低熵图像序列无损压缩

大规模的云渲染技术带来了大量的三维图形渲染数据。为了减小集群渲染产生的图像序列数据的传输以及存储代价,针对渲染图像序列低熵的特点,基于字典编码技术提出了降低数据局部复杂性的无损数据压缩方案。该方案通过数据重排技术来大大提高数据的局部冗余度,从而提高数据无损压缩效率。为了进一步解决大规模图像序列的压缩耗时问题,提出了一种云计算平台上的分布式图像压缩处理方案,充分利用现有云计算中Map/Reduce计算模型实现了分布式编码方案。实验结果证明,对于渲染产生的大规模低熵图像序列,提出的方案能够有效提高编码率并减少编码时间。     

一种有效的遥感图像无损压缩算法的实现

出于应用要求,常要对遥感图像进行无损压缩存储,但是由于遥感图像自身的特点,其能够达到的无损压缩效率一直较低。本文结合近20年发展起来的技术和算法——IWT、SPIHT,并针对SPIHT用于无损压缩不够理想的状况,提出了SPIHT-INT-RSI算法用于遥感图像的无损压缩中。实验结果表明通过SPIHT-INT-RSI算法获得的无损压缩比高于通过SPIHT、EBCOT算法获得的无损压缩比,接近或超过LOCO-I算法获得的无损压缩比,并且保留了内嵌式编码和支持图像渐进传输的特点。     

基于可逆整数DCT的遥感图像的无损压缩

通过程序设计实现了基于整数DCT的无损压缩算法，适用于遥感图像压缩。该算法对遥感图像进行整数DCT无损变换，用算术编码对变换系数进行了压缩。测试结果证明，相比于现有的基于DCT的无损压缩算法，压缩率有了一定的降低，对于遥感图像的压缩效果要好于普通无损压缩算法，可以在同一个系统中同时实现图像的无损/有损压缩，有一定的实用价值。     

无损自适应分布式算术编码的研究及应用

目前分布式算术编码研究都是基于先验概率已知的有损压缩,为了实现概率自适应的无损压缩,研究了采用结束字符和概率自适应的编码方式来实现编码,提出了无损自适应分布式算术编码。实验结果表明,该算法拥有更好的压缩效果和更低的解码复杂度,并且在实际应用中,编解码可以同时进行。由于无损自适应分布式算术编码具有编码简单、压缩效果好的优点,故将它和比特面编码结合实现超光谱图像压缩,并将仿真结果与3D-SPECK算法比较,结果表明了该方法可以使信噪比提高0.13-0.37dB。     

基于神经网络的几种新的数据压缩方案

本文首先采用非统计的方法给出了基于神经网络的无损数据压缩新方案。基于神经网络的无损数据压缩新方案的特点是无损的、能压缩一些已用熵编码压缩过的数据，且在一些情况下压缩比接近2．58。然后把该新方案嵌入Huffman编码系统，获改进的无损数据压缩方法，提高了Huffmn编码系统的压缩比。最后把基于神经网络的无损数据压缩新方案嵌入一小波图像压缩系统得基于小波与神经网络的图像压缩方案，部分解决了小波图像压缩系统中‘高压缩比’与‘高保真’不能协调统一的矛盾。     

基于双重压缩协议的医学图像压缩方法研究

针对医学图像数据量大、存储和传输对内存和带宽要求高的问题,提出一种基于双重压缩协议的医学图像压缩方法。首先,使用方形网络对图像进行缩小处理;然后,利用数字水印技术在缩小图像的每个像素中,嵌入该像素最佳放大方法的编码;最后,对水印图像利用JPEG-LS无损压缩,得到最终的压缩图像,并进行存储和传输。对磁共振（MR）图像和计算机断层（CT）图像两种医学图像进行实验,实验结果表明,与其他方法相比,所提方法具有明显的优势,在高压缩比的情况下,能够保留良好的图像质量。     

高分辨率航空图像压缩系统设计

针对高分辨率航空图像存储和传输的要求,提出了基于POWERPC、FPGA和ADV212的嵌入式图像压缩存储系统设计方法,实现了大小为4008x5366x12bit图像的有损和无损压缩存储。系统设计目标为每2秒存储一幅无损压缩图像,压缩比为2:1;并在限定传输速率为1.44Mbps的条件下,每8秒向地面传送一幅有损压缩图像。系统设计中使用ADV212完成JPEG2000标准压缩算法,FPGA实现图像数据的接收和分块,POWRE PC实现对ADV212的配置管理及图像文件的存储。实验结果表明,该系统设计能够满足预定高分辨率航空图像的实时压缩与存储要求。     

基于DSP视频处理技术的VDR研究

文章就船用VDR系统中雷达图像处理的特点,提出了结合最新的DM642平台及高压缩比的H.264编码实现VDR中雷达图像的高压缩率和无损压缩,并提出了一些编码器设计的优化方法。该技术较好的解决了VDR系统雷达图像压缩中压缩率和无损率的矛盾。     

基于DSP视频处理技术的VDR研究

文章就船用VDR系统中雷达图像处理的特点,提出了结合最新的DM642平台及高压缩比的H.264编码实现VDR中雷达图像的高压缩率和无损压缩。并提出了一些编码器设计的优化方法。该技术较好的解决了VDR系统雷达图像压缩中压缩率和无损率的矛盾。     

基于EZW的牙颌模型三维数据压缩

针对牙颌模型深度数据的压缩处理问题,阐述了嵌入零树小波(Embedded Zerotree Wavelet,EZW)编码算法的基本原理和算法实现,讨论了基于感兴趣区域的EZW算法及其实现,并在实验室进行了深度数据和三维重构图像的基于感兴趣区域的EZW编码实验.实验表明,EZW编码既能实现图像的有损压缩也可实现图像的无损压缩,并具有很大的压缩比.     

适用于PACS系统的医学图像近无损压缩

为解决海量医学数据与有限存储空间和传输带宽之间的矛盾,提出一种适用于PACS(picture archiving and communication system)系统的医学图像近无损压缩算法。首先对病变区域和背景区域分别进行剪切波变换和小波变换;其次,选取一些能够近似逼近病变区域图像的重要系数达到去噪和初步压缩的目的;然后,对病变区域所选取的重要系数进行无损Huffman编码,同时对背景区域所得小波系数进行量化和多级树集合分裂算法(SPIHT)编码实现压缩;最后,融合各区域经解码和逆变换得到的图像获得整幅重构图像。实验结果表明,新算法在与小波有损压缩方法设置同样压缩比的情况下,所获取的病变区域重构图像和原病变区域的平均结构相似度(MSSIM)提高了6%,峰值信噪比(PSNR)是小波有损压缩方法的2.54倍,而整幅重构图像与原图像的MSSIM提高了2%,PSNR提高了13%。     

基于D^2PCM的数字减影图象序列无损压缩算法

充分利用数字减影（ＤＳＡ）图象序列在时间域上的减影图象之间仍然存在一定的相似性,提出了一种基于二阶差分ＰＣＭ（Ｄ＾２ＰＣＭ）的编码方式。方法在空间坐标与时间坐标上构成了一个二阶差分,能够有效地减少图象在空间以及时间域上的冗余度,从而实现对ＤＳＡ序列的无损压缩,减少了存储空间与传输时间。实际应用证明该处法是稳定和实用的。     

HEVC-based lossless intra coding for efficient still image compression

Latest advancements in capture and display technologies demand better compression techniques for the storage and transmission of still images and video. High efficiency video coding (HEVC) is the latest video compression standard developed by the joint collaborative team on video coding (JCTVC) with this objective. Although the main design goal of HEVC is the compression of high resolution video, its performance in still image compression is at par with state-of-the-art still image compression standards. This work explores the possibility of incorporating the efficient intra prediction techniques employed in HEVC into the compression of high resolution still images. In the lossless coding mode of HEVC, sample- based angular intra prediction (SAP) methods have shown better prediction accuracy compared to the conventional block-based prediction (BP). In this paper, we propose an improved sample-based angular intra prediction (ISAP), which enhances the accuracy of the highly crucial intra prediction within HEVC. The experimental results show that ISAP in lossless compression of still images outclasses archival tools, state-of-the-art image compression standards and other HEVC-based lossless image compression codecs.     

Lossless video coding based on pixel-wise prediction

The state-of-the-art H.264/AVC was designed for lossy video coding in the beginning. Recently, the H.264/AVC FRExt was developed by removing transformation and quantization for lossless coding. In this paper, we propose an efficient intra lossless coding method based on a pixel-wise prediction. The proposed algorithm introduces an additional intra prediction mode that employs the LOCO-I predictor of JPEG LS. We found that the proposed lossless coding algorithm achieved approximately 22.0, 2.6, and 10.7% bit saving in terms of compression ratio, compared to the H.264/AVC FRExt, lossless intra 4:4:4, and Takamura’s lossless coding methods, respectively.     

一种基于动态量化编码的深度神经网络压缩方法

近年来深度神经网络（Deep neural network,DNN）从众多机器学习方法中脱颖而出,引起了广泛的兴趣和关注.然而,在主流的深度神经网络模型中,其参数数以百万计,需要消耗大量的计算和存储资源,难以应用于手机等移动嵌入式设备.为了解决这一问题,本文提出了一种基于动态量化编码（Dynamic quantization coding,DQC）的深度神经网络压缩方法.不同于现有的采用静态量化编码（Static quantitative coding,SQC）的方法,本文提出的方法在模型训练过程中同时对量化码本进行更新,使码本尽可能减小较大权重参数量化引起的误差.通过大量的对比实验表明,本文提出的方法优于现有基于静态编码的模型压缩方法.     

JPEG2000中重要性编码及上下文建模的改进

众所周知,基于上下文建模的算术编码是JPEG2000标准中的关键技术,而对于重要性编码,JPEG2000中采用的上下文模型是码块内的8邻域系数,由于其根据经验将所有上下文分成9类,且所有比特平面都使用这套固定的上下文分类方案。因此针对这种上下文分类方案的不足,对JPEG2000中重要性编码及其上下文建模方式进行了改进,即首先建立比原来的3×3更大的上下文模型;然后提出了一种基于重要上下文的扫描方式;最后基于新的扫描方式根据最小码长的准则进行上下文量化的优化,考虑到不同子扫描之间的统计差异,对不同的扫描子过程使用不同的上下文模型方案。实验结果表明,与JPEG2000的无损压缩相比,新的重要性编码算法的无损压缩结果(平均比特率)较JPEG2000提高了1.312%。     

一个基于算术编码的灰度图象无损压缩算法

本文介绍了一个基于算术编码的灰度图象无损压缩算法，它以JPEGT－LS算法为基础，采用了一系列有利于算术编码的改进措施，获得了满意的压缩效果。     

Space Efficient Quantization for Deep Convolutional Neural Networks

Deep convolutional neural networks (DCNNs) have shown outstanding performance in the fields of computer vision, natural language processing, and complex system analysis. With the improvement of performance with deeper layers, DCNNs incur higher computational complexity and larger storage requirement, making it extremely difficult to deploy DCNNs on resource-limited embedded systems (such as mobile devices or Internet of Things devices). Network quantization efficiently reduces storage space required by DCNNs. However, the performance of DCNNs often drops rapidly as the quantization bit reduces. In this article, we propose a space efficient quantization scheme which uses eight or less bits to represent the original 32-bit weights. We adopt singular value decomposition (SVD) method to decrease the parameter size of fully-connected layers for further compression. Additionally, we propose a weight clipping method based on dynamic boundary to improve the performance when using lower precision. Experimental results demonstrate that our approach can achieve up to approximately 14x compression while preserving almost the same accuracy compared with the full-precision models. The proposed weight clipping method can also significantly improve the performance of DCNNs when lower precision is required.

     

面向“边缘”应用的卷积神经网络量化与压缩方法

针对卷积神经网络（CNN）推理计算所需内存空间和资源过大,限制了其在嵌入式等"边缘"设备上部署的问题,提出结合网络权重裁剪及面向嵌入式硬件平台数据类型的数据量化的神经网络压缩方法。首先,根据卷积神经网络各层权重的分布,采用阈值法对网络精确率影响较小的权重进行裁剪,保留网络中重要连接的同时除去冗余信息;其次,针对嵌入式平台的计算特性分析网络中权重及激活函数所需的数据位宽,采用动态定点量化方法减小权重数据的位宽;最后,对网络进行微调,在保障网络模型识别精度的前提下进一步压缩模型大小并降低计算消耗。实验结果表明,该方法降低了VGG-19网络95.4%的存储空间而精确率仅降低0.3个百分点,几乎实现无损压缩;同时,通过多个网络模型的验证,该方法在平均1.46个百分点精确率变化范围内,最大降低网络模型96.12%的存储空间,能够有效地压缩卷积神经网络。