基于分类非线性预测的高光谱图像无损压缩

高光谱数据的有效压缩成为遥感技术发展中需要迫切解决的问题.提出了一种基于分类非线性预测的高光谱图像无损压缩算法.针对不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组.为提高谱间预测性能,对各组波段进行最优排序.采用自适应波段选择算法对高光谱图像进行降维,并利用k-means算法对降维后波段的谱向矢量进行分类.在参考波段和预测波段中选取具有相同空间位置的上下文结构,在分类结果的基础上,对当前波段进行谱间非线性预测.参考波段采用JPEG-LS标准进行压缩,预测残差进行Golomb-Rice编码.对AVIRIS型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率.     

基于多尺度上下文语义信息的图像场景分类算法

传统视觉词典模型没有考虑图像的多尺度和上下文语义共生关系.本文提出一种基于多尺度上下文语义信息的图像场景分类算法.首先,对图像进行多尺度分解,从多个尺度提取不同粒度的视觉信息;其次利用基于密度的自适应选择算法确定最优概率潜在语义分析模型主题数;然后,结合Markov随机场共同挖掘图像块的上下文语义共生信息,得到图像的多尺度直方图表示;最后结合支持向量机实现场景分类.实验结果表明,本文算法能有效利用图像的多尺度和上下文语义信息,提高视觉单词的语义准确性,从而改善场景分类性能.     

基于方向图分布及中心点信息的指纹分类算法

在深入研究现有指纹分类算法的基础上,提出了一种基于方向图及中心点信息的指纹分类算法.不同于以往利用core点和delta点进行分类,该算法根据指纹图像的中心点位置对方向图进行区域分割,通过各区域方向码之间的计算近似实现方向滤波,由方向滤波值进行分类.指纹图像大致可分为拱型、左箕型、右箕型和漩涡型4种.该算法为匹配算法提供了指纹类型信息,实验结果表明取得了较好的效果.     

小波变换和预测编码结合的抗差错SAR图像无损压缩算法

分析了即将推出的JPEG2000标准算法和基于自适应的上下文预测编码技术，提出了小波变换有损编码加自适应上下文预测无损残差编码的具有抗差能力的SAR图像无损压缩算法。该算法既具有小波变换图像编码的累进传输，对信道具有一定鲁棒性的特点，而且压缩率高于即将推出的国际标准JPEG2000的无损压缩和国际标准算法JPEG—LS。     

基于指纹分类的模式匹配

深入研究了指纹匹配算法.利用指纹分类获得的信息来进行指纹匹配,实现了一种基于中心点和三角点的快速点模式指纹匹配算法,成功地解决了指纹匹配中的图像旋转、平移和形变不变性问题,并具有良好的快速性.该方法以待识和模板指纹图像的中心点为匹配参考点,并根据它们的位置与方向信息来计算旋转和平移参数.然后将待识图像相对于模板图像进行旋转和平移,进而进行点模式匹配.     

基于上下文建模的分类排序小波图像编码算法

该文提出了基于上下文建模的分类排序小波图像编码算法。该方法使用与JPEG2000标准相同的上下文模型,以最小化相对熵为准则用动态规划获得优化的上下文分类。在重要性编码中结合优化的上下文分类进行排序编码。实验数据表明该算法的压缩能力优于JPEG2000,尤其适于低码率压缩。     

一种指纹图像预处理算法探究

本文主要针对指纹图像预处理方法进行研究,提出了基于图像局部方差的指纹分割、基于方向场的指纹二值化和基于水平滤波器与分离滤波器组合的上下文滤波方法,最后提出了基于改进OPTA算法指纹细化方法,MATLAB仿真结果表明,本文的方法克服了噪声影响,图像细化效果良好。     

融合空间上下文的自然场景语义建模

针对自然场景图像,本文提出一种融合空间上下文的场景语义建模和分类方法.针对场景中的局部语义对象,建立了基于贝叶斯网络的语义上下文模型.通过对已标注训练样本集的学习训练,获得局部语义对象在各类场景下的上下文模型.对于待分类的图像,首先利用支持向量机实现分割区域的分类,根据学习得到的语义上下文模型,提取图像中各语义对象的空间上下文信息,形成图像的语义上下文描述,实现场景分类.针对不同场景下的局部语义对象,利用贝叶斯网络自动学习得到不同的空间关系集合用于上下文信息提取,使得场景描述和分类过程更智能和有效.通过在六类自然场景图像数据集上的实验表明,本文所提算法能够很好的利用上下文信息,并取得满意的分类结果.     

基于双向预测的高光谱图像无损压缩

提出了一种基于双向预测的高光谱图像无损压缩算法。该算法首先采用自适应波段选择算法选出信息量较大的波段,然后利用聚类算法对这些波段的谱向矢量进行分类预处理。为了便于组织谱间预测过程,根据相邻波段相关性大小进行自适应波段分组,采用双向预测的方法去除谱间相关性。通过在参考波段和预测波段中定义三维上下文预测结构,在聚类结果的基础上,对各个像素分别训练最优的预测系数,从而实现当前波段的有效预测。对AVIRIS型高光谱图像的实验结果表明,该方法可获得较好的无损压缩性能。     

一种改进的指纹分类方法

指纹分类可以大大减少在指纹数据库中的匹配次数,缩短匹配时间。本文在指纹块方向场的基础上,利用其方向方差进行滤波,得出各奇异点的连接路径,并结合核心点与此路径形成一种改进的指纹分类方法。该方法以指纹块方向场为基础,符合指纹分类的全局思想,而非关注于细节特征,并简化计算。经过方向方差滤波后的指纹图像不仅可以利用奇异点的相对位置进行指纹分类,而且克服了奇异点丢失的弊端。本文针对滤波后的图像特征,提出了基于方向方差滤波的分类算法,通过实验验证了本算法的有效性。     

Lossless image coding via adaptive linear prediction andclassification

In past years, there have been several improvements in lossless image compression. All the recently proposed state-of-the-art lossless image compressors can be roughly divided into two categories: single and double-pass compressors. Linear prediction is rarely used in the first category, while TMW, a state-of-the-art double-pass image compressor, relies on linear prediction for its performance. We propose a single-pass adaptive algorithm that uses context classification and multiple linear predictors, locally optimized on a pixel-by-pixel basis. Locality is also exploited in the entropy coding of the prediction error. The results we obtained on a test set of several standard images are encouraging. On the average, our ALPC obtains a compression ratio comparable to CALIC while improving on some images     

CCSDS高光谱图像压缩算法的FPGA实现

最近空间数据系统咨询委员会（Consultative Committee for Space Data System,CCSDS）正式发布了CCSDS 123.0-B-1标准.该标准是星载高光谱图像无损压缩以及近无损压缩的国际通用标准.为了减少图像数据存储的容量,降低传输带宽,提高传输速率以及实现实时传输,本文简要介绍了最新的CCSDS算法标准,并采用该算法标准解决了高光谱图像的大容量问题.基于现场可编程门阵列（Field-Programmable Gate Array,FPGA）硬件的逻辑实现包括预测器的逻辑描述和编码器的逻辑描述.最后,比较了基于FPGA硬件逻辑实现的高光谱图像无损压缩仿真以及该算法和JPEG-LS算法的压缩特性.结果表明, CCSDS压缩算法可满足高光谱图像压缩比为2：1的要求.     

基于搜索最优双预测波段的超光谱遥感图像无损压缩

该文针对超光谱各波段成像图像之间的相关性强弱程度互不相同这一特点,提出了基于搜索最优双预测波段的超光谱图像无损压缩算法。该算法通过建立一个搜索最优双预测波段的二叉树模型,搜索与每一波段相关性最强的两个波段,并用这两个波段对该波段进行预测。实验表明,与目前研究的其它超光谱图像压缩算法相比,该算法有着很好的压缩性能。     

一种基于自适应预测的医学图像高效无损压缩方法

随着数字化医学图像海量的增长及PACS系统的广泛应用,对医学图像进行高效的无损压缩已成为广泛关注的问题.本文提出一种基于自适应预测的无损压缩方法,该方法利用神经网络模型自学习的能力,自适应的调整预测器的预测系数.实验表明,该方法能有效去除X线医学图像的空间相关性,还能同时去除彩色医学图像的空间和谱间相关性,取得较高的压缩比,且编解码速度较高.     

基于双估计值的查找表高光谱图像无损压缩

提出一种基于双估计值的查找表预测高光谱图像无损压缩算法。首先,在高光谱图像的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其他谱段图像采用谱间预测。谱间预测采用以下步骤,利用3个LUT预测值求出第一个估计值;其次用当前谱段内和前一谱段内特定的8个像素点计算出第二个估计值,将谱段内预测和谱间预测有效地结合,去除了高光谱图像的谱间相关性。然后,用3个LUT预测值和最终的预测估计值比较,选出最终的预测值。最后,将预测残差进行算术编码。实验结果表明,针对NASA的AVIRIS高光谱图像,用本文算法比LAIS-LUT的压缩比平均提高了0.03~0.11,针对国内OIMS-I高光谱图像,比LAIS-LUT压缩比平均提高了0.01~0.09,有效的提高了压缩比。     

两步双向查找表预测的高光谱图像无损压缩

提出一种基于两步双向查找表预测的高光谱图像无损压缩算法。将谱段内预测和谱间预测有效地结合,去除了高光谱图像强的谱间相关性。根据高光谱图像特点,首先,在光谱线的第1谱段图像采用JPEG-LS中值预测器进行谱段内预测,其它谱段图像采用谱间预测。谱间预测采用两步双向预测算法,第1步预测,采用一种双向四阶预测器,利用该预测器得到参考预测值;第2步预测,采用一种8级查表(LUT)搜索预测算法,得出8个LUT预测值。然后,将参考预测值与其比较得出最终的预测值。最后,将预测差值进行熵编码。实验结果表明,本文算法的平均压缩比达到3.05bpp(bits per pixel),与传统高光谱图像无损压缩算法比较,平均压缩比提高了0.14～2.91bpp,有效提高了高光谱图像无损压缩比低的问题。     

利用亚像素位移估计提高激光散斑图像无失真压缩效率

无失真图像压缩的目的是在保证不丢失任何信息的情况之下,用尽可能少的比特数表示图像.图像压缩对数据存储量的降低具有重要的意义.所设计的激光散斑图像无失真编码器由激光散斑位移估计、像素预测和哥朗布(Golomb)编码所组成.首先,估计散斑位移;然后,根据激光动态散斑相关函数设计预测模型,并以此为基础进行像素预测;最后,对预...     

基于ADV202的遥感图像实时压缩系统设计

提出了以JPEG2000图像压缩标准作为压缩算法,采用JPEG2000专用编解码芯片ADV202来实现遥感图像实时压缩系统的方案.该方案可以满足遥感图像压缩系统对实时性、低失真以及高压缩比的要求.测试结果表明,该系统工作稳定可靠,能够满足遥感图像压缩系统实时性的要求,图像压缩效果令人满意.     

干涉多光谱图像无损压缩算法

基于干涉多光谱图像成像原理和特点,提出一种干涉多光谱图像无损压缩算法。在压缩编码时,应充分利用图像的列相关性,采用基于列的比特平面编码和游程编码,对多光谱图像进行无损压缩,特别适于低分辨率的多光谱图像压缩。目前无损压缩算法的压缩比基本在1.6～2.4之间,本算法的压缩倍数一般可达到2倍以上,并且具有良好的抗误码性能。     

一种改进型脉冲耦合神经网络及其图像分割1

本文结合人类视觉系统(HVS)对图像信息含量区域敏感度不同这一特性,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量,对通常的脉冲耦合神经网络模型(PCNN－Pulse Coupled Neural Network)进行了改进,提出了一种基于改进PCNN的图像自适应分割算法.该算法根据象素及其周边区域的信息量大小发放不同值的脉冲,从而自适应地将图像分为多个不同等级的高低信息区域,较好地仿真了人类视觉系统特性.最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能,表明了本文算法的可行性和有效性.