TW201427425A - 影像壓縮方法 - Google Patents
影像壓縮方法 Download PDFInfo
- Publication number
- TW201427425A TW201427425A TW101149391A TW101149391A TW201427425A TW 201427425 A TW201427425 A TW 201427425A TW 101149391 A TW101149391 A TW 101149391A TW 101149391 A TW101149391 A TW 101149391A TW 201427425 A TW201427425 A TW 201427425A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- gradation
- color
- cluster
- compression method
- Prior art date
Links
Landscapes
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
一種影像壓縮方法,用於解決習知影像壓縮方法效率不佳的問題,其技術手段係藉由一電腦系統對一原始影像進行影像壓縮作業,該方法包含:一設定步驟、一切割步驟、一分類步驟、一分群步驟及一調整步驟。藉此,可快速而有效地壓縮影像,以提高影像還原品質及壓縮效率。
Description
本發明係關於一種影像壓縮方法,尤其是一種藉由色簿替代影像像素的影像壓縮方法。
按,影像壓縮(image compression)技術通常可依影像還原程度不同,而分為「有損壓縮(lossy compression)」及「無損壓縮(lossless compression)」兩種,前者係可犧牲影像品質來換取高壓縮比(compression ratio),惟其壓縮影像與原始影像相較會有失真(distortion)現象;而後者可將壓縮影像完全還原回原始影像,惟其壓縮比有限。此外,尚可依影像壓縮資料所屬領域不同,而分為「頻率領域(frequency domain)」及「空間領域(spatial domain)」,以下係舉例說明各種影像壓縮技術之分類,如表一所示:
其中,「採用色簿的影像壓縮技術」在壓縮影像時,通常透過一色簿產生方法(即影像壓縮演算法),使一原始影像之特徵轉換為一色簿(codebook),該色簿可用以形成一壓縮影像(compressed image),該壓縮影像的資料量小於該原始影像的資料量,以便在儲存及傳輸影像時,採用
該色簿替代該原始影像,達到「壓縮影像容量」之目的。相對地,在解壓縮影像時,需將該色簿透過解壓縮演算法還原回影像資料,以便組合而成一還原影像(reconstructed image),完成影像解壓縮之過程。
其中,上述色簿產生方法通常會先對該原始影像進行「切塊」,以便將該原始影像切成較小且數量較多的原始區塊,再透過一向量量化(Vector Quantization,VQ)技術,將該些原始區塊轉換為原始向量,再以一編碼演算法對該些原始向量進行處理,用以取得數量較少但可代表該原始影像的代表區塊(code),以透過該些代表區塊共同組成該色簿。
以下係介紹數種較具代表性的習知影像壓縮方法,例如:習知LBG、SOM或LazySOM演算法等,分別說明如下:其中,習知LBG演算法係由Linde、Buzo及Gray於1980年提出,屬於一種向量量化演算法,其步驟包含:(a)隨機選取k個代表色(即原始向量),作為一原始色簿之代表色;(b)將像素與該k個代表色依歐幾里得距離計算一最小距離分群;(c)將所有像素依據歐幾里得距離進行比較,以便分配像素至k群代表色;(d)計算各群代表色之中心點,由該些中心點組成一新色簿的k個代表色;(e)計算各群代表色之像素與像素的平均失真度(MSE);及(f)判斷該平均失真度是否達到一收斂門檻值,若條件成立,則結束演算法,否則,重新進行(d)。惟,習知LBG演算法之原始向量數量較多且較為複雜,致使編碼演算結
果不甚穩定且品質較差;再者,為了維持影像品質,上述收斂條件須較為嚴格,而造成訓練速度較慢,且須針對所有原始向量進行運算,運算所需時間較長。
另,習知SOM(Self-Organizing Map)演算法係由Kohonen於1980年提出,屬於一種無監督式的類神經網路技術,其步驟包含:(a)隨機選取初始神經元(即原始向量);(b)依據輸入之像素,逐一找出距離該像素最近的神經元作為優勝神經元;(c)在神經元網路中,調整該優勝神經元鄰近區域的神經元;(d)若所有像素尚未與神經元網路完成訓練,則重新進行(c);(e)更新鄰近半徑與學習率;及(f)若迭代尚未完成其目標,則重新進行(b),否則,則結束演算法。惟,上述類神經網路需要經過大量的運算,且當該原始向量或神經元數量越多時,所需運算時間越長,因此,需要耗費大量時間成本進行運算,造成運算效率低落。
此外,習知LasySOM(Image Compression Using an Enhanced Self-Organizing Map)演算法,係由TSAI Cheng-Fa及LIN Yu-Jiun等人於2009年提出,將SOM演算法進行改良,以便縮短訓練時間,其步驟包含:(a)將一原始輸入影像分割成數個原始區塊,再將各該原始區塊轉換為原始向量;(b)以分割式分群演算法對該數個原始向量進行分群,以獲得數個形心點;(c)由該些形心點中選擇數個作為第一層神經元,並以所有的形心點作為樣本,透過自組織映射圖(SOM)演算法訓練該數個第一層神經元;(d)將該些原始向量分群至最接近之第一層神經元
,以獲得數個群集;(e)依失真度比例分配各群集中第二層神經元之數量,並根據分配結果於各群集中選擇數個原始向量作為該第二層神經元;及(f)以各群集之原始向量做為樣本,並以自組織映射圖演算法分別對各群集內之第二層神經元進行訓練,以獲得數個最終神經元,並將該些最終神經元所分別對應之向量共同儲存於一編碼簿內。惟,習知LasySOM之運算時間成本及運算效率仍有改善空間。
綜上所述,習知影像壓縮方法雖可達成「壓縮影像」之目的,惟仍有「運算時間長」、「所需參數多」及「壓縮品質差」等疑慮,在實際使用時更衍生不同限制與缺點,確有不便之處,亟需進一步改良,以提升其實用性。
本發明的目的乃改良上述之缺點,以提供一種影像壓縮方法,僅需得知欲壓縮的色簿大小,即可快速而有效地壓縮影像。
本發明影像壓縮方法,係藉由一電腦系統對一原始影像進行影像壓縮作業,該方法包含:一設定步驟,讀取上述原始影像、一分割參數及一碼簿參數,並統計該原始影像所包含的影像色階數量;一切割步驟,依據上述分割參數將一色階範圍切割成數個區塊,將上述原始影像所包含的影像色階分配至該數個區塊,計算各影像色階所屬區塊的代表色;一分類步驟,將上述色階範圍之各色分量範圍均分而形成八色階區域,統計各色階區域內的代表色數量
,用以計算各色階區域之權重值,依據該碼簿參數及各權重值分配各色階區域的編碼數量;及一分群步驟,於各色階區域中依據分配到的編碼數量定義相同數量的群集,於各色階區域之各群集中任選一代表色作為一群心點,計算同一色階區域中的各代表色與各群心點之間的距離,據以將最接近同一群心點的代表色歸屬於同一群集,直到所有代表色皆有所屬群集後,以各群心點組成一碼簿,用以代表各群集的代表色。
其中,在上述分群步驟之後另進行一調整步驟,以進行一迭代過程,重新設定各群集的群心點,在各群集中計算同一群集的所有代表色與群心點之間的失真度,若同一群集的失真度之間的差值大於或等於一門檻值,則重新進行該迭代過程,直到同一群集的失真度之間的差值小於該門檻值為止,再以各群心點組成上述碼簿。
其中,上述切割步驟中,待將上述原始影像所包含的影像色階分配至其所屬區塊後,將各區塊賦予一區塊編號,該區塊編號的計算方式如下式所示:n=([r/h]×216)+([g/h]×28)+[b/h],其中,n為區塊編號,r、g、b為任一影像色階的紅、綠、藍色分量,h為該分割參數,[r/h]為r除以h的整數值,[g/h]為g除以h的整數值,[b/h]為b除以h的整數值。
其中,上述八色階區域的{紅,綠,藍}色分量範圍分別為{0~127,0~127,0~127}、{0~127,0~127,128~255}、{0~127,128~255,0~127}、{0~127,128~255,128~255}、{128~255,0~127,0~127}、{128~255,0~127,128~255}、
{128~255,128~255,0~127}及{128~255,128~255,128~255}。
其中,上述失真度的計算方式如下式所示:
其中,D(t+1)為失真度,t為迭代次數,Xi為代表色,Cj為Xi所屬群組之群心點,I為Xi所屬群組之代表色數量。
其中,上述門檻值為0.1。
其中,上述分類步驟中,各色階區域之權重值為各色階區域的區塊數量佔上述原始影像所包含區塊數量之比例值,各色階區域的編碼數量為各色階區域之權重值與該碼簿參數的乘積。
其中,各色階區域的編碼數量具有一整數部分及一小數部分,倘若各編碼數量之整數部分的總和小於該碼簿參數,則可先計算該總和與該碼簿參數之差值,待將未包含任一代表色的色階區域排除後,依各編碼數量之小數部分對該含有代表色的色階區域進行排序,以排序結果之大小順序逐一遞增該色階區域之編碼數量的整數部分,直到該編碼數量之整數部分的總和滿足該碼簿參數為止。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂,下文特舉本發明之較佳實施例,並配合所附圖式,作詳細說明如下:本發明全文所述之「像素」(pixels),係指一影像(image)組成的最小單位,用以表示該影像之解析度
(resolution),例如:若該影像之解析度為1024×768,則代表該影像共有786432〔即1024×768〕個像素,係本發明所屬技術領域中具有通常知識者可以理解。
本發明全文所述之「色階」(color level),係指該像素所顯現顏色分量或亮度的濃淡程度,例如:彩色(color)影像之紅(R)、綠(G)、藍色(B)色分量的數值範圍(range)通常為0~255〔即8-bits〕,共16777216個色階(即256×256×256),係本發明所屬技術領域中具有通常知識者可以理解。
本發明全文所述之「分割參數」,係指該像素之色階範圍在分割成區塊(cubic block)時,該區塊在紅、綠、藍色分量的大小,例如:彩色影像之紅、綠、藍色色分量的數值範圍為[0~255,0~255,0~255],若該分割參數為2,則該彩色影像共可分為2097152〔即(256×256×256)÷(2×2×2)〕個區塊,每個區塊的大小為2×2×2,係本發明所屬技術領域中具有通常知識者可以理解。
請參閱第1圖所示,其係本發明影像壓縮方法較佳實施例之系統架構圖。其中,藉由一電腦系統1連接一儲存媒體2(例如:習知影像資料庫或儲存裝置等)作為執行架構,該儲存媒體2中係存有一原始影像(original image)A,例如:單一(single)或連續(continued)影像等,其中該原始影像A為彩色影像,該原始影像A包含數個像素P,各像素P具有三色分量,例如:紅、綠、藍色分量,各色分量可表示的數值範圍為0~255。藉由該電腦系統1執行本發明影像壓縮方法較佳實施例所揭示的運作流程,
可對該原始影像A進行影像壓縮作業(image compression operation),以便降低該影像所包含的資料量。在此實施例中,該原始影像係以單一彩色影像作為實施態樣進行後續說明,惟不以此為限。
請參閱第2圖所示,其係本發明影像壓縮方法較佳實施例之運作流程圖。請一併參閱第1圖所示,其中,該影像壓縮方法係藉由該電腦系統1對上述原始影像A進行影像壓縮作業,該方法包含一設定步驟S1、一切割步驟S2、一分類步驟S3及一分群步驟S4,分別敘述如後。
上述設定步驟S1,係讀取上述原始影像、一分割參數及一碼簿參數,並統計該原始影像所包含的影像色階數量。詳言之,當該電腦系統1進行該設定步驟S1時,可由人工輸入該原始影像A、分割參數及碼簿參數,或由該電腦系統1依據數個預設值自行設定,以便設定該原始影像進行影像壓縮時的區塊大小,其中,該碼簿參數表示一碼簿(codebook)之大小值,例如:2的冪次,即2n。另,由於該原始影像的紅、綠、藍色分量係以數個位元(bits)表示,例如:以8位元表示各色分量介於0至255,因此,該分割參數應小於該色分量之最大值且大於1,較佳為2的冪次(即2n),使該區塊範圍可涵括的影像色階數量可為整數(即2n)個。在此實施例中,該分割參數係以2作為實施態樣,以便將區塊大小設為2×2×2。接著,該電腦系統1可統計該原始影像所包含的影像色階數量,亦即統計該原始影像所含括的顏色數量,以影像壓縮常用的24位元彩色測試影像”Peppers”為例(如第3圖所示),經過該電腦
系統1進行統計後,該彩色測試影像”Peppers”共包含183525個不重複的影像色階(如第4圖所示)。當該設定步驟S1完成後,進行上述切割步驟S2。
上述切割步驟S2,係依據上述分割參數將一色階範圍切割成數個區塊,將上述原始影像所包含的影像色階分配至該數個區塊,計算各影像色階所屬區塊的代表色。詳言之,如第4圖所示,由於24位元彩色影像可表示之色階範圍F共包含256×256×256個影像色階L(即紅色分量範圍×綠色分量範圍×藍色分量範圍),倘若該分割參數設為2,則區塊大小為2×2×2,因此,該電腦系統1可將該色階範圍F分為2097152〔即(256×256×256)÷(2×2×2)〕個區塊D,每個區塊D可用以表示8個影像色階。
接著,該電腦系統1可將上述原始影像A所包含的影像色階L(例如:183525個影像色階)分配至其所屬區塊D,並將各區塊D賦予一區塊編號。其中,該區塊編號的計算方式如下式(1)所示:n=([r/h]×216)+([g/h]×28)+[b/h] (1)其中,n為區塊編號,r、g、b為任一影像色階L的紅、綠、藍色分量,h為該分割參數,[r/h]為r除以h的整數值,[g/h]為g除以h的整數值,[b/h]為b除以h的整數值。舉例而言,如第3圖所示,其中,影像色階L1的{紅,綠,藍}色分量為{20,255,28},如第4圖所示,若該分割參數設為2,則上述區塊編號n=([20/2]×216)+([255/2]×28)+[28/2]=687886。其中,如第5圖所示,各區塊D可涵括數個影像色階L,且各區塊範圍可採用該代表色K(例如:代表色
之數值等)代表其所涵括的數個影像色階,以便達成影像壓縮之目的,因此,該電腦系統1可在有分配到該影像色階的區塊D中計算其代表色。
舉例而言,如表二所示,倘若編號為685412的區塊中具有八個影像色階,則該區塊之代表色的紅、綠、藍色分量可選為該八個影像色階的紅、綠、藍色分量的平均值。當該切割步驟S2完成後,進行上述分類步驟S3。
上述分類步驟S3,係將上述色階範圍之各色分量範圍均分而形成八色階區域,統計各色階區域內的代表色數量,用以計算各色階區域之權重值,依據該碼簿參數及各權重值分配各色階區域的編碼數量。詳言之,如第6圖所示,該電腦系統1可將上述色階範圍F之紅、綠、藍色分
量範圍均分為二,而形成該八色階區域(district)E1~E8,該八色階區域E1~E8的紅、綠、藍色分量範圍及其涵括的色系詳如表三所示:
接著,該電腦系統1可統計各色階區域E1~E8內的區塊數量,例如:若編號為685412之區塊D的代表色為{126.125,123.5,221.125},則該區塊D屬於該色階區域E2(即藍色系),使得該色階區域E2的區塊數量遞增1,依此類推,可分別統計各色階區域E1~E8內的區塊數量。
接著,該電腦系統1可由各色階區域E1~E8的區塊數量與上述原始影像A所包含的區塊數量計算一比例值作為各色階區域E1~E8之權重值,以便將依據各色階區域E1~E8之權重值高低分配各色階區域E1~E8的編碼數量,其中,各色階區域E1~E8的編碼數量與該權重值佔該碼簿參數的比例有關,例如:各色階區域E1~E8的編碼數量為
各色階區域E1~E8之權重值與該碼簿參數的乘積。
舉例而言,倘若該碼簿參數為2048,則各色階區域E1~E8內的代表色數量、權重值及編碼數量如下表四所示:
在上示表四中,各色階區域E1~E8的編碼數量具有一整數部分及一小數部分,倘若各編碼數量之整數部分的總和(即2044)小於該碼簿參數(即2048),則可先計算該總和與該碼簿參數之差值(即2048-2044=4),待將未包含任一代表色的色階區域排除後,依各編碼數量之小數部份對該含有代表色的色階區域E1~E8進行排序,例如:採用選擇(Selection)、插入(Insertion)或泡沫(Bubble)等排序法,得到排序結果為E1>E4>E6>E2>E7>E3>E8>E5),接
著,以排序結果之大小順序逐一遞增該色階區域E1~E8的編碼數量,直到該編碼數量之總和滿足該碼簿參數為止,例如:將該色階區域E1、E4、E6及E2的編碼數量分別遞增1,使該色階區域E1、E4、E6及E2的編碼數量變成412、5、5及4,其中,倘若該編碼數量之總和與碼簿參數之差值大於該含有代表色的色階區域E1~E8的總和(即為8),則可將該色階區域E1~E8的編碼數量分別遞增1之後,再依據該編碼數量的排序結果逐一遞增各含有代表色的色階區域E1~E8的編碼數量,直到各編碼數量之總和滿足該碼簿參數為止。當該分類步驟S3完成後,進行上述分群步驟S4。
上述分群步驟S4,係於各色階區域中依據分配到的編碼數量定義相同數量的群集,於各色階區域之各群集中任選一代表色作為一群心點,計算同一色階區域中的各代表色與各群心點之間的距離,據以將最接近同一群心點的代表色歸屬於同一群集,直到所有代表色皆有所屬群集後,以各群心點組成上述碼簿,用以代表各群集的代表色。詳言之,該電腦系統1可於各色階區域中依據分配到的編碼數量定義相同數量的群集(cluster),例如:該色階區域E4(即青綠色系)共有206個代表色,且分配到的編碼數量為5,因此,定義該色階區域E4具有5個群集(如第7圖所示);接著,如第7圖所示,於各色階區域(例如:E4)之各群集中任選一代表色K作為一群心點(例如:C1~C5);接著,計算同一色階區域(例如:E4)中的各代表色K與各群心點(例如:C1~C5)之間的距離,例如:
採用歐幾里得距離公式〔即距離d=((r1-r2)2+(g1-g2)2+(b1-b2)2)1/2〕,其中{r1,g1,b1}及{r2,g2,b2}分別為該代表色及群心點的紅、綠、藍色分量;接著,依據該距離將最接近(如第7圖所示之dmin)同一群心點的代表色歸屬於同一群集(如第8圖所示),直到所有代表色皆有所屬群集後,以各群心點組成該碼簿,用以依據各群心點分別代表各群集中的所有代表色。
此外,由於各群集之群心點係採用任選一代表色,可能導致該群心點與其群集中的代表色誤差過大,而使壓縮影像的失真率過高,為了降低壓縮影像的失真率,請再參閱第2圖所示,本發明影像壓縮方法較佳實施例在進行上述分群步驟S4之後,還可以進行一調整步驟S5。
上述調整步驟S5,係進行一迭代過程,重新設定各群集的群心點,在各群集中計算同一群集的所有代表色與群心點之間的失真度,若同一群集的失真度之間的差值大於或等於一門檻值,則重新進行該迭代過程,直到同一群集的失真度之間的差值小於該門檻值為止,再以各群心點組成上述碼簿。詳言之,該電腦系統1可進行該迭代過程(iteration),首先,重新設定各群集的群心點,例如:該色階區域E4(即青綠色系)共有206個代表色,原群心點的紅、綠、藍色分量為{200,100,255},該206個代表色的紅、綠、藍色分量分別為{250,100,250}、{210,100,190}、...、{250,130,180},新群心點的紅、綠、藍色分量可採用該206個代表色的紅、綠、藍色分量進行平均計算,即該新群心點的紅、綠、藍色分量為
{(250+210+...+250)/206,(100+100+...+130)/206,(250+190+180)/206}={220,120,200},依此類推,可取得各群集的新群心點(如第9圖所示之C1’~C5’);接著,在各群集中計算同一群集的所有代表色與群心點之間的失真度,該失真度的計算方式如下式(2)所示:
其中,D(t+1)為失真度,t為迭代次數,Xi為代表色,Cj為Xi所屬群組之群心點,I為Xi所屬群組之代表色數量;反覆進行該迭代過程,直到同一群集的失真度與上一失真度的差值小於一門檻值ε,結束該迭代過程,並以各群心點組成上述碼簿。其中,該門檻值之範圍為0.05≦ε≦0.15,該門檻值ε較佳為0.1,該差值之計算方式係如下式(3)所示:
為驗證本發明影像壓縮方法較佳實施例具有快速而有效地壓縮影像等優點,在此針對上述24位元彩色測試影像”Peppers”進行影像壓縮作業,其中該彩色測試影像”Peppers”的影像解析度為512×512;該分割參數為2;該碼簿參數分別為256、512、1024及2048。而且,本發明影像壓縮方法較佳實施例分別採用上述步驟S1至S4進行壓縮,以及,採用上述步驟S1至S5進行壓縮,並與習知LBG、SOM及LazySOM影像壓縮方法進行壓縮,並以峰值訊雜比(PSNR)及壓縮時間(compression time)進行比較。
再者,本次實驗模擬所使用之設備包含CPU〔AMD Athlon(tm)II×3 435 Processor 2.90 GHz〕、記憶體〔4.00GB〕,並以Windows7作業系統、Java程式語言及NetBeans IDE 6.9.1作為本發明影像壓縮方法較佳實施例的實作工具。
請參照表五所示,其係習知影像壓縮方法與本發明影像壓縮方法較佳實施例所進行影像壓縮實驗的模擬結果。
請再參照表五所示,相較習知影像壓縮方法與本發明影像壓縮方法較佳實施例之模擬結果可得知,在峰值訊雜比的評比部分,本發明影像壓縮方法較佳實施例無論是否有進行上述調整步驟S5皆優於習知影像壓縮方法;另,在壓縮時間的評比部分,本發明影像壓縮方法較佳實施例無
論是否有進行該調整步驟S5皆可大幅降低壓縮時間成本;又,本發明影像壓縮方法較佳實施例在進行該調整步驟S5之後,確實可以降低影像的失真度(峰值雜訊比提高)。因此,本發明影像壓縮方法較佳實施例確實具有影像還原品質佳及壓縮速度快等功效。
藉由前揭之技術手段,本發明影像壓縮方法較佳實施例的主要特點列舉如下:首先,進行上述設定步驟S1,讀取上述原始影像、分割參數及碼簿參數,並統計該原始影像所包含的影像色階數量;接著,進行上述切割步驟S2,依據上述分割參數將上述色階範圍切割成數個區塊,將上述原始影像所包含的影像色階分配至該數個區塊,計算各影像色階所屬區塊的代表色;接著,進行上述分類步驟S3,將上述色階範圍之各色分量範圍均分而形成八色階區域,統計各色階區域內的代表色數量,用以計算各色階區域之權重值,依據該碼簿參數及各權重值分配各色階區域的編碼數量;之後,進行上述分群步驟S4,於各色階區域中依據分配到的編碼數量定義相同數量的群集,於各色階區域之各群集中任選一代表色作為該群心點,計算同一色階區域中的各代表色與各群心點之間的距離,據以將最接近同一群心點的代表色歸屬於同一群集,直到所有代表色皆有所屬群集後,以各群心點組成上述碼簿,用以代表各群集的代表色。之後,還可以進行上述調整步驟S5,以進行上述迭代過程,重新設定各群集的群心點,在各群集中計算同一群集的所有代表色與群心點之間的失真度,直到同一群集的失真度之間的差值小於上述門檻值,結束該迭
代過程,並以各群心點組成上述碼簿。
本發明影像壓縮方法較佳實施例,僅需設定該分割參數及碼簿參數,即可快速而有效地壓縮影像,因此,可以提高影像還原品質及壓縮效率,進而達到「提升影像儲存及傳輸效率」及「避免造成嚴重的失真現象」等功效。
雖然本發明已利用上述較佳實施例揭示,然其並非用以限定本發明,任何熟習此技藝者在不脫離本發明之精神和範圍之內,相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
〔本發明〕
1‧‧‧電腦系統
2‧‧‧儲存媒體
A‧‧‧原始影像
C1~C5‧‧‧群心點
C1’~C5’‧‧‧群心點
D‧‧‧區塊
E1~E8‧‧‧色階區域
F‧‧‧色階範圍
K‧‧‧代表色
L,L1‧‧‧影像色階
P‧‧‧像素
S1‧‧‧設定步驟
S2‧‧‧切割步驟
S3‧‧‧分類步驟
S4‧‧‧分群步驟
S5‧‧‧調整步驟
dmin‧‧‧最短距離
第1圖:本發明影像壓縮方法較佳實施例之系統架構圖。
第2圖:本發明影像壓縮方法較佳實施例之運作流程圖。
第3圖:本發明影像壓縮方法較佳實施例之壓縮測試影像。
第4圖:第3圖之影像色階統計圖。
第5圖:本發明影像壓縮方法較佳實施例之區塊示意圖。
第6圖:本發明影像壓縮方法較佳實施例之色階區域示意圖。
第7圖:本發明影像壓縮方法較佳實施例之群心點示意
圖。
第8圖:本發明影像壓縮方法較佳實施例之群集示意圖。
第9圖:本發明影像壓縮方法較佳實施例之新群心點示意圖。
S1‧‧‧設定步驟
S2‧‧‧切割步驟
S3‧‧‧分類步驟
S4‧‧‧分群步驟
S5‧‧‧調整步驟
Claims (8)
- 一種影像壓縮方法,係藉由一電腦系統對一原始影像進行影像壓縮作業,該方法包含:一設定步驟,讀取上述原始影像、一分割參數及一碼簿參數,並統計該原始影像所包含的影像色階數量;一切割步驟,依據上述分割參數將一色階範圍切割成數個區塊,將上述原始影像所包含的影像色階分配至該數個區塊,計算各影像色階所屬區塊的代表色;一分類步驟,將上述色階範圍之各色分量範圍均分而形成八色階區域,統計各色階區域內的代表色數量,用以計算各色階區域之權重值,依據該碼簿參數及各權重值分配各色階區域的編碼數量;及一分群步驟,於各色階區域中依據分配到的編碼數量定義相同數量的群集,於各色階區域之各群集中任選一代表色作為一群心點,計算同一色階區域中的各代表色與各群心點之間的距離,據以將最接近同一群心點的代表色歸屬於同一群集,直到所有代表色皆有所屬群集後,以各群心點組成一碼簿,用以代表各群集的代表色。
- 如申請專利範圍第1項所述之影像壓縮方法,在上述分群步驟之後另進行一調整步驟,以進行一迭代過程,重新設定各群集的群心點,在各群集中計算同一群集的所有代表色與群心點之間的失真度,若同一群集的失真度之間的差值大於或等於一門檻值,則重新進行該迭代過程,直到同一群集的失真度之間的差值小於該門檻值為 止,再以各群心點組成上述碼簿。
- 如申請專利範圍第1或2項所述之影像壓縮方法,其中上述切割步驟中,待將上述原始影像所包含的影像色階分配至其所屬區塊後,將各區塊賦予一區塊編號,該區塊編號的計算方式如下式所示:n=([r/h]×216)+([g/h]×28)+[b/h],其中,n為區塊編號,r、g、b為任一影像色階的紅、綠、藍色分量,h為該分割參數,[r/h]為r除以h的整數值,[g/h]為g除以h的整數值,[b/h]為b除以h的整數值。
- 如申請專利範圍第1或2項所述之影像壓縮方法,其中上述八色階區域的{紅,綠,藍}色分量範圍分別為{0~127,0~127,0~127}、{0~127,0~127,128~255}、{0~127,128~255,0~127}、{0~127,128~255,128~255}、{128~255,0~127,0~127}、{128~255,0~127,128~255}、{128~255,128~255,0~127}及{128~255,128~255,128~255}。
- 如申請專利範圍第2項所述之影像壓縮方法,其中上述失真度的計算方式如下式所示:
- 如申請專利範圍第2項所述之影像壓縮方法,其中上述 門檻值為0.1。
- 如申請專利範圍第1項所述之影像壓縮方法,其中上述分類步驟中,各色階區域之權重值為各色階區域的區塊數量佔上述原始影像所包含區塊數量之比例值,各色階區域的編碼數量為各色階區域之權重值與該碼簿參數的乘積。
- 如申請專利範圍第7項所述之影像壓縮方法,其中各色階區域的編碼數量具有一整數部分及一小數部分,倘若各編碼數量之整數部分的總和小於該碼簿參數,則可先計算該總和與該碼簿參數之差值,待將未包含任一代表色的色階區域排除後,依各編碼數量之小數部分對該含有代表色的色階區域進行排序,以排序結果之大小順序逐一遞增該色階區域之編碼數量的整數部分,直到該編碼數量之整數部分的總和滿足該碼簿參數為止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101149391A TW201427425A (zh) | 2012-12-22 | 2012-12-22 | 影像壓縮方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101149391A TW201427425A (zh) | 2012-12-22 | 2012-12-22 | 影像壓縮方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201427425A true TW201427425A (zh) | 2014-07-01 |
Family
ID=51725819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101149391A TW201427425A (zh) | 2012-12-22 | 2012-12-22 | 影像壓縮方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW201427425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI700647B (zh) * | 2018-09-11 | 2020-08-01 | 國立清華大學 | 電子裝置及類神經網路的壓縮方法 |
-
2012
- 2012-12-22 TW TW101149391A patent/TW201427425A/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI700647B (zh) * | 2018-09-11 | 2020-08-01 | 國立清華大學 | 電子裝置及類神經網路的壓縮方法 |
US11270207B2 (en) | 2018-09-11 | 2022-03-08 | National Tsing Hua University | Electronic apparatus and compression method for artificial neural network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6438268B1 (en) | Vector quantization codebook generation method | |
RU2567988C2 (ru) | Кодер, способ кодирования данных, декодер, способ декодирования данных, система передачи данных, способ передачи данных и программный продукт | |
EP2131594B1 (en) | Method and device for image compression | |
JP2014053654A (ja) | 画像符号化装置、及び画像符号化方法 | |
TWI385592B (zh) | 編碼簿產生方法 | |
CN105719322A (zh) | 一种基于自乘矩阵变换的多光谱图像压缩方法 | |
US20160316204A1 (en) | Method and system for image compression using image block characteristics | |
US20030081852A1 (en) | Encoding method and arrangement | |
US6807312B2 (en) | Robust codebooks for vector quantization | |
WO2023246700A1 (zh) | 一种点云属性编码方法、点云属性解码方法及存储介质 | |
Begum et al. | An efficient algorithm for codebook design in transform vector quantization | |
JP2017158183A (ja) | 画像処理装置 | |
Nasrabadi et al. | A multilayer address vector quantization technique | |
TW201427425A (zh) | 影像壓縮方法 | |
TWI376960B (en) | Codebook generating method for image compression | |
WO2023118317A1 (en) | Method and data processing system for lossy image or video encoding, transmission and decoding | |
JP2017530578A (ja) | 画像のタイプに応じて圧縮アルゴリズムを選択する方法 | |
Agrawal | Finite-State Vector Quantization Techniques for Image Compression | |
TWI478540B (zh) | 影像壓縮方法 | |
CN115396670B (zh) | 一种局域处理的图像数据压缩方法 | |
Guarda et al. | Deep Learning-Based Point Cloud Coding and Super-Resolution: a Joint Geometry and Color Approach | |
Hu et al. | Color image coding based on block truncation coding using quadtree segmentation | |
CN111741307B (zh) | 基于矢量量化压缩和线性回归预测的图像压缩方法 | |
Hashim et al. | Correlated Block Quad-Tree Segmented and DCT based Scheme for Color Image Compression | |
TWI492615B (zh) | 改良向量量化編碼還原影像品質與快速編碼簿訓練方法、壓縮方法、解壓縮方法及其程式產品 |