一种图像压缩的改进方法

admin

　　1 Context 熵编码
　　对于平稳信源来说过去符号与当前符号之间具有很强的相关性，可将图像局部看成平稳信源，利用已知信源符号对当前像素进行预测的过程称为context 建模[1]，再用算术编码对信源符号编码，其压缩率远远比普通算术编码好。
　　2 自适应加权Context 编码
　　2.1 加权Context 编码
　　对于大部分的图像信号，人们通常不能提前知道图像的信号结构。由于信源的相关性，可以根据先前信源的统计特性，对后续信源进行预测[2]。选取与当前像素空间位置相邻的已知像素作为条件，对当前像素进行统计，能够得到与当前像素相关性较大的条件概率，将所有条件概率分布合并起来对下一段信源符号进行预测，能够降低图像的不确定度，从而达到压缩的效果。
       　　

　　2.2 自适应加权编码
　　在图像中信源符号是一直改变的，如内容变化缓慢的平坦区，细节丰富的纹理区，亮度突变的边缘和轮廓，分别具有不同的统计特性[3]，如果我们使用先前求出的权值，长期用来预测接下来条件概率分布，会使编码效果变差，因此对权值应进行适当的更新，使权值适应图像符号的改变。
　　3 权值的选取
　　3.1 基于最短自适应码长的权值
　　由于图像有很强的相关性，Minh Duc Cao 等人根据贝叶斯平均提出：权值正比于条件概率的自适应码长[3]，.这种方法利用平均简单计算出了权值，却忽略权值选择的最优性。可以根据前一段的统计特性来预测下一段的概率分布。此权值选取改进方法是：下一段的权值是使上一段概率分布的自适应码长最短时的权值，用上一段的最优权值对下一段的概率分布进行预测。此种方法采用了寻优的办法，最大限度的使用了条件概率分布。
　　3.2 权值的具体选择办法
　　本文采用多元化算法（MOV）对权值进行寻优，该算法是基于计算机队列、堆栈数据结构的特点而提出的一种离散的多种群启发式搜索算法。多元优化算法的全局搜索元和局部搜索元协同合作交替地进行全局和局部的搜索。多元优化算法具有较强的全局和局部搜索能力,并且能够同时发现多个最优解,适用于多模态环境下多个最优值求解[4]。
　　利用MOV 算法，找到最短自适应码长所对应的权值。
　　4 实验方法及分析
　　4.1 实验方法
　　选取512×512 格式为raw 的原始图像，为了更好提高压缩效果，首先将图像进行了8 级量化，可知量化后的每像素需要2 个比特。为了降低计算的复杂度，接下来两个实验都只采用两位条件，即用两个条件概率分布来进行加权合并。
　　4.1.1 实验一
　　实验一中，分别用贝叶斯平均求出的权值和最短自适应码长求出的权值进行编码的结果如表1 所示，压缩结果分别为每幅图的第一列和第二列，单位为符号每比特（bps），同时该实验对权值的更新频率进行了对比。
　　由此表得知改进后压缩效果比先前明显增强，并且更新的越快压缩效果也就更加明显，但是更新过于频繁难免会消耗太多的时间和计算量，造成浪费。
　　4.1.2 实验二
　　实验一中采用100 阶条件概率分布进行编码，实验二研究阶数对实验结果的影响。表2 表示别用100 阶，50 阶，20 阶条件概率，每20 行更新一次对图像进行编码的结果。
　　表2 阶数对压缩效果的影响由表2 可知，三种选择阶数的方法对压缩效果影响不是很大，再次说明了图像之间存在着很强的相关性。采用50 阶条件概率进行压缩，得到的压缩值最小，并且与100 阶相比，计算复杂度也降低了。
　　4.2 实验结论
　　由上诉实验结果对比分析之后可以得出结论，采用寻优的方法求得的权值进行压缩，其效果比用贝叶斯平均计算权值进行压缩的效果要好，在阶数方面采用50 阶进行概率统计，计算复杂度适中且压缩效果良好。
　　参考文献：
　　[1] 陈旻. 一种图像自适应小波压缩算法[N]. 昆明学院学报,2013,35(6):96-99
　　[2] 张春田,苏育挺.数字图像压缩编码[M].清华大学出版社,pp:2-5
　　[3] Minh Duc Cao.Data Compression Conference, A SimpleStatistical Algorithm for Biological Sequence Compression,2007. DCC ''07
　　[4] Changxing Gou,ICMEME.A novel Multivariant OptimizationAlgorithm for Multimodal Optimization[M].pp:458-464
　　[5] Yang yi, perceptual compressive sensing for imaging signals[C].IEEE.2009.International Conference on Multimedia andExpo. New York:IEEE,2009,pp89-92
　　
　　

whmph

看帖回复是种美德支持

李小路

谢谢分享！