关键字 |
| 图像压缩，小波，Haar, Daubechies，双正交，Coiflet |
介绍 |
| 随着多媒体产品的不断发展和需求，出现了网络带宽不足和存储设备存储容量不足的问题。因此，数据压缩对于减少数据冗余以节省更多的硬件空间和传输带宽变得越来越重要。在计算机科学和信息中，数据压缩或源编码是使用比未编码表示更少的比特或其他承载信息的单位来编码信息的过程。使用压缩是因为它有助于减少昂贵资源的消耗，如硬盘空间或传输带宽。 |
| 图像数据压缩的基本目标是降低传输和存储的比特率，同时保持原始质量或提供可接受的保真度。图像压缩涉及减少图像文件的大小，同时保留必要的信息。所得到的图像称为压缩图像，并用于重建图像，其结果为解压缩图像。图像压缩是减少表示图像所需数据量的艺术和科学，是数字图像处理领域最有用和商业上最成功的技术之一。每天压缩和解压缩的图像数量是惊人的，并且用户实际上看不到压缩和解压缩本身。 |
图像压缩解决了减少表示数字图像所需的数据量的问题。它是一种通过减少图像存储或传输要求来压缩图像表示的过程。图像压缩的目标是在不影响图像质量的情况下减小图像文件的大小。术语数据压缩指的是减少表示给定信息量所需的数据量的过程。在这个定义中，数据和信息不是一回事;数据是传递信息的工具。因为可以使用不同数量的数据来表示相同数量的信息，所以包含重复或不相关信息的表示被称为包含冗余数据。设b和b '表示同一信息的两种表示的比特数，则b位表示的相对数据冗余度R为 |
| 其中C，通常称为压缩比，定义为 |
 |
| 压缩是通过去除三个基本数据冗余中的一个或多个来实现的: |
| 编码冗余 |
| “像素间冗余” |
| “心理视觉冗余” |
| 当使用的码字少于最佳码字时，就会出现编码冗余。像素间冗余是由图像像素之间的相关性产生的。心理视觉冗余是由于被人类视觉系统忽略的数据(即视觉上不重要的信息)。压缩的目标是尽可能地减少比特数，同时保持重建图像的分辨率和视觉质量尽可能接近原始图像。 |
| 图像压缩系统由两个不同的结构块组成:编码器和解码器。如图1所示，编码器负责减少输入图像的编码、像素间冗余和心理视觉冗余。在第一阶段，映射器将输入图像转换为旨在减少像素间冗余的格式。第二阶段，qunatizer块降低映射器输出的精度按照预定义的标准。在第三阶段和最后阶段，符号解码器为量化器输出创建代码，并根据该代码映射输出。这些块以相反的顺序执行编码器的符号编码器和映射器块的反向操作。由于量子化是不可逆的，逆量子化不包括在内。 |
A.压缩的需要 |
| 在原始状态下，图像在RAM和存储器中都会占用大量的内存。图像压缩减少了图像所需的存储空间和通过网络传输图像时所需的带宽。 |
B.压缩的好处 |
| “通过交换电话网络发送更少的数据，它提供了一种潜在的成本节约，因为在交换电话网络中，通话成本通常取决于其持续时间。 |
| 它不仅减少了存储需求，还减少了整体执行时间。 |
| 它还降低了传输错误的概率，因为传输的比特数更少。 |
| 它还提供了一定程度的安全防范非法监控。 |
C.医学影像 |
| 医学成像是为临床目的(寻求揭示、诊断或检查疾病的医疗程序)或医学科学(包括正常解剖和生理学的研究)而用于创建人体(或其部分及其功能)图像的技术和过程。尽管出于医学原因可以对切除的器官和组织进行成像，但这种手术通常不被称为医学成像，而是病理学的一部分。作为一门学科，在最广泛的意义上，它是生物成像的一部分，并包括放射学(在更广泛的意义上)、核医学、调查放射科学、内窥镜、(医学)热成像、医学摄影和显微镜(例如用于人体病理调查)。大多数诊断成像中心位于加利福尼亚州，其次是德克萨斯州和佛罗里达州。 |
| 测量和记录技术，主要不是为了产生图像，如脑电图(EEG)，磁脑电图(MEG)，心电图(EKG)，和其他，但产生的数据容易表示为地图(即，包含位置信息)，可以被视为医学成像的形式。截至2010年，全球共进行了50亿次医学成像研究。2006年，来自医学成像的辐射暴露约占美国电离辐射暴露总量的50%。 |
| 在临床环境中，“不可见光”医学成像通常等同于放射学或“临床成像”，负责解释(有时获取)图像的医生是放射科医生。“可见光”医学成像包括无需特殊设备就能看到的数字视频或静态图像。皮肤病学和伤口护理是利用可见光成像的两种模式。放射诊断学指的是医学成像的技术方面，特别是医学图像的获取。放射技师或放射技术专家通常负责获取具有诊断质量的医学图像，尽管一些放射干预是由放射学家进行的。放射学是一种解剖评估，而核医学提供功能评估。 |
基于小波的图像压缩 |
| 波是时间或空间的振荡函数，具有周期性。相比之下，小波是局域波[1]。小波的意思是“小波”。小意味着窗函数的长度有限。小波是满足一定数学要求的函数，用于表示数据或其他函数。小波是一种有效的有限持续时间的波形，其平均值为零。波本身指的是这个函数是振荡的。小波是层次分解函数的数学工具。近年来，小波变换已被证明是一种非常有用的图像处理工具。它允许一个函数可以用粗略的整体形状描述，加上从宽到窄的细节[3]。 |
| 小波是一种将原始图像在频域描述为图像的数学函数，它可以进一步划分为不同频率分量的子带图像。每个组件都以与其比例[2]相匹配的分辨率进行研究。小波是一种数学函数，它将数据切割成不同的频率分量，然后以与其规模[10]匹配的分辨率研究每个分量。 |
| 小波的基本思想是根据尺度进行分析。小波是满足一定数学要求的函数，用于表示数据或其他函数。在小波分析中，我们用来观察数据的尺度起着特殊的作用。小波算法处理不同尺度或分辨率的数据。如果我们观察带有大“窗口”的信号，我们会注意到大体特征。类似地，如果我们观察一个带有小“窗口”的信号，我们会注意到小的特征。小波家族中有许多成员，其中一些通常被认为是更有用的，如下所示Haar小波是最古老和最简单的小波之一。因此，任何关于小波的讨论都是从哈尔小波开始的。Daubechies小波是最常用的小波。它们代表了小波信号处理的基础，并被广泛应用。 |
| Haar-这个小波是不连续的，类似于阶跃函数。 |
| Coiflets-小波函数有2N个矩等于0，标度函数有2N-1个矩等于0。这两个函数的支持长度为6N-1。 |
| 符号——符号是几乎对称的小波。两个小波族的性质相似。 |
| Meyer -在频域定义了Meyer小波和尺度函数。 |
| 双正交-这类小波表现出线性相位的性质，这是信号和图像重建所需要的。通过使用两个小波，一个用于分解(在左边)，另一个用于重建(在右边)，而不是使用相同的单个小波，得出了有趣的性质。 |
| Daubechies- Daubechies是紧支持的标准正交小波，在小波变换中得到了应用。它的家庭有九个成员在它[4]。 |
比较研究 |
| 已经解释过，图像压缩有两种类型，有损和无损。不同的科学家把他们的工作放在压缩领域。我们的第一个问题是选择最合适的小波变换进行医学图像压缩。在此，我们将分析不同类型的小波变换对不同类型的医学图像的行为，并确定最合适的小波变换可以对给定的医学图像进行最佳压缩。因此，本研究工作所采取的问题分为以下几个目标。 |
答:目标: |
| 图像压缩研究。 |
| ●不同小波变换的研究。 |
| 指出小波变换的利与弊。 |
| 所有不同小波变换的比较。 |
B.比较模型 |
| 比较模型集中于上述目标，有助于找到最合适的小波变换，实现最优的压缩。本文研究了不同小波变换在不同医学图像上的表现。对比模型的基本设计如图2所示。 |
| 在研究基于不同小波的图像压缩时，有许多相位。它们是: |
C.图像采集: |
| 任何压缩系统的第一个阶段是图像采集阶段。在获得图像之后，可以对图像应用各种处理方法来执行当今所需的许多不同任务。然而，如果图像不能令人满意地获得，那么预期的任务可能无法实现。在这一阶段，收集了许多不同类型的医学图像样本，包括CT扫描、ECG、眼底、红外图像、乳房x线摄影、核磁共振成像、美国图像和x射线图像。 |
D.基于小波的图像压缩: |
| 小波有不同的成员，哈尔小波是最古老、最简单的小波之一。Daubechies小波是最常用的小波。它们代表了小波信号处理的基础，并被广泛应用。Haar, Daubechies和Coiflets是紧支持正交小波。这些小波与迈耶小波能够完美地重建。Meyer, Morlet和Mexican Hat小波在形状上是对称的。小波是根据它们的形状和在特定应用中分析信号的能力来选择的。双正交小波具有线性相位特性，是信号和图像重建所必需的。通过使用两个小波，一个用于分解(在左边)，另一个用于重建(在右边)，而不是使用相同的单个小波，得出了有趣的性质。 |
| 大肠的比较:在比较阶段，对Haar、Daubechies、Biorthogonal和Coiflet小波压缩的结果进行比较，确定最适合不同类型医学图像压缩的小波变换。比较是根据不同的参数来衡量图像的质量&它们的压缩比。 |
结论 |
| 本文对基于小波的图像压缩算法进行了比较研究。本文在前人工作中计算的一些参数的基础上进行了比较研究。从结果来看，在恒定的PSNR下，Daubechies变换对MRI、眼底和红外图像有更高的压缩百分比，Haar变换对ECG图像有更高的压缩百分比，双正交变换对x射线图像有更高的压缩百分比，Coiflets变换对CT、US和乳房x线图像有更高的压缩百分比。 |
| 在这项工作中，我们成功地对基于小波的压缩进行了比较研究。不过，还是有一些改善的希望。如果我们能在更多的图像样本中使用优化算法进行压缩，结果可能会更好。因此，未来的工作可以朝着使用人工智能技术优化系统的方向发展。 |
|
数字一览 |
 |
 |
| 图1 |
图2 |
|
|
参考文献 |
- AboodKuther, AboudHayder，和A.H. Falih，“使用神经网络的x射线图像压缩”，ISSN 2229-5518，卷。3、2012年第10期。
- 杨晓明，王晓明，杨晓明，“基于神经网络的小波多类图像分类方法研究”，计算机应用，Vol.37, No.4, 2012.C。
- 王晓明，王晓明，“基于小波变换的图像压缩算法”，中国科学(自然科学版)，2009年第5期。
- BaluramNagaria,磁流体动力。FarukhHashmi, PradeepDhakad，“基于快速变换的图像压缩算法的比较分析”，《工程技术学报》，2011年第3期，第5期。
- Ben Amar，和O. Jemai，“图像压缩的小波网络方法”，ICGST国际图形，视觉和图像处理杂志，37-45页，2007。
- 刘志强，王志强，“基于Haar小波的图像压缩方法与图像质量评价”，应用数学学报，vol . 32, pp.1-8, 2007。
- kashman A.和Dimililer K，“基于神经网络和Haar小波的图像压缩”，WSEAS跨信号处理Vol.4, pp. 333 -339, 2008。
- N.Senthilkumaran, J.Suguna，“基于x射线图像无损压缩的神经网络技术”，国际计算机与电子工程杂志，Vol.3, No.1, 2011。
- R.Gonzalez和R.woods，《数字图像处理》第三版，培生教育，2011年。
- S N Sivanandam, S Sumathi和S N Deepa，“使用Matlab 6.0的神经网络介绍”McGraw Hill, 2012。
- 张志伟，“图像压缩技术及其应用”，《计算机工程学报》，2009年第2卷第4期。
|
菜单
