一种三阶频域帧内预测算法

帧内预测是视频编码的一项核心技术,它根据图像中相邻子块进行预测得到当前子块的预测值,编码时只对像素值和预测值的残差进行编码,因而能有效降低I帧所占用的比特数。提出了一种三阶频域帧内预测算法(TOIP),该算法在左方、上方、左上方相邻块中选择最优邻块进行DC预测,充分利用不同方向纹理特性的频域系数进行AC预测,能有效提高预测精度。实验结果证明了本算法的有效性。     

一种三阶频域帧内预测算法

帧内预测是视频编码的一项核心技术，它根据图像中相邻子块进行预测得到当前子块的预测值，编码时只对像素值和预测值的残差进行编码，因而能有效降低Ⅰ帧所占用的比特数。提出了一种三阶频域帧内预测算法(TOIP)，该算法在左方、上方、左上方相邻块中选择最优邻块进行DC预测，充分利用不同方向纹理特性的频域系数进行AC预测，能有效提高预测精度。实验结果证明了本算法的有效性。     

基于自适应预测的高光谱遥感图像无损压缩算法

针对高光谱遥感图像细节丰富纹理复杂、空间相关性弱、难于压缩的特点,充分利用高光谱遥感图像的谱间相关性,使用多个波段的像素来自适应预测当前波段的像素。因为待预测像素的最优预测是其条件期望,用分段积分的方法将条件期望转化为可计算的表达式,并与其它波段的像素关联起来。选取与待预测像素有较强因果关系的相邻像素自适应地估计出各参数的值,得到残差图像,消除了大部分的谱间冗余和空间冗余,再用JPEG-LS进一步去除残差图像的空间相关性。实验表明,该算法能有效去除高光谱图像间的相关性,较其它压缩算法压缩比有很大提高,且算法简单,便于硬件实现。      

基于方向测度的H.264帧内预测快速算法

帧内预测的主要目的是消除相邻像素间的空间冗余,通过邻近块中已解码图像的像素块来预测当前块,介绍H.264帧内预测的基本原理和算法步骤,对现有的改进方法进行深入的探索和分析,提出基于方向测度的快速帧内预测模式选择算法.通过基于视觉感知效应宏块层划分,对纹理区域提出了基于方向测度的快速模式选择算法.实验结果表明,编码时间平均减少45％,峰值信噪比基本保持不变,满足实时视频通信的要求.     

H.264/AVC帧内预测模式快速选择算法研究

提出一种H.264/AVC帧内预测模式快速选择算法,该算法利用差值直方图和Prewitt梯度算子检测图像纹理特性来选择编码模式。对于4×4子块首先利用Prewitt算子计算子块四个方向的梯度值,再通过坐标合成法得出该4×4子块的梯度向量,根据梯度向量来选择编码模式。对于16×16和8×8块,首先利用差值直方图判断图像纹理的平整性,然后再根据4×4块的算法计算纹理的方向性,对预测模式数量进行削减。实验结果显示,该算法在不影响图像的质量和码率的情况下,编码时间大约减少了65%。     

基于整数小波和三维自适应的高光谱图像无损压缩算法

考虑到高光谱图像小波子图的谱间相关性,提出了一种新的基于整数小波的三维自适应预测高光谱图像无损压缩算法。首先用5/3整数小波将高光谱每个谱段图像做小波分解,对不同谱段的相同子带,设计一种新的线性预测器。用与待预测像素有较强相关性的相邻像素自适应地估计预测系数的值。消除了大部分的谱间冗余和空间冗余后,再用JPEG-LS进一步去除残差图像的空间冗余。实验表明,该算法能有效去除多光谱图像间的相关性,较其他压缩算法压缩比有很大提高,且算法简单,便于硬件实现。     

基于边缘建模的纹理深度联合快速三维编码

HEVC的三维视频编码扩展部分（3D-HEVC）引入了视间预测和纹理深度联合预测的工具对相关性较强的纹理、深度视点进行高效编码,同时它沿用了HEVC中的四叉树编码结构和率失真优化来选择最优预测模式和块划分模式,这样导致计算量很大。在3D视频中,纹理图像、深度图像中存在大片较为平坦的纹理区域,深度图像中的平坦区域占比更是达到85%,然而对于平坦区域进行计算量极大的率失真过程是冗余的,针对此问题提出一种基于边缘建模的纹理深度联合快速编码算法。该方法对纹理图像以及深度图像进行边缘建模,对其中的编码单元进行平坦性分析,通过边缘模型中的平坦性和方向性对编码过程进行指导,从而有效地避免了一些冗余的CU深度以及块划分模式的遍历。实验结果表明,在随机访问配置（RA）的情况下,该方法平均降低59.0%的编码时间,而仅在合成视点端带来3.8%性能下降。     

基于HEVC的数字图像无损压缩算法

为了进一步提高数字图像无损压缩的效率,本文提出一种基于高效率视频编码(High Efficiency Video Coding,HEVC)框架的无损压缩算法。在该算法中,宏块中的像素不是作为一个整体来预测的,而是分成不同的部分先后进行预测。本文将像素分为3部分:第一部分的像素参考相邻宏块的像素来预测;其他部分的像素,利用前面已经预测的像素作为参考来进行预测,这样可以有效地去除空间冗余。另外,由于无损压缩中将HEVC框架中的变换量化去除,因此针对残差的分布特性,采用自适应扫描的方法将残差以合理的顺序进行熵编码,从而实现进一步提高压缩效率的目的。     

基于方向梯度的H.264帧内预测模式选择算法

率失真优化(RDO)技术的应用大幅提高了H.264的编码性能,但全搜索方式下,每一宏块所有模式都要进行R-D代价计算,复杂度非常大.文中利用参考像素与当前块之间的方向梯度检测预测方向上的纹理方向与边缘强度,预先筛除部分方向梯度较大的预测模式,形成一种基于方向梯度的快速帧内预测模式选择算法,并利用预测模式的空间相关性采用最有可能模式替换直流模式作为缺省候选模式,改进了基本算法.对10个标准序列进行测试,两个算法应用在亮度分量帧内预测模式选择中均比JM18.0全搜索方式减少了50％以上的编码时间,且编码性能损失很小,保持峰值信噪比与JM全搜索方式相同时,基本算法码率平均上升2.361％,改进算法码率平均上升1.477％.     

一种快速H.264帧内模式选择算法

H.264帧内预测计算复杂,是帧内编码中的瓶颈问题。根据H.264多模式帧内预测特点分析,提出了一种基于纹理和参考像素特性的帧内预测快速算法。算法首先通过Prewitt算子计算得到图像的纹理,根据纹理方向选择相应的帧内预测模式,然后计算参考像素的差异特性,删除已选Intra4x4模式中不必要模式,减少候选模式数目,降低了计算复杂度。对4组不同运动特点序列仿真结果表明:与JM13.2算法相比,本文算法编码时间平均降低75.7%,而图像峰值信噪比平均降低0.16dB,输出码率平均增加3.45%,综合性能优于已有算法。     

基于降低映射预测残差的高光谱图像压缩算法

CCSDS 123.0-B-1算法是空间数据系统咨询委员会为多/高光谱图像提出的自适应三维预测无损压缩标准,针对CCSDS 123.0-B-1算法中存在的未充分利用像素位置信息及谱间相关性、压缩率有待提高的问题,对该算法的预测器进行了优化,提出了RMPR算法。RMPR算法根据当前像元具体位置对预测点进行自适应选择,采用双向线性预测去除高光谱图像的谱间相关性,并使用优化的残差映射器提高预测精度、缩短压缩码长。利用10幅高光谱图像进行测试,结果表明,在保证无损压缩且压缩效率无显著差异的前提下,RMPR算法的压缩性能显著优于原算法。     

Adaptive Predictor for Lossless Image Compression

A new method for lossless image compression of grey-level images is proposed. The image is treated as a set of stacked bit planes. The compressed version of the image is represented by residuals of a non-linear local predictor spanning the current bit plane as well as a few neighbouring ones. Predictor configurations are grouped in pairs differing in one bit of the representative point only. The frequency of predictor configurations is obtained from the input image. The predictor adapts automatically to the image, it is able to estimate the influence of neighbouring cells and thus copes even with complicated structure or fine texture. The residuals between the original and the predicted image are those that correspond to the less frequent predictor configurations. Efficiently coded residuals constitute the output image. To our knowledge, the performance of the proposed compression algorithm is comparable to the current state of the art. Especially good results were obtained for binary images, grey-level cartoons and man-made drawings. Received: June 29, 1998; revised November 2, 1998     

基于神经网络的多光谱遥感图像无损压缩

分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。     

An improved lossless image compression algorithm based on Huffman coding

There is an increasing number of image data produced in our life nowadays, which creates a big challenge to store and transmit them. For some fields requiring high fidelity, the lossless image compression becomes significant, because it can reduce the size of image data without quality loss. To solve the difficulty in improving the lossless image compression ratio, we propose an improved lossless image compression algorithm that theoretically provides an approximately quadruple compression combining the linear prediction, integer wavelet transform (IWT) with output coefficients processing and Huffman coding. A new hybrid transform exploiting a new prediction template and a coefficient processing of IWT is the main contribution of this algorithm. The experimental results on three different image sets show that the proposed algorithm outperforms state-of-the-art algorithms. The compression ratios are improved by at least 6.22% up to 72.36%. Our algorithm is more suitable to compress images with complex texture and higher resolution at an acceptable compression speed.

     

Low-complexity two-step lossless depth coding using coarse Lossy coding

Texture and depth images are generally used for 3D viewing with advanced displays. Because sthe characteristics of a depth image are very different from those of a texture image, an efficient compression method is required to transmit a depth image in a limited bandwidth. In this paper, a low-complexity two-step lossless depth coding (LTLDC) method using coarse lossy coding is proposed. The proposed method downsamples an original image and then coarsely compresses the downsampled image in the first step. This compressed image is upsampled, and then its residual is generated by subtracting the upsampled image from the original image. In the second step, each coding block within the residual and original images is adaptively compressed with a fast mode decision method in a lossless way, and the proposed method determines the best block based on their coding performance. Experimental results show that the proposed LTLDC method achieves a bitrate reduction of 4.35% with encoding complexity reduction of 20.38%.

     

基于块方向预测和Context的图象无失真编码方法

首先分析无失真图象编码技术,提出一种基于块方向预测和Context的自适应无失真编码方法,该方法主要使用块方向预测和基于Context的误差模型去除图象在空间上的相关性.在此方法中,一幅图象首先被分割成图象块,对图象的每一块自适应地选择一个使预测误差绝对值之和最小的块方向预测器；然后通过Context选择和误差反馈进一步降低信息熵；最后,采用快速而有效的Rice编码器对误差图象编码.实验结果显示，该方法的压缩效果明显优于JPEG(joint of picture expert group)无失真模式和FELICS(fast and efficient lossless image compression),略好于CB9和LOCO-I,甚至UCM(universal context modeling).     

一种改进的自然纹理合成方法

自然纹理合成方法是一种适合自然景物的基于样图的快速纹理合成方法。 但是候选点超越样图边界的问题没有很好得到解决,成为导致合成后图像产生的纹理块间明 显变化的主要因素。论文提出了一种改进的自然纹理合成算法,将样图边缘易产生无效候选 点的区域用样图内部与之大小和形状相同的像素块来代替,像素块和被替代像素块沿一条不 规则的曲线相匹配。合成过程中在接近边缘时像素块的生长会转向纹理内部。该方法减少了 因随机产生候选点而形成的块间不连续,有效地改善了视觉效果。     

基于JPEG2000和自适应预测的高光谱图像压缩方法

随着遥感技术的发展,其应用领域大大拓展,随之也带来了遥感数据的海量增长,给传输和存储带来了极大困难,因此必须对遥感数据进行压缩。遥感图像具有不同于自然图像的特性,针对遥感图像的特点,介绍了一种自适应预测和JPEG2000相结合的无损压缩编码算法,即首先采用基于图像灰度分布局部相关特性的谱问预测器去除谱问冗余,再利用静止图像压缩新标准（JPEG2000）对预测得到的差值图像进行编码压缩。仿真实验取得了令人满意的结果,证明了该算法的有效性。     

基于分块自适应预测的超声测井图象无损压缩编码

针对超声测井图象数据量较大,且要求实时传输的问题,提出了一种基于分块自适应预测的无损压缩编码方法,该方法首先对原图象分块;然后在每一子块内自适应选择预测方案,并进行DPCM编码;最后采用改进的LZW算法对差值进行编码输出。经过实验表明,该算法比较符号超声测井图象特点,其压缩倍数较现有无损压缩算法有很大提高,而算法复杂度没有明显增加,同时所需内存开销较小,因而特别适用于实时遥测系统。     

一种实时低成本压缩算法的VLSI实现

针对传统视频图像压缩算法时延长和成本高的问题,提出一种新的无损/近无损视频压缩算法。该算法由码率控制器和熵编码器组成,其中码率控制器通过对已有信息进行分析（上下文）来确定当前宏块的可用比特数,然后根据大量实验得出的高效Huffman码表,并结合位平面编码器对残差进行编码。实验结果表明,文中提出的视频图像压缩算法能够工作在300 MHz,吞吐量最差为1.3 pixel/cycle,同时仅用一块120＊720的SRAM来存储上一行像素值,因此很好地解决了时延和成本问题。