化，E_q为量化后的残差值，通过near值调整微损度，当near值为0时为无损压缩，否则为近无损压缩，near值越大，压缩效果越好，图像信息损失越多。
Rx＝Px+Sign×E_q×(2×near+1)
当Rx<0时，令Rx＝0；当Rx>MaxVal时，令Rx＝MaxVal。
(3)残差编码
LOCO-I对残差E_q的编码方式为Golomb编码，生成压缩码流。
1)k值计算：首先按照下式计算得到Golomb编码所需要的参数k。
2)残差映射：先要将其映射为非负数，具体映射方式如下式所示。2)残差映射：由于Golomb编码只能处理非负数，所以要对残差E_q进行编码，先要将其映射为非负数，具体映射方式如下式所示。
3)Golomb编码：通过如下两个式子计算编码所需的参数val和n。
n＝ME-val×2k
当val<LMAX时，编码结构有val个0和k个n组成，中间间隔一个1。
当val≥LMAX时，编码结构有LMAX个0和bp个数组成，中间间隔一个1。
本发明为了在LOCO-I算法的基础上进一步提高算法的压缩速率，采取了一系列措施。如图4所示，为本发明改进后的LOCO-I算法，首先，我们将此算法的预测方向从原本的四个方向的预测缩减为了仅对水平方向进行预测。其次，为了进一步提高算法的压缩效率，将LOCO-I算法的哥伦布编码替换成哈夫曼编码。通过对视频数据进行统计分析，得到了每个像素值出现的概率分布，并根据此分布生成了对应的哈夫曼编码表。最后，为了进一步提高算法的压缩效率，重复利用第一次编码的哈夫曼编码表。即在第一次编码时生成哈夫曼编码表，在后续的编码中重复利用这个哈夫曼编码表，从而大大提升了压缩效率。图5为本发明改进后的实施例算法与改进前算法的对比图。
如图1所示，为本发明一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法的具体流程示意图，包括如下步骤：
S10、将原始二进制一维频谱数据转换为二维频谱数据。
得到原始的二进制频谱文件后，解析该文件的数据头和若干段一维频谱数据，将一维频谱数据按照一行一段的方式堆叠形成二维频谱数据。
在本实施例中，将原始的一维频谱数据转换为简单的二维频谱数据是为了方便进行后续的熵编码过程。同时，转换为二维数据还可以有效地提高频谱的压缩效率。
S20、仅进行水平方向的预测，得出预测值
由于二维频谱数据种上下两段频谱数据没有强相关性，我们仅在水平方向上对频谱数据进行预测如式(1)所示，其中x为当前像素，a为上一个像素，Ra、Rx分别为a像素和x像素对应的灰度值，Px为当前像素的预测值。
Px＝Ra
如图4所示，通过这个步骤，本实施例将原有LOCO-I算法的四个预测方向减置一个，有效地提高了频谱的压缩速率。
S30、计算残差、量化残差数据并重建像素值：
将像素预测值与真实的像素值做差，得到残差值，随后根据LOCO-I算法对得到的残差数据进行量化并重建像素值。
S40、对频谱的残差进行哈夫曼编码重新映射。
根据步骤S30得到的频谱残差统计每个残差的频率，并根据这个频率构建哈夫曼树。
(1)统计残差的频率：假设步骤S30得到的频谱残差序列为{x1,x2,…,xn}，用f(xi)表示残差值xi的频率，N表示xi在序列中出现的次数，则可以得到频谱残差频率的计算公式如下：
(2)构建哈夫曼树：根据残差值的频率构建哈夫曼树：
1.创建一个包含所有残差值的优先队列(最小堆)，按照频率的大小进行排序。
2.从队列中选择两个频率最小的节点，合并它们成为一个新的节点，其权重为两个节点的权重之和。
3.将新节点插入到队列中。
4.重复上述步骤，直到队列中只剩下一个节点，即哈夫曼树的根节点。
(3)生成哈夫曼编码：对于每个叶子节点，从根节点开始向下遍历，当向左走时添加一个0，向右走时添加一个1，直到到达叶子节点，即得到了该残差值对应的哈夫曼编码。通过遍历哈夫曼树得到每个残差值xi，其哈夫曼编码可以表示为一个二进制串。
(4)进行编码：根据生成的哈夫曼编码，对于原始频谱残差序列{x1,x2,…,xn}，将每个残差值替换为其对应的哈夫曼编码，即得到压缩后的数据。
根据生成的哈夫曼编码树，将原始残差序列中的每个残差值替换为其对应的哈夫曼编码，即完成编码，得到压缩后的数据。
生成的哈夫曼树如图2所示。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，将一维频谱信号转化为二维频谱信号，基于频谱信号特点，采用改进后的LOCO-I算法，减少LOCO-I算法中的预测方向，在此基础上统计并设计哈夫曼编码方法，将频谱预测残差数据映射到哈夫曼码表，实现频谱无损压缩。
2.根据权利要求1所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，该方法包括如下步骤：
S10、将原始二进制一维频谱数据转换为二维频谱数据；
S20、对二维频谱数据进行水平方向的预测，得出预测值；
S30、基于预测值，计算频谱残差并量化残差数据重建像素值：
S40、对频谱残差进行哈夫曼编码重新映射。
3.根据权利要求2所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，步骤S10具体实现如下：
得到原始的二进制频谱文件后，解析二进制频谱文件的数据头和若干段一维频谱数据，将一维频谱数据按照一行一段的方式堆叠形成二维频谱数据，以此将原始二进制一维频谱数据转换为简单的二维频谱数据。
4.根据权利要求2所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，步骤S20具体实现如下：
由于二维频谱数据中上下两段频谱数据没有强相关性，因此仅在水平方向上对二维频谱数据进行预测，具体如下式所示：
Px＝Ra
其中x为当前像素，a为上一个像素，Ra、Rx分别为a像素和x像素对应的灰度值，Px为当前像素预测值。
5.根据权利要求4所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，步骤S30具体实现如下：
将像素预测值与真实的像素值做差，得到频谱残差值，随后根据LOCO-I算法对得到的残差数据进行量化并重建像素值。
6.根据权利要求2所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，步骤S40具体实现如下：
根据步骤S30得到的频谱残差统计每个残差的频率，并根据每个残差的频率构建哈夫曼树；
根据生成的哈夫曼编码树，将原始残差序列中的每个频谱残差值替换为其对应的哈夫曼编码，完成编码，即得到压缩后的数据。
7.根据权利要求6所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，所述根据步骤S30得到的频谱残差统计每个残差的频率，具体实现方式为：
假设步骤S30得到的频谱残差序列为{x1,x2,…,xn}，用f(xi)表示频谱残差值xi的频率，N表示xi在频谱残差序列中出现的次数，则每个残差频率的计算公式如下：
8.根据权利要求6所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，所述根据每个残差的频率构建哈夫曼树的具体实现方式为：
创建一个包含所有残差值的优先队列即最小堆，按照频率的大小进行排序；
从队列中选择两个频率最小的节点，合并它们成为一个新的节点，其权重为两个节点的权重之和；
将新节点插入到队列中；
重复上述过程，直到队列中只剩下一个节点，即哈夫曼树的根节点。
9.根据权利要求6所述的一种基于LOCO-I算法和哈夫曼编码的频谱压缩方法，其特征在于，所述根据生成的哈夫曼编码树，将原始残差序列中的每个频谱残差值替换为其对应的哈夫曼编码的具体实现方式为：
对于每个叶子节点，从根节点开始向下遍历，当向左走时添加一个0，向右走时添加一个1，直到到达叶子节点，即得到相应频谱残差值对应的哈夫曼编码；通过遍历哈夫曼树得到每个残差值xi，其哈夫曼编码表示为一个二进制串。
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-9任一所述的方法步骤。
CN202410389125.1A 2024-04-01 2024-04-01 一种基于loco-i算法和哈夫曼编码的频谱压缩方法 Pending CN118075472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410389125.1A CN118075472A (zh) 2024-04-01 2024-04-01 一种基于loco-i算法和哈夫曼编码的频谱压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410389125.1A CN118075472A (zh) 2024-04-01 2024-04-01 一种基于loco-i算法和哈夫曼编码的频谱压缩方法

Publications (1)

Publication Number Publication Date
CN118075472A true CN118075472A (zh) 2024-05-24

Family

ID=91100520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410389125.1A Pending CN118075472A (zh) 2024-04-01 2024-04-01 一种基于loco-i算法和哈夫曼编码的频谱压缩方法

Country Status (1)

Country Link
CN (1) CN118075472A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118445264A (zh) * 2024-07-08 2024-08-06 长春医学高等专科学校(长春职工医科大学长春市医学情报所) 一种电子归档数据存储方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118445264A (zh) * 2024-07-08 2024-08-06 长春医学高等专科学校(长春职工医科大学长春市医学情报所) 一种电子归档数据存储方法及系统

Similar Documents

Publication Publication Date Title
CN104365099B (zh) 用于变换系数等级的熵编码和熵解码的参数更新方法以及使用该方法的变换系数等级的熵编码装置和熵解码装置
CN105554510B (zh) 对视频进行解码的方法和设备
CN104735453A (zh) 通过使用大变换单元对图像进行编码和解码的方法和设备
CN103098469A (zh) 用于对变换系数进行熵编码/熵解码的方法和设备
RU2565877C2 (ru) Способ и устройство для определения соответствия между синтаксическим элементом и кодовым словом для кодирования переменной длины
CN118075472A (zh) 一种基于loco-i算法和哈夫曼编码的频谱压缩方法
CN104935924A (zh) 用于对视频进行解码的方法
CN107911699A (zh) 视频的编码方法和设备以及非暂时性计算机可读介质
CN104883569A (zh) 用于使用分层数据单元进行编码和解码的方法和设备
CN101420614A (zh) 一种混合编码与字典编码整合的图像压缩方法及装置
CN108028945A (zh) 通过使用单例系数更新执行变换的设备和方法
CN111246206A (zh) 一种基于自编码器的光流信息压缩方法及装置
CN109672891B (zh) Jpeg图像的无损二次压缩方法
Kabir et al. Edge-based transformation and entropy coding for lossless image compression
CN114429200A (zh) 规范化哈夫曼编解码方法及神经网络计算芯片
George et al. A novel approach for image compression using zero tree coding
Voinson et al. Image compression using lattice vector quantization with code book shape adapted thresholding
CN111263163A (zh) 一种基于手机平台的深度视频压缩框架的实现方法
CN113422964B (zh) 一种串长度参数编解码方法和装置
CN118413678A (zh) 一种单通道全色遥感图像压缩方法
CN116233468A (zh) 点云解码方法、点云编码方法、装置、设备、介质及产品
WORK 1. Quantization Theory
Jenny et al. A modified embedded zero-tree wavelet method for medical image compression
CN102934431A (zh) 低复杂度熵编码/解码方法和设备

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