基于改进图像块分类算法的图像压缩方法

本文提出了一种基于BP神经网络和改进的图像块分类算法的有效图像压缩方法.首先采用改进的图像块分类算法将图像块划分为互不重叠的3大类图像块,即平滑块、目标块、边缘块;然后基于BP神经网络对平滑块和目标块选用合适的隐含层单元数量进行压缩,对边缘块则采取不压缩而直接保存到压缩数据的方法,最后,得到上述3类图像块压缩数据集的集...     

一种基于小波子带熵的遥感图像压缩算法

提出了一种使用小波子带熵进行比特分配的遥感图像压缩算法.对遥感图像进行小波提升分解后,分析了各高频子带能量百分比及其熵的变化趋势,在此基础上提出了一种新的快速比特分配方法-使用子带熵进行比特分配.然后对各个高频子带进行均匀量化,量化后的数据采用比特平面编码.对最高比特平面只记录该比特平面中非零系数的坐标,其它比特平面采用行程编码和Huffman编码方法进行压缩.实验结果表明,纹理复杂以及相对平坦的遥感图像使用该算法压缩后都可以获得很好的重构图像质量,峰值信噪比均大于34dB,而压缩比则与图像的复杂程度有关.     

基于生成对抗网络的压缩感知图像重构方法

目的为了解决传统压缩感知图像重构方法存在的重构时间长、重构图像质量不高等问题,提出一种基于生成对抗网络的压缩感知图像重构方法。方法基于生成对抗网络思想设计一种由具有稀疏采样功能的鉴别器和具有图像重构功能的生成器组成的深度学习网络模型,利用对抗损失和重构损失2个部分组成的新的损失函数对网络参数进行优化,完成图像压缩重构过程。结果实验表明,文中方法在12.5%的低采样率下重构时间为0.009s,相较于常用的OMP算法、CoSaMP算法、SP算法和IRLS算法,其峰值信噪比(PSNR)提高了10～12 dB。结论文中设计的方法应用于图像重构时重构时间短,在低采样率下仍能获得高质量的重构效果。     

小波变换和傅里叶变换在图像压缩中的比较

介绍基于小波变换和基于傅里叶变换的图像压缩方法,并且将基于两种变换的图像压缩方法进行比较,实验表明基于小波变换的图像压缩方法能在高压缩比的前提下保持良好的重建图像质量,在压缩比相同的条件下,小波变换相对于傅立叶变换有明显的图像改善效果和抗"分块效应"能力。     

用于光学小波变换的图像压缩方法

小波图像压缩数据量大,实现需时较长.本文将光学小波变换技术应用于图像数据压缩,分析光学小波变换系统和光学小波变换系数特点,对相关量化编码方案进行仿真实验,提出适用于光学系统的压缩方案,并实现光学小波变换的有损压缩.通过分析光学系统对量化编码噪声的容许程度,提出光学系统的近无损压缩方法.实验结果表明,近无损压缩重建图像与经光学小波变换直接重建图像相比,PSNR仅有0.1dB的差异,视觉上没有明显差异.     

数据压缩算法的比较研究

图像压缩技术对于数字图像信息在网络上实现快速传输和实时处理具有重要的意义。介绍了当前几种重要的图像压缩算法：JPEG2000和JPEG图像压缩方法,主要研究了离散余弦变换压缩和小波变换压缩,对两种压缩的前后数据进行了对比,并分析了离散余弦变换压缩和小波变换压缩之间的差异。     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

JPEG基线算法对BP神经网络图像压缩处理的影响

根据BP神经网络图像压缩处理中,存在对图像信息高低频部分处理质量不同和边缘效应等问题,提出了采用JPEG基线算法于BP神经网络图像压缩处理结构中,建立了该系统。并采用灰阶Lena图像进行实验,通过实验分析发现,采用这种新的结构来处理图像,不仅可以得到较大的压缩比,而且具有较好的峰值信噪比。实验结果证明这种具有自适应性的图像处理方法,不仅可行,而且能高效、稳定地重建图像。     

采用小波与神经网络的高效图像数据压缩方案

通过构造特别的映射、整函数和BP神经网络,获得一套基于神经网络的无损数据压缩方案。由于该方案能压缩已被小波编码压缩过的数据,因此将其嵌套入一好的小波编码系统就可以获得一种基于小波与神经网络的高效图像数据压缩方案。实验证明,该高效方案对于Lenna图像的压缩比为43∶1, 并且恢复的图像有较好的视觉效果。     

提升方案结合改进SPIHT的快速图像压缩方法

针对传统小波变换过程复杂的缺点和 SPIHT 算法编码过程重复运算、存储量大的问题,提出了基于提升方案快速 SPIHT 的压缩方法。该方法采用提升方案弥补传统小波变换的不足,提高了图像的重构质量和小波变换速度,并引入“最小阈值”、“最小输出位”和“最大值表”的思想对SPIHT 算法加以改进,降低了编解码过程的运算复杂度和时间消耗。实验证明,该算法较传统方法编解码速度提高了2.5倍,重构图像的峰值信噪比亦有所提高,是一种有效的快速图像压缩方法。     

图像压缩编码方法综述

本文对图像压缩的几种经典压缩编码方法进行了汇总和分析。介绍了他们的压缩原理和特点，然后对新一代的编码方法，包括小波变换编码、分形编码和神经网络编码，进行了简要的介绍。指出了各自的优缺点，并对图像压缩编码方法的发展方向进行了展望。     

基于拉普拉斯金字塔的图像压缩与重构研究

目的研究利用深度学习辅以拉普拉斯金字塔来完成图像压缩与重构。方法利用卷积神经网络提取图像的主要特征,利用双三线性插值法来减少特征尺寸,使用拉普拉斯金字塔来构建分层体系,从而逐步地减少图像大小以达到压缩的目的。在重构端上,对此系统则进行卷积操作,并采用上采样过程,进行图像的恢复重构过程,得到重构图。结果采用来自法国贝尔实验室的set 5与set 14数据集进行验证,使用2层金字塔即在16倍的高倍率压缩下进行实验结果验证,结果表明在主观评价上使用深度学习的方法在清晰度和还原度上要优于PCA,DCT和SVD,同时在客观评价上文中方法取得了标准差(52.73)与信息熵(7.44)的最好结果,高于PCA的49.70与7.38。SVD变换法与DCT变换法,在标准差上只有48.69和49.02,远不如文中方法,同时图片的信息熵只有7.34与7.35,低于文中的7.44。结论利用拉普拉斯金字塔结构来设计卷积神经网络结构来完成图像压缩与重构取得了不错的效果。     

基于权重的鲁棒性PCA压缩方法

为了降低具有噪声的多光谱图像在降维重建后的光谱信息和颜色信息的损失,提出一种基于权重的鲁棒性PCA压缩方法(WRPCA)。先依据人眼的视觉特征,用人类视觉敏感函数(CIE1931标准观察者的色匹配函数)对多光谱图像的光谱进行加权,然后再对加权后的光谱使用Robust PCA法进行降维,最后重构得到图像。实验中WRPCA法与WSPCA法是在同样条件下进行测试。分析实验数据可以看出,WSPCA法由于受噪声影响,其图像压缩重构效果不好,但是WRPCA法不受噪声影响,其重建图像的光谱精度和色度精度都优于WSPCA法。     

基于Julia集的非线性分形图像的快速压缩方法

传统的分形图像压缩方法是基于图像局部之间的自相似进行编码。提出一种快速的Julia分形压缩方法:首先利用对称性快速生成4×4的Julia图像块,其次利用传统的数据图像匹配算法对原始图像进行压缩,最后,和论文[1]所用的方法相比,可以节省60%的时间,而压缩效果和重建图像质量也十分接近。     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

油气管道缺陷漏磁图像的小波压缩技术研究

针对漏磁信号的特点,提出了基于小波分析的缺陷漏磁图像压缩方案。该方案通过调整正交函数零极点位置来设计小波基函数,利用该函数对图像作小波变换,对获得的各级小波系数用更新的JPEG图像压缩表阈值量化,再用算术编码方案处理量化结果,从而得到压缩的图像。试验结果表明,当压缩比小于30%时,图像压缩引起的失真不会对缺陷分析产生影响。     

基于小波分析的结构损伤检测

损伤结构的动力特性具有局部时变的特征，小波变换在时域和频域都具有表征信号局部特征的能力，小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节，因此可以对损伤结构的非线性动力特性能进行有效的分析。提出运用小波分析提取结构损伤特征向量的方法和基本原理，并进一步用神经网络进行损伤位置和程度的检测。文章通过一个两层框架的模型对小波神经网络和传统的BP网络的损伤识别精度作了对比。研究表明，小波神经网络的抗噪声能力较强，损伤识别的效果更好，运用小波神经网络进行结构损伤识别精度要优于传统的BP网络。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于图像熵的分形和改进SPIHT混合编码的遥感影像压缩算法

为了进一步提高遥感影像的编解码效率和重构影像的质量,对分形编码和SPIHT算法进行优化组合,提出一种基于图像熵的分形与改进的SPIHT算法相结合的图像压缩方法。对小波分解后的低频子带进行基于图像熵的快速分形编码,以减少编解码时间;对包含图像细节边缘信息的高频子带进行改进的SPIHT编码,通过二次小波分解和设置阈值,以减少算法的复杂度,提高重构图像的峰值信噪比。实验表明该算法具有很好的有效性和可行性。