CN104331913A - 基于稀疏k-svd的极化sar图像压缩方法 - Google Patents
基于稀疏k-svd的极化sar图像压缩方法 Download PDFInfo
- Publication number
- CN104331913A CN104331913A CN201410663762.XA CN201410663762A CN104331913A CN 104331913 A CN104331913 A CN 104331913A CN 201410663762 A CN201410663762 A CN 201410663762A CN 104331913 A CN104331913 A CN 104331913A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- matrix
- sparse
- coefficient
- sar image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 14
- 230000010287 polarization Effects 0.000 title abstract description 12
- 230000006835 compression Effects 0.000 claims abstract description 47
- 238000007906 compression Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 41
- 238000002156 mixing Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 2
- 239000000203 mixture Substances 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 241000220479 Acacia Species 0.000 description 1
- 235000010643 Leucaena leucocephala Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于稀疏K-SVD的极化SAR图像压缩方法,主要解决现有技术极化SAR图像通道之间存在冗余,以及在压缩比过大时重建图像模糊不清、纹理细节丢失的问题。其实现步骤为:(1)输入图像,并对图像通道之间进行DCT变换;(2)对每个通道进行9/7小波分解;(3)将分解得到的系数输入到K-SVD算法中训练字典;(4)用字典对图像进行稀疏表示;(5)对稀疏系数进行编码预处理;(6)对编码预处理后的稀疏系数进行编码并输出码流。本发明有效去除了极化SAR图像通道之间的冗余,保持了压缩重建结果图像的纹理细节,使得重建图像视觉效果更好,可用于极化SAR图像的存储和传输。
Description
技术领域
本发明属于图像压缩技术领域,更进一步涉及极化合成孔径雷达极化SAR图像的压缩方法,可用于极化SAR图像的传输和存储。
背景技术
极化合成孔径雷达极化SAR是一种多极化、高分辨率的微波相干的成像雷达,能够全面记录目标散射特性信息,相比于单极化的雷达成像***,极化SAR可以获取更多感兴趣地物目标的特征,然而极化SAR图像的数据量也是巨大的,给数据的实时传输与存储造成了巨大的压力,因此,极化SAR图像的有效压缩方法是迫切需要解决的关键技术问题。极化SAR具有四个通道,压缩极化SAR图像不仅要考虑去除每个通道图像的冗余,同时还要考虑去除通道之间的冗余。
传统的图像压缩方法不能直接用于极化SAR图像的压缩,因为极化SAR图像的特性与自然图像的特性相差很大,基于DCT的JPEG图像压缩方法重建图像时会产生块效应,基于DWT的JPEG2000可以有效去除自然图像的冗余,但是若用于极化SAR图像,依然有大量冗余没有被考虑到。字典学习是近几年发展起来的信号表示方法,旨在用最少的元素表示一个信号,该方法已经被用到了合成孔径雷达SAR图像的压缩。研究表明,基于压缩图像本身训练的字典用于图像压缩要比基于公共训练集训练的字典用于图像压缩的压缩效果要更好,但是字典的传送需要考虑在内。稀疏K-SVD是一种双重稀疏的字典学习算法,用该方法表示信号,不仅可以稀疏表示信号,而且字典也可以被稀疏表示,大大减小了压缩字典所需的码流。
陈原等在文章“Multi-polarimetric SAR image compression based on sparserepresentation”中提出了一种利用最小二乘法字典学习算法(Recursive Least SquaresDictionary Learning Algorithm,RLS-DLA)压缩极化SAR的方法,该方法通过对比四个通道之间的相关性,无损传输相关性最大的通道,用它来训练公共字典,稀疏表示其他三个通道图像,公用字典在一定程度上去除了通道之间的冗余,对每个通道图像先做小波变换,然后利用公共字典在小波域稀疏表示小波系数。该方法考虑到了通道之间的相关性,取得了较好的压缩结果,但是仍存在的不足是无损传输一个通道的图像需要占用很大的码流。
张文超等在文章“Compression of Multi-polarimetric SAR intensity images based on3D-matrix transform”中提出了一种一维DCT、二维DWT组成的3D矩阵变换压缩极化SAR的方法,该方法通过对每个通道相同位置上的像素做一维DCT变换以去除通道之间的冗余,通过对每通道图像做二维DWT变换以去除图像中的冗余,然后利用SPIHT编码算法对系数统一编码。该方法可以自由控制每个通道的码流,得到了优于JPEG2000的压缩结果,但是仍存在的不足是通过DWT去除图像冗余延续了SPIHT以及JPEG2000图像压缩算法的优缺点,直接用于极化SAR仍有大量冗余没有被去除。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于稀疏K-SVD的极化SAR图像压缩方法,以更好的保持重建图像的边缘和细节信息,提高重建图像的质量。
为实现本发明目的的技术方案包括如下步骤:
(1)输入任选的一组含有4个通道的极化SAR图像;
(2)对输入的极化SAR图像通道之间进行一维DCT变换,以去除通道之间的冗余,得到四个DCT系数平面;
(3)对每个DCT系数平面做三层9/7小波分解,得到四个混合系数平面;
(4)训练字典:
将四个混合系数平面的高频部分划分成N个8×8的小块,每个平面任意选取3000个小块,作为训练集,N的数量取决于极化SAR图像的大小;
将每个小块按照从上到下、从左到右的顺序排列成一个64×1的训练向量;
将所有的训练向量以及DCT基字典输入到稀疏K-SVD字典学习算法中,训练出求解稀疏系数矩阵所需的字典;
(5)稀疏编码:
将四个混合系数平面所有的64×1的向量以及所得到的字典输入到正交匹配追踪OMP算法中,按照下式求稀疏系数矩阵:
其中,min表示取最小值操作,表示F范数,Y表示训练集,Φ表示基字典,A表示字典稀疏表示矩阵,W表示稀疏系数矩阵,||·||0表示0范数,wi表示稀疏系数矩阵的第i列向量,T0表示第i列向量非零系数的个数,aj表示字典表示矩阵第j列向量,P0表示第j列向量非零系数的个数;
(6)根据稀疏表示矩阵W以及字典表示矩阵A系数的大小设定一个阈值,将稀疏表示矩阵W以及字典表示矩阵A值小于该阈值的非零元素置零,并且在不影响AW乘积结果的前提下将字典表示矩阵A的列以及稀疏表示矩阵W的行同时升序排列或者降序排列,以减少传送所需码流;
(7)对9/7小波分解后的4个低频子带先进行DPCM预测编码压缩,对预测误差用Huffman编码进行无损压缩;对编码预处理后的稀疏系数矩阵W和字典表示矩阵A进行无损压缩,对非零系数以及非零系数的位置信息用Huffman编码进行压缩;
(8)输出码流。
本发明与现有技术相比具有以下优点:
第一,本发明对极化SAR图像的四个通道之间做了DCT变换,有效去除了通道之间的冗余,对DCT变换之后的每个通道图像又进行了9/7小波变换,进一步去除极化SAR图像剩余的冗余,克服了现有技术对通道之间及各通道图像内部冗余去除不充分的问题,使得本发明具有图像压缩比高、重建图像边缘细节保持好的优点。
第二,本发明由于在对稀疏系数矩阵W和字典表示矩阵A的非零系数编码之前进行了重排序,大大减小了对非零系数位置信息进行编码所需的码流,克服了现有技术对非零系数的位置信息编码占用的码流过大的问题,使得本发明具有编码所用码流少的优点。
附图说明
图1为本发明的实现流程图;
图2为本发明仿真使用的测试图像;
图3为本发明与现有技术对测试图像压缩重建后的对比图;
图4为本发明与现有技术对测试图像HH通道压缩重建后的结构相似度衡量指标SSIM与边缘保持系数EPI的对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明的具体步骤如下:
步骤1:输入图像。
输入任选的一组极化SAR图像;本发明实施例中使用的极化SAR图像如图2所示,它为美国航天航空局在1988年所获取的旧金山地区的极化SAR数据合成的图像,其中图2(a)、图2(b)、图2(c)、图2(d)分别是本发明实例中所使用的极化SAR图像的四个通道,分别记为HH、HV、VH、VV通道,其大小均为512×512。
步骤2:通道之间做DCT变换。
对输入的极化SAR图像四个通道之间进行一维DCT变换,以去除通道之间的冗余,得到四个DCT系数平面。
通道间去冗余的具体步骤如下:
第一步:将四个通道的图像排列成四个平面,本发明中按照HH、HV、VH、VV的顺序排列,并且四个平面对齐;
第二步:对四个平面上相同位置的像素做一维DCT变换,直到四个平面上所有的像素均做完一维DCT变换。
DCT变换之后,四个通道的极化SAR图像变成四个DCT系数平面,并且能量集中于第一个平面即HH平面。
步骤3:每通道做三层9/7小波分解。
(3a)对每个DCT系数平面进行一层9/7小波分解,得到一个低频子带和三个高频子带;
(3b)对(3a)得到的低频子带再进行一层9/7小波分解,得到一个低频子带和三个高频子带;
(3c)对(3b)得到的低频子带再进行一层9/7小波分解,得到一个低频子带和三个高频子带;
经过三层9/7小波分解之后每个DCT系数平面的能量都集中于每个平面的左上角,每个平面都有一个低频子带和九个高频子带。
步骤4:训练字典。
(4a)获取训练向量集:
将四个混合系数平面的高频部分划分成N个8×8的小块,每个平面任意选取3000个小块,作为训练集,N的数量取决于极化SAR图像的大小;
将每个小块按照从上到下、从左到右的顺序排列成一个64×1的训练向量yi,用所有的训练向量yi组成训练向量集Y;
(4b)初始化字典:
在稀疏K-SVD算法中,字典D表示为基字典Φ与字典表示矩阵A的乘积,即:D=ΦA,其中,基字典Φ可采用为DCT字典或小波字典,本发明中使用的基字典是DCT字典;
随机初始一个字典表示矩阵A0,则初始字典表示为:D=ΦA0;
(4c)计算稀疏表示向量:
对于每一个训练向量yi,利用匹配追踪算法计算向量yi在初始字典ΦA0上的稀疏表示向量wi,即:
其中,表示取2范数操作,yi表示训练向量,ΦA表示字典,wi表示稀疏表示向量,||·||0表示取0范数操作,T0表示每个稀疏表示向量中非零元的个数,用所有的稀疏表示向量wi组成稀疏表示矩阵W;
(4d)更新字典:
依次更新字典表示矩阵A的每一列,直到所有的列都更新完毕,对于A的每一列,设定一个最大迭代次数l,按照如下步骤进行迭代更新:
(4d1)定义dk为字典表示矩阵A的第k列,称之为字典原子,令稀疏表示矩阵W中与字典原子dk相应的第k行为将训练向量集Y中的训练向量yi标记为ωk,即 N为训练向量的个数;
(4d2)计算稀疏表示误差矩阵:
(4d3)在Ek中选择仅与ωk相关的列,得到误差子矩阵即
(4d4)对误差子矩阵进行奇异值分解操作,即其中U是的左奇异向量,V是的右奇异向量,Δ是和是大小相同的半正定对角矩阵;
用矩阵U的第一列更新字典表示矩阵的列dk,用矩阵V的第一列乘以Δ(1,1)更新系数向量
若字典更新的迭代次数小于设定的最大迭代次数l,则继续更新字典的每一列,得到新的字典表示矩阵A;
(4e)输出字典表示矩阵A。
步骤5:求稀疏系数矩阵。
将四个混合系数平面所有高频子带的64×1的向量以及所得到的字典输入到正交匹配追踪算法中,按照下式求稀疏系数矩阵:
其中,min表示取最小值操作,表示F范数,Y表示训练集,Φ表示基字典,W表示稀疏系数矩阵,||·||0表示0范数,wi表示稀疏系数矩阵的第i列向量,T0表示第i列向量非零系数的个数,aj表示字典表示矩阵第j列向量,P0表示第j列向量非零系数的个数。
步骤6:统一量化以及系数重排列。
稀疏表示矩阵以及字典表示矩阵都是需要传送的,因为两个矩阵都是稀疏矩阵,所以可以仅传送非零系数以及非零系数的位置信息;
统一量化即根据稀疏表示矩阵W以及字典表示矩阵A系数的大小设定一个阈值,若系数大于该阈值则保留,若系数小于该阈值则置零,统一量化可以将值很小的非零系数置零,以减小传送所需码流同时对重建原图像的质量影响很小;
在不影响AW乘积结果的前提下字典表示矩阵A的列以及稀疏表示矩阵W的行可以按照相同的形式重新排列,可以同时升序排列或者降序排列,这样一来可以提高位置信息的压缩性,减少传送所需码流。
步骤7:编码。
用DPCM预测编码方法对9/7小波分解后的4个低频子带进行编码,得到码流;用Huffman编码方法对预测误差进行编码,得到码流;用Huffman编码方法对统一量化以及重排序后的稀疏系数矩阵W和字典表示矩阵A的非零系数以及非零系数的位置信息进行编码,得到码流。
步骤8:输出码流。
本发明的效果可通过以下仿真进一步说明。
1.仿真实验条件:
本发明的硬件测试平台是:处理器为Inter Core i3350M,主频为2.27GHz,内存4GB,软件平台为:Windows 7旗舰版32位操作***和Matlab R2010b。本发明的输入图像为旧金山地区的极化SAR图像,大小为512×512,格式都为BMP。
2.仿真内容:
仿真1:
用本发明与现有的三个方法对旧金山地区的极化SAR图像HH通道在不同比特率下压缩后的重建图像的压缩对比。
现有的三个图像压缩方法分别如下:
Amir Said等人在文献“A new,fast,and efficient image code based on SetPartitioning in Hierarchical Trees,IEEE Trans.CIRCUITS AND SYSTEMS FOR VIDEOTECHNOLOGY,1996,243-250.”中提出的SPIHT图像压缩方法。
Maryline Charrier等人在文献“JPEG2000,the next millennium compressionstandard for still images,1999,131-132.”中提出了一种基于二维DWT的图像压缩方法,即JPEG2000。
W.C.Zhang等人在文献“Compression of Multi-polarimetric SAR intensity imagesbased on 3D-matrix transform,IET Image Processing,2008,194-202.”中提出的三维矩阵压缩极化SAR图像的方法,简称3D-SPIHT方法。
将本发明与现有的三个方法对旧金山地区的极化SAR图像HH通道在不同的比特率下进行压缩,结果如图3。其中,图3(a)为采用SPIHT方法对极化SAR图像的HH通道在0.25bpp下的压缩重建结果图,图3(b)为采用JPEG2000方法对极化SAR图像的HH通道在0.25bpp下的压缩重建结果图,图3(c)为采用3D-SPIHT方法对极化SAR图像的HH通道在0.25bpp下的压缩重建结果图,图3(d)为采用本发明方法对极化SAR图像的HH通道在0.25bpp下的压缩重建结果图。
从图3可以明显的看出,本发明对于极化SAR图像HH通道的压缩重建结果图3(d)最接近原图,纹理以及边缘细节较为明显,SPIHT方法对于极化SAR图像HH通道的压缩重建结果图3(a)中间部位明显看出有模糊,JPEG2000方法对于极化SAR图像HH通道的压缩重建结果图3(b)较SPIHT有所改善,但是中间部位仍有肉眼看得出的模糊,3D-SPIHT方法对于极化SAR图像HH通道的压缩重建结果图3(c)纹理保持较好,但是仍有部分细节丢失,相比于现有技术,本发明方法的压缩重建结果图更接近于原图。
仿真2:
将本发明与现有技术对于旧金山地区的极化SAR图像的HH通道的SSIM与EPI结果进行对比,结果如图4,其中图4(a)为SSIM结果对比图,图4(b)为EPI结果对比图。
SSIM为结构相似度衡量指标,越大则表示重建结果图质量越高,EPI为边缘保持系数衡量指标,越大则表示重建结果图视觉效果越好。
从图4(a)可以看出,本发明方法具有最大的SSIM值,相比于现有方法优势明显,说明本发明方法对于极化SAR图像的重建结果图与原图像相似度最高;从图4(b)可以看出,本发明方法具有最大的EPI值,相比于现有方法优势明显,说明本发明方法对于极化SAR图像的重建结果图视觉效果最高。
仿真3:
将本发明与现有技术对于旧金山地区的极化SAR图像的HH通道、HV通道、VV通道在不同比特率下的压缩性能结果进行对比,压缩性能用峰值信噪比值PSNR表示,对比结果如下表所示:
表 压缩性能对比
从上表中可以看出,无论是单通道图像的PSNR还是四个通道的均值,使用本发明方法得到的PSNR值最高,表明本发明方法对极化SAR图像的压缩效果最好。
Claims (3)
1.一种基于稀疏K-SVD的极化SAR图像压缩方法,包括如下步骤:
(1)输入任选的一组含有4个通道的极化SAR图像;
(2)对输入的极化SAR图像通道之间进行一维DCT变换,以去除通道之间的冗余,得到四个DCT系数平面;
(3)对每个DCT系数平面做三层9/7小波分解,得到四个混合系数平面;
(4)训练字典:
将四个混合系数平面的高频部分划分成N个8×8的小块,每个平面任意选取3000个小块,作为训练集,N的数量取决于极化SAR图像的大小;
将每个小块按照从上到下、从左到右的顺序排列成一个64×1的训练向量;
将所有的训练向量以及DCT基字典输入到稀疏K-SVD字典学习算法中,训练出求解稀疏系数矩阵所需的字典;
(5)稀疏编码:
将四个混合系数平面所有的64×1的向量以及所得到的字典输入到正交匹配追踪OMP算法中,按照下式求稀疏系数矩阵:
其中,min表示取最小值操作,表示F范数,Y表示训练集,Φ表示基字典,A表示字典稀疏表示矩阵,W表示稀疏系数矩阵,||·||0表示0范数,wi表示稀疏系数矩阵的第i列向量,T0表示第i列向量非零系数的个数,aj表示字典表示矩阵第j列向量,P0表示第j列向量非零系数的个数;
(6)根据稀疏表示矩阵W以及字典表示矩阵A系数的大小设定一个阈值,将稀疏表示矩阵W以及字典表示矩阵A值小于该阈值的非零元素置零,并且在不影响AW乘积结果的前提下将字典表示矩阵A的列以及稀疏表示矩阵W的行同时升序排列或者降序排列,以减少传送所需码流;
(7)对9/7小波分解后的4个低频子带先进行DPCM预测编码压缩,对预测误差用Huffman编码进行无损压缩;对编码预处理后的稀疏系数矩阵W和字典表示矩阵A进行无损压缩,对非零系数以及非零系数的位置信息用Huffman编码进行压缩;
(8)输出码流。
2.根据权利要求1所述基于稀疏K-SVD的极化SAR图像压缩方法,其特征在于,所述步骤(2)中去除通道之间的冗余,按如下步骤进行:
(2a)将四个通道的图像排列成四个平面,并将四个平面对齐;
(2b)对四个平面上相同位置的像素做一维DCT变换,直到四个平面上所有的像素均做完一维DCT变换。
3.根据权利要求1所述基于稀疏K-SVD的极化SAR图像压缩方法,其特征在于,步骤(4)所述的将所有的训练向量以及DCT基字典输入到稀疏K-SVD字典学习算法中,训练出求解稀疏系数矩阵所需的字典,按如下步骤进行:
(4a)设定字典更新的最大迭代次数l;
(4b)对于每一个训练向量,利用匹配追踪算法计算向量在初始字典ΦA0上的稀疏表示系数,直到能够近似的表示原向量并且非零系数个数最少,其中A0是随机的初始字典表示矩阵,Φ表示基字典;
(4c)对字典表示矩阵A进行迭代更新,在每次迭代中依次更新字典表示矩阵A的每一列,直到所有的列都更新完毕;若字典更新的迭代次数小于设定的最大迭代次数l,则继续更新字典表示矩阵A的每一列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410663762.XA CN104331913B (zh) | 2014-11-19 | 2014-11-19 | 基于稀疏k‑svd的极化sar图像压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410663762.XA CN104331913B (zh) | 2014-11-19 | 2014-11-19 | 基于稀疏k‑svd的极化sar图像压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331913A true CN104331913A (zh) | 2015-02-04 |
CN104331913B CN104331913B (zh) | 2017-11-21 |
Family
ID=52406633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410663762.XA Expired - Fee Related CN104331913B (zh) | 2014-11-19 | 2014-11-19 | 基于稀疏k‑svd的极化sar图像压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331913B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741333A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种Video-SAR图像实时压缩重构方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106250926A (zh) * | 2016-07-29 | 2016-12-21 | 华东师范大学 | 一种二次判别函数分类器存储空间的压缩方法 |
CN106940883A (zh) * | 2017-03-06 | 2017-07-11 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数仿真和压缩感知的超声成像方法 |
CN106997045A (zh) * | 2017-03-06 | 2017-08-01 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数测量和压缩感知的超声成像方法 |
CN108376413A (zh) * | 2018-01-23 | 2018-08-07 | 中山大学 | 一种基于频域差分统计特征的jpeg图像重压缩检测方法 |
CN109979195A (zh) * | 2019-03-22 | 2019-07-05 | 浙江大学城市学院 | 一种基于稀疏回归的融合时空因素的短时交通流量预测方法 |
CN110278444A (zh) * | 2019-07-17 | 2019-09-24 | 华侨大学 | 一种采用几何引导的稀疏表示三维点云压缩方法 |
CN111627077A (zh) * | 2020-05-27 | 2020-09-04 | 成都知识视觉科技有限公司 | 一种医疗图像的处理方法及其压缩、还原*** |
CN113644916A (zh) * | 2021-07-30 | 2021-11-12 | 南京信息工程大学滨江学院 | 基于边缘计算的电力***稳态数据压缩方法 |
CN113794709A (zh) * | 2021-09-07 | 2021-12-14 | 北京理工大学 | 一种用于二值稀疏矩阵的混合编码方法 |
CN113922823A (zh) * | 2021-10-29 | 2022-01-11 | 电子科技大学 | 基于约束稀疏表征的社交媒体信息传播图数据压缩方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024377A (zh) * | 2012-11-27 | 2013-04-03 | 西安电子科技大学 | 基于目标区域提取与方向波的sar图像压缩方法 |
-
2014
- 2014-11-19 CN CN201410663762.XA patent/CN104331913B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024377A (zh) * | 2012-11-27 | 2013-04-03 | 西安电子科技大学 | 基于目标区域提取与方向波的sar图像压缩方法 |
Non-Patent Citations (4)
Title |
---|
张文超 等: "多极化SAR图像3D-SPIHT压缩", 《电子与信息学报》 * |
徐建平: "压缩感知算法在雷达成像中的应用研究", 《中国博士学位论文全文数据库-信息科技辑》 * |
秦盼: "H.264/AVC视频解码器熵解码和反变换反量化模块的硬件设计", 《中国优秀硕士学位论文全文数据库-科技信息辑》 * |
陈原: "基于变换编码的SAR图像压缩技术研究", 《中国博士学位论文全文数据库-信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741333A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种Video-SAR图像实时压缩重构方法 |
CN105741333B (zh) * | 2016-02-02 | 2019-01-15 | 中国空间技术研究院 | 一种Video-SAR图像实时压缩重构方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106096652B (zh) * | 2016-06-12 | 2019-05-24 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106250926A (zh) * | 2016-07-29 | 2016-12-21 | 华东师范大学 | 一种二次判别函数分类器存储空间的压缩方法 |
CN106997045B (zh) * | 2017-03-06 | 2020-08-28 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数测量和压缩感知的超声成像方法 |
CN106940883A (zh) * | 2017-03-06 | 2017-07-11 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数仿真和压缩感知的超声成像方法 |
CN106997045A (zh) * | 2017-03-06 | 2017-08-01 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数测量和压缩感知的超声成像方法 |
CN106940883B (zh) * | 2017-03-06 | 2020-10-16 | 中国科学院深圳先进技术研究院 | 基于超声***点扩散函数仿真和压缩感知的超声成像方法 |
CN108376413A (zh) * | 2018-01-23 | 2018-08-07 | 中山大学 | 一种基于频域差分统计特征的jpeg图像重压缩检测方法 |
CN108376413B (zh) * | 2018-01-23 | 2021-08-06 | 中山大学 | 一种基于频域差分统计特征的jpeg图像重压缩检测方法 |
CN109979195A (zh) * | 2019-03-22 | 2019-07-05 | 浙江大学城市学院 | 一种基于稀疏回归的融合时空因素的短时交通流量预测方法 |
CN110278444A (zh) * | 2019-07-17 | 2019-09-24 | 华侨大学 | 一种采用几何引导的稀疏表示三维点云压缩方法 |
CN110278444B (zh) * | 2019-07-17 | 2022-11-01 | 华侨大学 | 一种采用几何引导的稀疏表示三维点云压缩方法 |
CN111627077A (zh) * | 2020-05-27 | 2020-09-04 | 成都知识视觉科技有限公司 | 一种医疗图像的处理方法及其压缩、还原*** |
CN111627077B (zh) * | 2020-05-27 | 2023-04-18 | 成都知识视觉科技有限公司 | 一种医疗图像的处理方法及其压缩、还原*** |
CN113644916A (zh) * | 2021-07-30 | 2021-11-12 | 南京信息工程大学滨江学院 | 基于边缘计算的电力***稳态数据压缩方法 |
CN113644916B (zh) * | 2021-07-30 | 2023-12-26 | 南京信息工程大学滨江学院 | 基于边缘计算的电力***稳态数据压缩方法 |
CN113794709A (zh) * | 2021-09-07 | 2021-12-14 | 北京理工大学 | 一种用于二值稀疏矩阵的混合编码方法 |
CN113922823A (zh) * | 2021-10-29 | 2022-01-11 | 电子科技大学 | 基于约束稀疏表征的社交媒体信息传播图数据压缩方法 |
CN113922823B (zh) * | 2021-10-29 | 2023-04-21 | 电子科技大学 | 基于约束稀疏表征的社交媒体信息传播图数据压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331913B (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331913A (zh) | 基于稀疏k-svd的极化sar图像压缩方法 | |
Talukder et al. | Haar wavelet based approach for image compression and quality assessment of compressed image | |
Kumar et al. | A review: DWT-DCT technique and arithmetic-Huffman coding based image compression | |
CN103905831B (zh) | 基于图形处理器的条带波变换图像压缩方法 | |
Yadav et al. | A review on image compression techniques | |
Thakur et al. | Design and implementation of a highly efficient gray image compression codec using fuzzy based soft hybrid JPEG standard | |
CN101232625A (zh) | 一种高效的多维视频流编解码方法 | |
CN106612435A (zh) | 一种基于svd-dwt-dct的联合图像压缩方法 | |
CN103400349A (zh) | 基于盲压缩感知的图像重构方法 | |
Kalavathi et al. | A wavelet based image compression with RLC encoder | |
CN106056640B (zh) | 基于形态成分分解结合压缩感知的图像压缩方法 | |
CN112750175B (zh) | 基于八度卷积和语义分割的图像压缩方法及*** | |
CN102572426A (zh) | 一种数据处理的方法和装置 | |
CN104683818A (zh) | 基于双正交不变集多小波的图像压缩方法 | |
Singh et al. | Singular value decomposition based sub-band decomposition and multi-resolution (SVD-SBD-MRR) representation of digital colour images | |
Wang et al. | Lossy to lossless image compression based on reversible integer DCT | |
Gupta et al. | Image compression technique under JPEG by wavelets transformation | |
Keser | An Image Compression Method Based on Subspace and Downsampling | |
Suzuki et al. | Realization of lossless-to-lossy image coding compatible with JPEG standard by direct-lifting of DCT-IDCT | |
Shu et al. | Shape adaptive texture coding based on wavelet-based contourlet transform | |
Singh et al. | Neuro-wavelet based approach for image compression | |
CN109981109A (zh) | 基于二维小波提升-dct变换对地电场值压缩算法 | |
Shukla et al. | Digital Image Compression Using Hybrid Scheme Using Dwt And Quantization With Dct For Still Digital Image | |
CN104361614A (zh) | 基于多方向字典学习的极化sar图像压缩方法 | |
Hasan | Combination of lossy and lossless for image compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |