System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像压缩,更具体的说是涉及一种基于深度学习的天文图像无损压缩方法。
技术介绍
1、随着天文观测技术的快速发展,图像的采样率以及分辨率不断提高,天文图像数据量越来越大,每日创造的观测数据量也在急剧增长。例如,中国最大的1米新真空太阳望远镜(nvst)每日产生的数据达到gb级别,fast望远镜每日产生数据则达到了tb级别,而全球分布的ska望远镜每日产生的数据量则更是惊人地达到了pb级别。目前,这些海量天文图像数据在归档过程中属于无压缩存储方式,需要大量的存储介质支持,带来了巨大的成本开销。另外,由于天文数据本身高清特性,单个文件的大小从mb级到gb级不等,也不利于文件的分享,为数据传输技术,带来了巨大挑战。
2、目前的传输宽带和信道的增加无法与天文数据量的增长相匹配,即对天文图像的存储和传输提出了更高的要求,然而现有的图像压缩技术存在一些问题:
3、①基于先打包后压缩(tar,gzip等)的方式,这是该领域较为常见的形式,但这种方式应用于天文图像压缩表现却并不理想。
4、②若采用基于有损的图像压缩算法,虽然有较好的压缩效果,但是往往会产生不可逆的损失,使得细节部分的图像信息无法保留,而这部分信息有可能正是天文图像中最有价值的部分,如太阳黑子,磁暴等现象。
5、③一些无损压缩方法,如整数小波变换,由于缺乏自适应性,同样没有得到广泛的应用。另外,天文图像的fits格式包含有多种精度,包括无符号整型、单精度浮点型、双精度浮点型等类型,很少有无损压缩方法可以全部适用。
< ...【技术保护点】
1.一种基于深度学习的天文图像无损压缩方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,S1中,潜在变量的层级L根据图像数据的复杂程度设定,其影响图像数据最终的压缩比。
3.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,S4和S6中,非对称数字系统的解码器的表示形式为:
4.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,将一个图像数据看作一个包含隐变量的图模型,数据x的联合概率密度函数分解为下式:
5.根据权利要求4所述的基于深度学习的天文图像无损压缩方法,其特征在于,qφ(z|x)为推断模型的概率密度函数,pθ(x|z)为生成模型概率密度分布函数。
6.根据权利要求4所述的基于深度学习的天文图像无损压缩方法,其特征在于,S3中,变分自编码器模型的采样过程遵循zL→zL-1→…→z1→x形式的马尔科夫链:
7.根据权利要求6所述的基于深度学习的天文图像无损压缩方法,其特征在于,使用非对称数字系统进行压缩的过程中
8.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,对于图像数据中的单精度浮点数V的无损压缩,采用三元组{S,E,F}来表示,如下所示:
9.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,该方法还包括:
...【技术特征摘要】
1.一种基于深度学习的天文图像无损压缩方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,s1中,潜在变量的层级l根据图像数据的复杂程度设定,其影响图像数据最终的压缩比。
3.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,s4和s6中,非对称数字系统的解码器的表示形式为:
4.根据权利要求1所述的基于深度学习的天文图像无损压缩方法,其特征在于,将一个图像数据看作一个包含隐变量的图模型,数据x的联合概率密度函数分解为下式:
5.根据权利要求4所述的基于深度学习的天文图像无损压缩方法,其特征在于,qφ(z|x)为推断模型的概率密度函数,pθ(x|z)为生成模型概率密度分布函数。
6.根据权利要求4所述的基...
【专利技术属性】
技术研发人员:刘应波,柳晓莹,杨磊,付怀颖,
申请(专利权)人:云南财经大学,
类型:发明
国别省市:
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。