基于上下文的靜止圖像和極光圖像壓縮.pdf

1、隨著數(shù)字通信和Interact技術(shù)的不斷發(fā)展，人們對(duì)語(yǔ)音、圖像、視頻等多媒體信息的需求越來(lái)越多，同時(shí)，對(duì)多媒體質(zhì)量的期望也越來(lái)越高。圖像作為多媒體信息重要的組成部分，數(shù)據(jù)量極大，因此圖像的海量存儲(chǔ)以及傳輸技術(shù)對(duì)圖像壓縮技術(shù)提出了更高的要求。小波變換具有時(shí)域和頻域的雙重特性，基于小波變換的編碼技術(shù)相對(duì)于傳統(tǒng)的編碼方法壓縮效率更高，同時(shí)能夠?qū)崿F(xiàn)嵌入式的碼流，因此，小波變換在圖像壓縮編碼技術(shù)中得到廣泛的應(yīng)用。本文在研究小波理論和上下文模型的基

2、礎(chǔ)上，分別改進(jìn)了原有基于上下文的算術(shù)編碼方法以及基于上下文模型預(yù)測(cè)的無(wú)損壓縮方法，然后再利用運(yùn)動(dòng)補(bǔ)償技術(shù)對(duì)無(wú)損壓縮方法進(jìn)一步的改進(jìn)。主要研究?jī)?nèi)容包括：
　　 ⑴基于離線和自適應(yīng)權(quán)值上下文分類的圖像壓縮編碼方法。針對(duì)高階上下文模型算術(shù)編碼器中上下文量化復(fù)雜度較高和樣本稀疏的問(wèn)題，本文提出了一種新的基于離線和自適應(yīng)權(quán)值上下文分類的算術(shù)編碼器。通過(guò)訓(xùn)練小波變換系數(shù)之間的相關(guān)性，建立上下文模型并得到代表重要性的權(quán)值；將權(quán)值作為上下文，并

3、通過(guò)Lloyd-max量化分類器進(jìn)一步減少上下文的階數(shù)，傳統(tǒng)的高階上下文算術(shù)編碼器可以近似為低階。同時(shí)本文既包含離線權(quán)值上下文概率估計(jì)，同時(shí)改進(jìn)后的自適應(yīng)權(quán)值上下文概率估計(jì)效果與離線性能相當(dāng)，而且性能上優(yōu)于目前的基于上下文的算術(shù)編碼器。
　　 ⑵基于上下文預(yù)測(cè)的三維極光圖像壓縮。本文基于3D-CALIC算法，提出了一種新的自適應(yīng)的上下文預(yù)測(cè)方法，本文建立的上下文模型能夠根據(jù)極光圖像的幀間及幀內(nèi)相關(guān)性選擇合適的預(yù)測(cè)方法(幀內(nèi)或者幀

4、間)，同時(shí)基于該上下文模型的預(yù)測(cè)方法能夠自適應(yīng)的選擇模型內(nèi)的像素對(duì)當(dāng)前像素進(jìn)行預(yù)測(cè)，解決了傳統(tǒng)預(yù)測(cè)算法中使用固定位置和數(shù)目的像素進(jìn)行預(yù)測(cè)的算法。本文提出算法的復(fù)雜度低，預(yù)測(cè)公式簡(jiǎn)單，能夠?qū)崿F(xiàn)實(shí)時(shí)性應(yīng)用，而且性能高于傳統(tǒng)的基于預(yù)測(cè)和變換的無(wú)損壓縮方法。
　　 ⑶基于運(yùn)動(dòng)補(bǔ)償?shù)臉O光圖像無(wú)損壓縮。本文基于視頻的運(yùn)動(dòng)補(bǔ)償算法，并針對(duì)極光圖像非剛體的特性，提出了基于點(diǎn)的運(yùn)動(dòng)估計(jì)和運(yùn)動(dòng)補(bǔ)償方法，該方法能克服塊運(yùn)動(dòng)補(bǔ)償給極光圖像帶來(lái)的預(yù)測(cè)不準(zhǔn)