The invention discloses a lossy lossless joint compression method for laser induced breakdown spectral image, which mainly solves the problem that the existing technology can not simultaneously carry out lossy and lossless joint compression for an image. Its realization scheme is as follows: 1) providing image data and parameters; 2) judging whether the current pixel is in the lossless area; 3) initializing the lossless and lossy key variables; 4) calculating and merging the lossless and lossless local gradient quantization values; 5) calculating the lossless and lossless corrected prediction values and prediction errors, and coding the prediction errors; 6) updating the lossless and lossless accumulation; Variable group; 7) judge whether to end compression according to iteration condition. The invention not only ensures the information security of some key areas of the image, but also achieves a certain compression multiple, reduces the amount of data to be transmitted, and has the advantages of simple implementation, low compression complexity, fast compression speed, higher compression quality at low compression times, and can be used for image transmission.
【技术实现步骤摘要】
激光诱导击穿光谱图像有损无损联合压缩方法
本专利技术属于图像处理
,更进一步涉及一种图像压缩的方法,可用于图像传输。
技术介绍
深空环境等图像传输领域,由于数据传输和存储资源的限制,必须对图像进行压缩处理。目前在图像压缩领域,有一些直接对整幅图进行压缩的方法,如JPEG-LS方法,它是一种新的针对连续色调静态图像的压缩标准(ISO-14495-1/ITU-T.87)。但在一些特殊应用的需求中,需要保护重要区域的信息免于损失,同时整幅图达到一定的压缩比,因而直接用现有JPEG-LS方法压缩无法满足有损无损同时压缩的需求。哈尔滨工业大学在其专利申请“一种高光谱图像压缩方法”(专利申请号:CN201110122607.3,公开号:CN102156998A)中公开了一种对高光谱图像进行分级压缩处理的方法。基于JPEG-2000算法实现了对感兴趣空间信息和感兴趣光谱信息无损或者近无损的压缩,而对其它信息进行较大压缩比的压缩。但仍然存在的不足是,此方法需要对图像进行小波变换,实现复杂,压缩速度较低,不能满足对压缩速度要求较高的场合。现有JPEG-LS标准的核心算法是低复杂度无损图像压缩LOCO-I结合了哈夫曼编码的低复杂度和上下文建模的高压缩效率,并且压缩速度很高。但现有JPEG-LS方法只能对整幅图进行相同倍数的压缩,有损压缩时整幅图都会有信息损失,在有些需要保证图像特定区域或特定目标信息免于损失的应用中,不能满足要求。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足,提出一种激光诱导击穿光谱图像有损无损联合压缩方法,以在保证整幅图像达到设定压缩倍数的前 ...
【技术保护点】
1.一种激光诱导击穿光谱图像有损无损联合压缩方法,其特征在于,包括如下:(1)提供图像参数:包括待压缩图像、图像宽度w、图像高度h、比特深度dp、需要满足的压缩倍数r和需要无损压缩的区域坐标;(2)初始化关键变量:设无损压缩时重构像素与原像素的最大允许误差值为near1,将near1值初始化为0;设有损压缩时重构像素与原像素的最大允许误差值为near2,将near2值初始化为1;设无损区域的三级量化区间阈值为T1、T2、T3,设有损区域的三级量化区间阈值为T4、T5、T6;(3)获得当前像素的量化局部梯度值:(3a)设当前像素正左方的值为b、左上方的值为c、正上方的值为a、右上方的值为d,计算当前像素的3个局部梯度值分别为:D1=d‑b、D2=b‑c、D3=c‑a;(3b)计算不同区域的量化区间:根据(2)中设置的T1、T2、T3、near1参数以及它们对应的4个负数值,得到无损压缩的9个量化区间;根据(2)中设置的T4、T5、T6、near2参数以及它们对应的4个负数值,得到有损压缩的9个量化区间;(3c)根据(3b)中的量化区间对(3a)中的3个局部梯度值D1、D2、D3进行量化: ...
【技术特征摘要】
1.一种激光诱导击穿光谱图像有损无损联合压缩方法,其特征在于,包括如下:(1)提供图像参数:包括待压缩图像、图像宽度w、图像高度h、比特深度dp、需要满足的压缩倍数r和需要无损压缩的区域坐标;(2)初始化关键变量:设无损压缩时重构像素与原像素的最大允许误差值为near1,将near1值初始化为0;设有损压缩时重构像素与原像素的最大允许误差值为near2,将near2值初始化为1;设无损区域的三级量化区间阈值为T1、T2、T3,设有损区域的三级量化区间阈值为T4、T5、T6;(3)获得当前像素的量化局部梯度值:(3a)设当前像素正左方的值为b、左上方的值为c、正上方的值为a、右上方的值为d,计算当前像素的3个局部梯度值分别为:D1=d-b、D2=b-c、D3=c-a;(3b)计算不同区域的量化区间:根据(2)中设置的T1、T2、T3、near1参数以及它们对应的4个负数值,得到无损压缩的9个量化区间;根据(2)中设置的T4、T5、T6、near2参数以及它们对应的4个负数值,得到有损压缩的9个量化区间;(3c)根据(3b)中的量化区间对(3a)中的3个局部梯度值D1、D2、D3进行量化:若当前像素在无损区域,则根据无损量化区间得到无损的量化局部梯度值Q1、Q2、Q3;若当前像素在有损区域,则根据有损量化区间得到有损的量化局部梯度值Q4、Q5、Q6;(4)分别对各区域的量化梯度进行合并,并计算和修正当前像素的预测值,得到无损修正预测值P1和有损修正预测值P2;(5)根据当前像素值和修正预测值,分别计算得到无损预测误差值Err1和有损预测误差值Err2;(6)对预测误差值进行编码:(6a)计算哥伦布编码参数:定义无损区域预测误差的出现次数的累积值为N1[Q],无损区域预测误差绝对值的累积值为A1[Q],则无损哥伦布编码参数k1=|log2(A1[Q]/N1[Q])|;定义有损区域预测误差的出现次数的累积值为N2[q],有损区域预测误差绝对值的累积值为A2[q],则有损哥伦布编码参数k2=|log2(A2[q]/N2[q])|;(6b)在无损区域,根据无损哥伦布编码参数k1,直接在空间域上对无损预测误差值Err1进行编码,在有损区域,根据有损哥伦布编码参数k2,直接在空间域上对有损预测误差值Err2进行编码,并在编码时限制编码长度,保证压缩性能;(7)定义累积变量组,并进行参数更新:定义B1[Q]为无损区域修正的预测误差的累积值,并将其与无损区域预测误差绝对值的累积值A1[Q],无损区域预测误差出现次数的累积值N1[Q],无损区域的预测修正值C1[Q]统一定义为无损累积变量组;根据无损区域预测误差值Err1更新无损累积变量组中的A1[Q]、B1[Q]、N1[Q],根据更新后B1[Q]和N1[Q]的值更新C1[Q];定义B2[q]为有损区域修正的预测误差的累积值,并将其与有损区域预测误差绝对值的累积值A2[q],有损区域预测误差出现次数的累积值N2[q],有损区域的预测修正值C2[q]统一定义为有损累积变量组;根据有损区域预测误差值Err2更新有损累积变量组中的A2[q]、B2[q]、N2[q],根据更新后B2[q]和N2[q]的值更新C2[q];(8)完成参数更新后,判断是否结束压缩:若当前像素不是整幅图的最后一个像素,则返回(3)进入下一个像素的压缩;若当前像素是整幅图的最后一个像素,则判断当前图像压缩倍数是否达到需要满足的压缩倍数r,如果达到,则结束压缩,否则,将有损压缩时重构像素与原像素的最大允许误差值near2加1,无损压缩时重构像素与原像素的最大允许误差值near1值保持为0,返回(2)重新进行关键变量初始化。2.根据权利要求1所述的方法,其中(4)中分别对各区域的量化梯度进行合并,其实现如下:(4a)在无损区域,若无损量化局部梯度值Q1、Q2、Q3的第一个非零元素是负值,则将Q1、Q2、Q3的值取反,否则Q1、Q2、Q3保持不变;将Q1、Q2、Q3合并,得到无损的合并局部梯度值Q;(4b)在有损区域,若有损量化局部梯度值Q4、Q...
【专利技术属性】
技术研发人员:刘凯,张敏桐,刘伟,李云松,王柯俨,吴宪云,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。