一、基于ROI的可变质量图像压缩算法(论文文献综述)
何一帆[1](2021)在《基于深度自编码器的图像有损压缩算法研究》文中研究说明随着智能终端设备不断普及,每天产生大量图像、视频内容,图像编码作为数据存储和传输的关键技术一直是人们研究的重点。过去几十年中,传统图像编码发展逐渐遇到瓶颈,一方面因为编码标准中各模块计算和存储复杂度不断增加,未来按照当前编码模式持续提升性能更加困难;另一方面分类、检测等智能应用快速发展,现有编码算法难以应对此类需求。针对上述问题,基于深度学习的编码算法提供了新的解决思路,考虑到自编码器作为深度学习编码框架中的基础结构,本文重点研究基于深度自编码器的图像有损压缩算法。论文主要贡献概括如下:(1)提出自适应比特分配的多尺度自编码器图像压缩算法,解决传统自编码器网络没有充分利用各层特征和无法自适应进行比特分配的问题。算法将编码器中不同尺度的特征进行组合,利用自适应比特分配模块对特征进行处理,然后传递到解码端。实验表明,提出的算法在主、客观质量上比JPEG有明显的优势,在MSSSIM评估下,相比JPEG2000节约3.71%比特率。(2)提出分类精度保持的图像压缩算法,解决图像经过压缩算法后分类精度下降的情况。算法在率失真损失基础上引入分类特征损失,通过实验确定多尺度特征融合方案和损失函数融合权重,使网络在优化率失真性能的同时尽可能保持图像分类精度。实验表明,在MS-SSIM评估下,提出的算法能够达到与BPG相近的客观质量,同时重建图像在Top-1准确性上比BPG高2%。(3)提出感兴趣区域增强的图像压缩算法,解决压缩过程中对感兴趣区域质量下降的问题。算法中引入了感兴趣区域特征增强的编码器,通过计算重要性得分将感兴趣区域特征与原图特征融合增强感兴趣区域。实验表明,相较于JPEG、JPEG2000、BPG和一些深度学习压缩算法,所提出的算法在感兴趣区域和重建全图具有较好的客观质量,在MS-SSIM评估下,全图重建比BPG节约18.71%比特率,感兴趣区域节约38.64%比特率。
刘东,王叶斐,林建平,马海川,杨闰宇[2](2021)在《端到端优化的图像压缩技术进展》文中指出图像压缩是数据压缩技术在数字图像上的应用,其目的是减少图像数据中的冗余,从而用更加高效的格式存储和传输数据。传统的图像压缩方法中,图像压缩分为预测、变换、量化、熵编码等步骤,每一步均采用人工设计的算法分别进行优化。近年来,基于深度神经网络的端到端图像压缩方法在图像压缩中取得了丰硕的成果,相比传统方法,端到端图像压缩可以进行联合优化,能够取得比传统方法更高的压缩效率。文中首先对端到端图像压缩的方法和网络结构进行了介绍;接着对端到端图像压缩中的关键技术进行了阐述,包括量化技术、概率建模和熵编码技术以及编码端码率分配技术;然后介绍了端到端图像压缩的扩展应用研究,包括可伸缩编码、可变码率压缩、面向视觉感知和机器感知的压缩;最后通过实验对端到端图像压缩方法目前可达到的压缩效率与传统方法进行了对比,展示了其压缩性能。实验结果表明,目前最新的端到端图像压缩方法的压缩效率远高于JPEG,JPEG2000,HEVC intra等传统图像编码方法,相比目前最先进的编码标准VVC intra,在同样的MS-SSIM上节省了高达48.40%的编码码率。
付东辉[3](2020)在《基于人眼视觉系统特性的图像压缩算法及实现的关键技术研究》文中认为计算机和半导体技术的迅猛发展,引领着信息时代的跨越式前进。大数据信息时代,图像数据占据了相当大的比重,在追求高分辨率,高帧频的同时,也面临海量数据传输与存储的挑战。为此许多图像的编码标准相继被提出,其中视频编码联合组(JCT-VC)发布的高效视频编码标准(HEVC),无论在视频还是图像编码方面都有着优异的性能表现。考虑到人眼是大部分图像信息的最终接收端,而传统的编码标准并没有考虑人眼的视觉系统(HVS)特性,图像编码时会残留大量的视觉冗余信息,不能够充分发挥HEVC编码标准的最佳性能。因此,在图像编码时融入人眼的视觉特性具有理论研究意义和现实应用价值。选题研究的目标是在有限的存储空间和传输带宽的条件下获得感知质量最佳的编码图像,研究的重点是实现如何将HEVC编码标准和HVS特性结合在一起以获得最佳的图像编码表现。研究工作基于HVS特性模型(包括恰可察失真和感兴趣区域模型),定义了一种数学意义上的像素感知失真测度,以估测图像像素的感知失真。并将定义的像素感知失真评价方法移植到HEVC中代替默认的客观像素失真评价方法,创建HEVC编码标准和HVS特性的关联。HEVC编码标准和HVS特性的联合编码可以降低编码过程中图像的视觉冗余信息,获到更好的图像编码表现。为实现联合编码的目标,研究将图像编码的两个关键参数失真和码率作为切入点寻找相应的解决方法。一方面在图像感知失真相同的情况下,尽可能的减少图像的编码比特;另一方面在消耗相同编码比特数的情况下,尽可能的获得更好的图像感知质量。从HEVC图像编码理论的角度分析,对问题的理解可以概括为:解决不同条件下因引入感知失真而带来的率失真优化问题。基于率失真优化理论,可以进一步将问题的关键定位在率失真优化的决定因素拉格朗日乘子λ上。选题的研究工作就是基于HVS模型和感知拉格朗日乘子的关系开展的,主要的工作和创新点包括:关于指定量化参数的条件,针对恰可察失真模型,论文提出了两种获取感知拉格朗日乘子的方法:一种是通过研究分析考虑人类视觉系统特性时和不考虑人类视觉系统特性时编码参数的关联性,先建立和图像内容无关,和失真门限值相关的感知拉格朗日乘子系数的查找表。图像编码时,再根据建立的和图像内容相关的加权公式,计算出符合编码条件的感知拉格朗日乘子。另一种是添加预处理操作,通过预处理操作统计所需要的和图像内容相关的图像失真与比特数据,然后依据率失真优化理论计算出感知拉格朗日乘子的值。针对感兴趣区域模型,本文基于率失真理论,分析了如何在引用感兴趣区域模型时选择合适的感知拉格朗日乘子,并证明了使用默认拉格朗日乘子的可行性。关于约束码率的条件,论文根据基于率失真优化理论的传统λ域码率控制方法,提出了适用于图像感知编码的码率R、拉格朗日乘子λ、量化参数QP的R-λ-QP关系模型,提出的感知模型是对传统模型的一种拓展,将传统模型作为感知模型的一种特例。为了保证编码比特分配的准确性和合理性,也提出了一种基于编码树单元的比特分配方法,实现了根据像素显着值合理分配编码比特的目标。为检验提出方法的编码表现,将所有的算法都在HEVC的算法参考软件HM(HEVC test Model)上进行了编码实现。测试实验的结果表明,针对不同约束条件所提出的解决方法,对应的图像感知编码表现都得到了不同程度的提升,证明了提出方法的有效性和合理性。同时考虑图像感知编码的实际应用问题,利用硬件并行处理的速度优势,研究工作基于开源HEVC编码核和恰可察失真模型,在指定量化参数条件下实现了基于modelsim的功能仿真测试,验证了提出方法在工程上的可实现性。
孟磊[4](2020)在《基于自编码器的图像压缩算法研究与FPGA实现》文中研究指明图像不仅在网络传播中消耗着大量带宽,也在实际存储中占用着大量的存储空间,因此,压缩图像以便其传输和存储一直是人们研究的热点。近年来,神经网络在刷脸支付、智慧安防和自动驾驶等高层视觉领域取得了不错的效果,但在图像压缩这类低层视觉领域的效果还未达到足以成熟的压缩标准,研究神经网络在图像压缩领域的应用显得极为迫切。本文以自编码器这类神经网络为核心,研究分析了自编码器在有损图像压缩方向的压缩性能。本文首先分析了标准自编码器在端对端的有损图像压缩方面的可行性;其次,标准自编码器应用于图像压缩领域存在一些不利约束,包括仅适用于固定码率的压缩任务和无法适应任意分辨率的源图像,为解决上述缺点,本文采用了基于卷积神经网络和渐进传输思想的残差自编码器网络结构来修正标准自编码器的自身缺陷;最后,在同一测试集与合理压缩比率等条件下,将本文设计的码率可调的自编码器有损图像压缩网络与JPEG 2000图像压缩算法进行对比,实验结果表明本文的图像压缩网络在MS-SSIM(Multi-scale Structural Similarity)、PSNR、图像解码细节和算法通用性等方面都有一定的提升。本文设计的自编码器图像压缩网络是以卷积神经网络为核心,其运算过程包含不断重复的乘加法、移位和数据存取等操作,鉴于上述情况和FPGA在运算速度和功耗方面得天独厚的条件,进一步设计了自编码器压缩网络的硬件模块。首先,提取了网络的权重和偏置参数,并将浮点参数转定点参数以便于FPGA运算;其次,设计算法的硬件架构,其包含数据传输、数据存取、数据处理等模块,并使用Modelsim仿真软件对各模块进行了功能仿真;最后,在Altera DE2-115开发平台上进行了板级验证,其结果与功能仿真结果保持一致。
田小容[5](2020)在《面向显着性区域保护的图像压缩研究》文中进行了进一步梳理传感器技术的飞速发展,使得图像的分辨率越来越高,给图像数据的传输、存储和处理带来巨大挑战,且根据人眼视觉系统特性,总是优先关注图像中显着性区域,为此,本文提出一种面向显着性区域保护的图像压缩算法。主要针对以下两个问题进行了深入研究:一是由于当前利用神经网络进行显着性检测的模型需要明确显着性区域与背景的边界,对训练数据要求高,且存在多目标图像内容不能被有效感知的问题;二是在取消对获取显着图明确边界限制的基础上,如何准确分离显着性区域与背景区域,实现在压缩时对显着性区域的有效保护。针对上述问题,构建了一种多尺度深度特征显着区域(Multi-Scale Depth Feature Salient Regions,MS-DFSR)检测模型,并提出面向显着性区域保护的图像压缩(Image Compression for Salient Regions Protection,SRPIC)算法。首先,通过构建一个深度卷积神经网络模型提取输入图像的深度特征,结合全局平均池化和类激活映射模块,实现了显着目标定位,并采用最大平均池化和多尺度概念检测图像中的多个显着目标,提高了模型对图像中多个显着目标的有效感知,且数据只需图像级标签;其次,本文利用改进的OSTU阈值算法有效分离了显着性区域与背景区域;最后,将构建的MS-DFSR模型结合压缩技术,显着区域近无损压缩,背景区域有损编码压缩,完成了面向显着性区域保护的图像压缩与重建。本文实验分为显着图分割算法有效验证、MS-DFSR检测模型对图像内容感知有效性验证、不同码率下图像压缩实验和MS-DFSR结合不同编码算法实验。实验数据为在Kodak Photo CD数据集和Pascal Voc数据集。实验结果表明:提出的SRPIC算法得到了较传统编码技术更优的结果,说明了本文算法通过MS-DFSR检测模型有效地感知了图像中的多个显着目标,并通过改进的OSTU阈值算法有效地分离了显着区域与背景区域,使得在图像压缩过程中,减少了图像内容损失,从而提高了压缩后重建图像的质量。该论文有图25幅,表4个,参考文献65篇。
郭琪[6](2020)在《医学病理图像的ROI提取与压缩算法研究》文中提出随着科技的进步和医疗设备的发展,医学病理图像数据越来越庞大,医学病理图像的存储与传输对图像的编码提出了更高的要求。医学病理图像在压缩过程中,既需要保证细胞区域的压缩质量又要提高整体图像的压缩效率。若细胞区域的码率分配较少,会导致质量损失大,影响诊断结果;若背景区域的码率分配较多,则会增加存储代价。目前的核心问题是如何在有限的带宽以及时延的条件下获得最优的编码性能。对于这个问题的探索与研究具有重要的意义和应用价值。目前研究方向主要是在时间和空间等方面来尽量减少冗余从而改善编码性能。本课题主要研究如何准确控制医学病理图像ROI与UROI的编码质量,尽可能地减少空间与时间冗余最大程度提高编码速率的问题。针对此问题,本文提出基于ROI的医学病理图像编码方法。在宏观上可以分为空间冗余方面的编码性能提升和时间冗余方面的编码性能提升。在空间冗余方面提升编码性能,由于在图像进行压缩时,对图像中的感兴趣区域(ROI)分配较多的码率,对非感兴趣区域(UROI)可以分配较少的码率,从而提高编码效率。1)考虑到医学病理图像中的复杂度与人眼关注度的因素,通过边缘检测与区域生长相结合的方法提取医学病理图像的ROI区域。2)分别在X264与X265编码框架下,考虑纹理复杂度,量化步长对医学病理图像ROI与UROI编码质量的影响,建立医学病理图像ROI质量控制模型与UROI质量控制模型并将其用于视频编码框架。通过建立好的ROI与UROI的质量控制模型来控制病理图像不同区域的编码质量,并通过实验证明本文的方法可以有效控制医学病理图像中不同的区域的编码质量。在时间冗余方面提升编码性能。1)对缓冲区进行了优化,提高了编码效率。2)基于建立的质量控制方法,针对医学病理图像采用了基于X264的多线程并行编码的方式进行压缩,开发出高效并行的编解码系统。本文算法能够有效的检测出视频中的感兴趣区域并且利用质量控制模型控制编码质量,序列层级的并行视频编解码系统可以有效提高图像的编码时间。
林佳[7](2019)在《图像压缩加密算法设计及应用》文中进行了进一步梳理随着大数据时代的飞速发展,数字图像在互联网上的应用和传输已经比过去普遍得多。因此,图像的加密和压缩技术对公共网络上的实时传输和存储至关重要,具体分为两个阶段,第一阶段防止信息泄漏,第二阶段减少信息数据量。传统的分组密码DES、AES最初是为加密文本数据而设计的,并且被发现不适合于具有高像素相关性和冗余特征的数字图像加密。现今,研究人员已经注意到混沌系统的基本特征具有较为理想的密码属性,可以作用于图像置乱过程和扩散过程,从而使图像获得良好的安全性。但是,这些加密结果不适合进一步压缩处理,这是因为加密过程中已消除了明文的冗余性,所以对应的密文也不能被压缩。因此,设计一种有效的图像压缩结合加密的算法成为该领域目前研究的重点。本文的主要工作概括如下:1.介绍了课题的研究背景,包含了传统图像混沌加密的两个主要阶段及压缩感知理论、JPEG2000编码体系和SPIHT编码理论。接着阐述了课题的创新点。描述了混沌系统的基本特征和图像加密的基本结构。随后,简单总结了现今基于压缩感知的图像混沌加密、基于JPEG2000的图像加密和基于SPIHT的图像加密这三个方面的研究现状。最后,概括了这三个方面仍存在的问题并给出了改善方式。2.基于压缩感知理论,提出了一种新的图像压缩加密方案。将小波变换作用于原始图像分解为低频分量和高频分量。结合蔡氏电路、Logistic映射和基于LBP算子理论的阈值处理生成掩模来扩散低频分量。另外,利用Lissajous映射生成渐近确定性随机序列,在不同压缩比下生成测量矩阵CADRMM,分别测量高频分量。将处理后的各分量进行置乱。由于保留了低频分量,只压缩了高频分量,使得该系统的鲁棒性得到了显着提高,实验结果表明,即使在较强的裁剪和噪声攻击下,它仍然具有良好的鲁棒性。同时,性能分析表明,该方案具有密钥空间大、密钥灵敏度高、直方图分布相似、相关系数弱等特点。3.提出了一种改进的面向码流的JPEG 2000图像加密算法。在原有算法的基础上为了提高性能,采用斜帐篷映射对所有0xFFs后一位字节进行加密。分别对低4位进行扩散,将高4位看作一个整体,并在这些字节之间进行置乱。通过这种方法,消除了原有算法的安全漏洞。实验结果表明,加密后的包体数据量平均增加了0.3746%,加密结果对密钥高度敏感,密钥空间足够大,能够抵御暴力攻击。通过引入该加密方案,确保了包体数据的码流匹配性,保证能正确解码。4.提出了一种医学图像的嵌入加密的压缩算法。根据医学图像的特点,利用OTSU图像分割技术将医学图像分为ROI和RONI两个区域,对不同区域进行SPIHT编码,并用不同的加密方案对比特位进行加密。该操作可以提高单个图像加密的多样性,从而提高安全性。在加密过程中应用的混沌系统是2D-LSCM。在对ROI区域进行加密的过程中,采用了一种新的自适应比特流加密算法,使前后位置的比特相互影响,从而获得自适应性。通过一系列的仿真和测试,证明了该嵌入加密的压缩算法具有良好的明文关联性和较高的密钥敏感度,同时该方法可以有效地抵抗常见的密码攻击。该算法为保障医学图像的压缩性能和安全性提供了一种可靠的解决方案。
王培早[8](2018)在《大视场复杂背景下红外目标检测跟踪技术研究》文中研究表明光电目标探测技术是精确制导和目标定位系统的重要组成部分,多年来大量研究工作围绕目标检测和跟踪技术而展开。某大视场光电探测系统采集到的红外图像中存在大量烟雾遮挡、目标细节不清晰、高亮度干扰物众多等复杂情况,使低空目标的检测确认和地面目标的跟踪面临诸多困难。本文以该系统需求为背景,开展了大视场复杂背景下红外目标检测跟踪的若干关键技术研究,全文主要分为三个部分:第一部分开展了高位宽红外图像动态压缩算法的研究,并分析了本文的目标特性。首先,介绍了光电分系统的组成结构。其次,结合实际工程需求设计实现了一种基于引导图像滤波(GIF)分层处理的高位宽图像压缩算法,并用实测数据验证了该算法能够在保持对比度的同时增强目标的边缘细节。最后分析了大视场低空飞行目标和运动面目标的特性。第二部分开展了低空飞行目标单帧检测和确认算法的研究。首先,介绍了常用的目标检测算法。其次,针对本文目标的特点提出了一种基于双尺度滤波的单帧目标检测算法,通过实验证明该算法能够准确地分割目标,且虚警数量较少。最后,在单帧检测结果的基础上,提出了一种基于鉴别逻辑设计的分阶段目标确认方法,并通过不同情况下的实测数据验证了算法的有效性。第三部分开展了复杂背景下运动面目标跟踪算法的研究。首先,介绍了核相关滤波(KCF)算法的基本原理。其次,针对核相关滤波在相机抖动和遮挡后容易丢失目标以及不具有尺度自适应性的缺点,结合GIF滤波和SAMF算法设计出一种基于改进核相关滤波(IKCF)的运动目标跟踪算法。最后,通过实验验证了本文算法能够应对目标在运动过程中的模糊、尺度变化和短暂消失等情况。
孙江林[9](2017)在《图像快速加密算法研究》文中进行了进一步梳理随着网络技术的蓬勃发展,特别是移动互联时代的来临,个人移动设备持有量不断增加,消费者对于图像、视频等多媒体的消费需求越来越多。特别是近年来,随着高清数字设备逐渐普及,图像也越来越频繁地通过网络传输和存储,相应需要的存储空间和占用的网络开销随之增大,这带来了两方面的需求。一方面,由于世界上主流网络——因特网的特性决定,为了确保通信便利,因特网主要使用的是公共信道,随着计算机和网络的使用量不断增大,通过公共信道传输的数据量不断增大,给窃听甚至篡改数据留下了可乘之机,而许多通过网络传输的内容具有保密要求,不希望被其他人获取,如政府间的合作、企业间的商务谈判、涉及到用户隐私的相关内容等都迫切需要实现安全传输,因此图像的安全传输变得越来越重要,另一方面,随着用户的增多,高清图像将占据更多的网络开销,如何在保护图像隐私的前提下,同时加强图像的压缩以尽可能减少网络带宽需要,对于用户而言也变得更加迫切。因此本论文的研究重点是:主要针对图像编码环节,设计图像快速加密算法,通过实验分析,确保所设计的图像快速加密算法在保护图像安全的前提下尽可能提高效率。本论文主要包括以下几部分工作:(1)分析整理了密码学以及混沌加密相关的理论,总结了图像处理研究进展;(2)提出一个自动获取感兴趣区域图像加密算法,该算法自动评估图像的ROI,设计了一种存储隐私像素的策略,利用空间数据隐藏方法将加密像素嵌入到平面图像的非隐私区域。实验结果表明,与已有的ROI图像加密方案相比,该算法在安全性和与HVS(Human Visual System)的一致性方面具有一定优势。(3)分析了基于区间收缩的安全二进制算术编码(AC)方案的安全性。将区间收缩策略简化为单向收缩和对称双向收缩两类,证明了特定条件下,区间收缩的算术编码的无法保证保密安全性。基于单向收缩和双向收缩分类和所给定的条件,分析了静态、基于内容和自适应AC模型中的单向收缩和对称双向收缩的安全性,进而提出了抵抗攻击的改进方案。(4)分别提出了与JPEG2000图像编码相结合的加密思想,并针对MQ算法和区间编码算法进行了实现。该算法采用密钥控制编码寄存器C的指向,没有正确的密钥将无法正确解码,因此算法可以有效抵御暴力攻击;算法在密钥流的生成过程,采用一次一密的方式,可以抵抗选择明文攻击。论文还通过大量的仿真实验与理论分析来验证与评估算法性能,确认该算法几乎不影响压缩性能。最后是全文的总结,并给出了论文的可改进之处以及今后进一步研究的方向。
刘玉,王倩楠,粘永健,邱明国[10](2016)在《医学图像有损压缩技术研究进展》文中研究表明医学成像已经成为医学诊断与处理的重要依据。随着医学成像设备分辨率的不断提高,所获取的医学图像数据量也在持续增长,这给医学图像的存储与实时传输带来了巨大压力,并严重制约了其后续应用。有损压缩方式能够在满足一定图像质量的条件下,实现医学图像较大程度的压缩,目前已成为国内外研究的热点。本文对医学图像有损压缩技术研究进展进行总结,并介绍有损压缩条件下的质量评价方法,最后对医学图像有损压缩技术的发展趋势进行展望。
二、基于ROI的可变质量图像压缩算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于ROI的可变质量图像压缩算法(论文提纲范文)
(1)基于深度自编码器的图像有损压缩算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统图像编码 |
1.2.2 深度学习编码 |
1.3 论文的组织结构 |
1.4 本章小结 |
2 深度学习编码理论基础 |
2.1 编解码器 |
2.1.1 卷积神经网络 |
2.1.2 激活函数 |
2.2 量化器 |
2.3 熵编码器 |
2.4 图像压缩算法的评价标准 |
2.5 本章小结 |
3 自适应比特分配的多尺度自编码器图像压缩算法 |
3.1 引言 |
3.2 算法模型 |
3.2.1 概述 |
3.2.2 多尺度自编码框架 |
3.2.3 自适应比特分配策略 |
3.2.4 编码器感知损失 |
3.2.5 损失函数 |
3.3 实验结果与分析 |
3.3.1 参数设置 |
3.3.2 性能评估 |
3.3.3 消融实验 |
3.4 本章小结 |
4 分类精度保持的图像压缩算法 |
4.1 引言 |
4.2 算法模型 |
4.2.1 概述 |
4.2.2 超先验模块 |
4.2.3 分类特征损失模块 |
4.2.4 损失函数 |
4.3 实验结果与分析 |
4.3.1 参数设置 |
4.3.2 性能评估 |
4.3.3 消融实验 |
4.4 本章小结 |
5 感兴趣区域增强的图像压缩算法 |
5.1 引言 |
5.2 算法模型 |
5.2.1 概述 |
5.2.2 显着性检测算法 |
5.2.3 感兴趣区域特征增强编码器 |
5.2.4 损失函数 |
5.3 实验结果与分析 |
5.3.1 参数设置 |
5.3.2 性能评估 |
5.3.3 消融实验 |
5.4 本章小结 |
6 结论 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(2)端到端优化的图像压缩技术进展(论文提纲范文)
1 引言 |
2 图像压缩概述 |
2.1 混合框架图像编码 |
2.2 端到端图像编码 |
3 核心模块 |
3.1 量化 |
3.2 熵编码 |
3.3 编码端优化 |
3.4 特殊应用 |
4 实验 |
(1)复杂度过高。 |
(2)提升主观质量。 |
(3)更精准的码率控制。 |
(3)基于人眼视觉系统特性的图像压缩算法及实现的关键技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 相关工作的研究现状 |
1.2.1 恰可察失真在图像编码中的研究现状 |
1.2.2 感兴趣区域在图像编码中的研究现状 |
1.2.3 恰可察失真和感兴趣区域同时在图像编码中的研究现状 |
1.3 论文的主要工作和章节安排 |
第2章 HEVC编码和人眼视觉特性 |
2.1 HEVC编码标准 |
2.1.1 HEVC编码框架 |
2.1.2 相关的编码技术 |
2.2 人眼视觉系统特性 |
2.2.1 视网膜的成像与处理机制 |
2.2.2 视觉系统的感知特性 |
2.3 感知模型 |
2.3.1 恰可察失真模型 |
2.3.2 感兴趣区域模型 |
2.4 本章小结 |
第3章 基于感知模型的拉格朗日乘子获取方法 |
3.1 图像质量的评价方法 |
3.1.1 客观的评价方法 |
3.1.2 主观的评价方法 |
3.1.3 客观的感知失真评价方法 |
3.2 感知拉格朗日乘子的必要性 |
3.2.1 客观与感知失真的数值差异 |
3.2.2 具体感知模型的必要性 |
3.3 获取感知拉格朗日乘子的方法 |
3.3.1 查找表方法 |
3.3.2 预处理方法 |
3.4 基于硬件语言的实现 |
3.4.1 FPGA的速度优势 |
3.4.2 H.265 IP core的帧内编码技术 |
3.4.3 基于硬件语言λ的确定 |
3.4.4 感知编码器的设计 |
3.5 实验结果及分析 |
3.5.1 查找表信息 |
3.5.2 基于JND模型的图像编码表现 |
3.5.3 基于ROI模型的图像编码表现 |
3.5.4 基于JND+ROI模型的图像编码表现 |
3.5.5 基于硬件语言的图像感知编码表现 |
3.6 本章小结 |
第4章 基于感知模型的码率控制 |
4.1 传统的量化参数确定方法 |
4.1.1 基于客观评价的R-Q模型 |
4.1.2 基于客观评价的R-ρ-QP模型 |
4.1.3 基于客观评价的R-λ-QP模型 |
4.2 基于感知修正的量化参数确定方法 |
4.2.1 基于感知评价的R-λ推导方法 |
4.2.2 基于感知评价的λ-QP关系 |
4.3 比特分配方法 |
4.3.1 传统的比特分配方法 |
4.3.2 基于感知模型的比特分配方法 |
4.4 实验结果及分析 |
4.4.1 率失真性能表现 |
4.4.2 MOS评分表现 |
4.4.3 实际编码表现 |
4.4.4 比特分配准确性表现 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 未来展望 |
参考文献 |
附录 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(4)基于自编码器的图像压缩算法研究与FPGA实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 传统图像压缩算法的研究现状 |
1.2.2 自编码器应用于图像压缩的研究现状 |
1.2.3 图像压缩算法硬件实现的研究现状 |
1.3 本文研究内容及章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
2 图像压缩和自编码器的理论基础 |
2.1 图像压缩的基本原理 |
2.1.1 图像冗余 |
2.1.2 量化 |
2.1.3 熵编码 |
2.2 自编码器的相关理论 |
2.2.1 神经网络的基础理论 |
2.2.2 自编码器的数据压缩原理 |
2.3 图像压缩性能的衡量指标 |
2.3.1 压缩比率 |
2.3.2 峰值信噪比 |
2.3.3 多尺度结构相似性 |
2.4 本章小结 |
3 基于自编码器的图像压缩算法研究 |
3.1 网络结构 |
3.1.1 码率固定的自编码器图像压缩网络 |
3.1.2 码率可调的自编码器图像压缩网络 |
3.2 网络实现细节 |
3.2.1 二值量化 |
3.2.2 反卷积 |
3.3 网络训练 |
3.3.1 数据集处理 |
3.3.2 训练细节 |
3.4 实验结果分析 |
3.5 本章小结 |
4 自编码器图像压缩算法的FPGA实现 |
4.1 自编码器压缩网络的硬件架构 |
4.2 网络参数的转换 |
4.3 人机交互模块 |
4.4 数据存取 |
4.4.1 SD卡模块 |
4.4.2 SDRAM模块 |
4.5 数据处理 |
4.5.1 卷积运算模块 |
4.5.2 二值量化模块 |
4.5.3 激活函数模块 |
4.5.4 控制模块 |
4.6 板级验证 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
(5)面向显着性区域保护的图像压缩研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 本文主要研究内容与结构 |
2 图像压缩与显着区域检测理论 |
2.1 图像压缩理论 |
2.2 压缩质量评价指标 |
2.3 显着性区域检测理论 |
2.4 本章小结 |
3 面向显着性区域保护的图像压缩 |
3.1 类激活映射判别定位模型 |
3.2 多尺度深度特征显着区域检测 |
3.3 SRPIC算法 |
3.4 本章小结 |
4 实验结果与分析 |
4.1 实验平台与数据 |
4.2 显着区域与背景分离实验 |
4.3 MS-DFSR检测有效性验证 |
4.4 不同码率下图像压缩实验 |
4.5 MS-DFSR结合不同编码技术实验 |
4.6 SRPIC算法效率实验 |
4.7 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(6)医学病理图像的ROI提取与压缩算法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题背景及意义 |
1.2 研究现状 |
1.2.1 医学PACS系统的发展现状 |
1.2.2 ROI提取研究现状 |
1.2.3 视频编码标准发展现状 |
1.3 本文主要研究内容和创新 |
2 HEVC视频编码标准及其关键技术 |
2.1 HEVC视频编码技术简介 |
2.1.1 HEVC视频编解码框架 |
2.1.2 全I帧编码 |
2.1.3 HEVC相关技术 |
2.1.4 HEVC率失真优化技术 |
2.2 视频编码器简介 |
2.2.1 各类编码器介绍 |
2.2.2 X264与X265视频编码器性能对比 |
2.2.3 X264与传统视频编码器性能对比 |
2.3 小结 |
3 医学病理图像ROI提取与编码 |
3.1 ROI的提取与编码 |
3.1.1 边缘检测提取ROI |
3.2 算法设计 |
3.3 基于ROI编码 |
3.4 小结 |
4 基于感兴趣区域的码率与质量控制方法 |
4.1 码率控制算法优化 |
4.1.1 编码器的码率控制模式 |
4.1.2 编码器的缓冲区优化 |
4.2 基于X264建立质量控制模型 |
4.2.1 建立感兴趣区域(ROI)的质量控制模型 |
4.2.2 建立非感兴趣区域(UROI)的质量控制模型 |
4.3 基于X265建立质量控制模型 |
4.4 测试结果与分析 |
4.5 小结 |
5 高效编解码系统的搭建与实现 |
5.1 安装交叉编译环境 |
5.2 编码参数设置 |
5.3 并行高效编码器 |
5.3.1 单线程编码器 |
5.3.2 多线程并行编码器 |
5.4 并行高效解码器 |
5.4.1 单线程解码 |
5.4.2 多线程并行解码 |
5.5 编码器性能测试 |
5.6 小结 |
6 结论与展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(7)图像压缩加密算法设计及应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 课题研究背景 |
1.2.1 课题由来 |
1.2.2 课题的主要研究内容 |
1.3 课题的创新点 |
1.4 本文的结构安排 |
第2章 图像压缩结合混沌加密的研究现状 |
2.1 引言 |
2.2 混沌密码学在图像上的应用 |
2.2.1 混沌系统基本理论 |
2.2.2 图像加密的基本结构 |
2.3 图像压缩编码结合混沌加密的研究现状 |
2.3.1 基于压缩感知的图像混沌加密 |
2.3.2 基于JPEG2000 的图像加密 |
2.3.3 基于SPIHT的医学图像加密 |
2.4 以上三个点的现有问题和改善方式 |
2.5 本章小结 |
第3章 基于蔡氏电路和压缩感知的鲁棒图像加密算法 |
3.1 引言 |
3.2 加密所需预备知识 |
3.2.1 压缩感知 |
3.2.2 所采用的混沌系统 |
3.2.3 结合混沌的渐近确定性随机测量矩阵(CADRMM) |
3.2.4 LBP算子的阈值处理 |
3.2.5 一种生成扩散矩阵的新方法 |
3.3 图像压缩加密系统 |
3.4 性能分析 |
3.4.1 加密图像和解密图像 |
3.4.2 直方图分析 |
3.4.3 压缩性能 |
3.4.4 测量矩阵的性能评估 |
3.4.5 相关系数分析 |
3.4.6 密钥空间分析 |
3.4.7 密钥敏感性分析 |
3.4.8 已知/选择明文攻击 |
3.4.9 阻塞攻击 |
3.4.10 噪声攻击 |
3.4.11 时间分析 |
3.5 本章小结 |
第4章 基于斜帐篷混沌映射的改进JPEG2000 图像码流加密算法 |
4.1 引言 |
4.2 前期准备知识 |
4.2.1 斜帐篷映射 |
4.2.2 字节间置乱方案 |
4.3 新型图像加解密系统 |
4.3.1 伪随机数序列生成 |
4.3.2 加密算法 |
4.3.3 解密算法 |
4.4 性能分析 |
4.4.1 加密和压缩性能 |
4.4.2 最大偏差 |
4.4.3 直方图分析 |
4.4.4 密钥空间 |
4.4.5 密钥敏感性分析 |
4.4.6 能量分析 |
4.4.7 加密数据量提升分析 |
4.4.8 计算复杂度 |
4.4.9 码流匹配度分析 |
4.4.10 压缩性能分析 |
4.4.11 时间分析 |
4.5 本章小结 |
第5章 基于图像分割和SPIHT编码的医学图像压缩加密算法 |
5.1 引言 |
5.2 前期准备知识 |
5.2.1 2D-LSCM混沌系统 |
5.2.2 SPIHT编码结构 |
5.2.3 OTSU图像分割 |
5.2.4 一种新的自适应码流加密方案 |
5.3 医学图像压缩加密系统 |
5.3.1 混沌密码流的产生 |
5.3.2 具体加密过程 |
5.4 安全分析和性能讨论 |
5.4.1 重建图像的视觉质量 |
5.4.2 直方图分析 |
5.4.3 密钥空间 |
5.4.4 密钥敏感性 |
5.4.5 差分攻击 |
5.4.6 时间分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 未来工作的设想 |
参考文献 |
攻读学位期间的科研成果 |
致谢 |
(8)大视场复杂背景下红外目标检测跟踪技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外的研究现状 |
1.2.1 高位宽红外图像动态压缩方法概况 |
1.2.2 红外目标检测算法研究概况 |
1.2.3 红外目标跟踪算法研究概况 |
1.3 本文要解决的关键问题 |
1.4 本文的主要工作及结构安排 |
第二章 高位宽图像动态压缩方法及目标特性分析 |
2.1 引言 |
2.2 光电分系统的组成 |
2.3 基于GIF的高位宽图像动态压缩 |
2.3.1 常用的动态压缩算法 |
2.3.2 GIF分层处理的图像动态范围压缩 |
2.3.3 实验验证与分析 |
2.4 大视场低空飞行目标和运动面目标的特性分析 |
2.4.1 低空飞行目标特性与检测难点 |
2.4.2 运动面目标特性与跟踪难点 |
2.5 本章小结 |
第三章 复杂背景目标检测和确认方法 |
3.1 引言 |
3.2 常用的目标检测方法 |
3.2.1 小目标检测方法 |
3.2.2 面目标分割方法 |
3.3 基于双尺度滤波的单帧图像目标检测 |
3.3.1 本文采用的目标分割和滤波方法 |
3.3.2 单帧目标检测算法 |
3.3.3 实验验证与分析 |
3.4 基于鉴别逻辑设计的目标确认 |
3.4.1 本文选取的目标特征与航迹关联方法 |
3.4.2 不同情况下的鉴别逻辑设计 |
3.4.3 复杂背景下的真实目标确认 |
3.4.4 实验验证与分析 |
3.5 本章小结 |
第四章 基于KCF算法的运动目标跟踪 |
4.1 引言 |
4.2 KCF的算法原理 |
4.3 基于KCF算法的改进 |
4.3.1 目标区域的自适应增强 |
4.3.2 模型更新和尺度更新策略 |
4.3.3 IKCF的算法流程 |
4.3.4 细节方面的处理 |
4.4 实验验证与分析 |
4.5 本章小结 |
第五章 结束语 |
5.1 本文工作总结 |
5.2 未来工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(9)图像快速加密算法研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 研究背景与意义 |
1.2 图像快速加密研究进展 |
1.3 主要研究内容及成果 |
1.4 论文组织结构 |
2 图像处理与加密技术 |
2.1 图像处理 |
2.1.1 图像处理简介 |
2.1.2 图像压缩简介 |
2.1.3 JPEG2000图像编码 |
2.2 混沌密码 |
2.2.1 混沌密码简介 |
2.2.2 常见混沌映射 |
2.3 图像加密 |
2.3.1 传统图像加密 |
2.3.2 快速图像加密 |
2.4 本章小结 |
3 基于LOGISTIC映射和数据隐藏的隐私区域图像加密研究 |
3.1 引言 |
3.2 相关工作 |
3.2.1 ROI的人工选择方法 |
3.2.2 ROI的自动选择方法 |
3.3 算法介绍 |
3.3.1 显着对象侦测 |
3.3.2 Logistic映射 |
3.3.3 数据隐藏 |
3.4 自动选择ROI算法 |
3.4.1 算法框架 |
3.4.2 自适应隐私区域评估 |
3.4.3 像素加密 |
3.4.4 数据嵌入 |
3.4.5 解密方案 |
3.5 实验结果与分析 |
3.5.1 加密结果视觉分析 |
3.5.2 自适应隐私区域分析 |
3.5.3 统计分析 |
3.5.4 与现有方案比较 |
3.6 本章小结 |
4 基于区间收缩的二进制算术编码安全分析 |
4.1 引言 |
4.2 相关工作 |
4.3 基于区间收缩的安全二进制AC |
4.3.1 二进制AC |
4.3.2 基于区间收缩的安全二进制AC |
4.4 安全性能分析 |
4.4.1 单向收缩 |
4.4.2 双向收缩 |
4.5 补救措施 |
4.6 本章小结 |
5 一种基于压缩编码的JPEG2000图像加密算法 |
5.1 引言 |
5.2 自适应算术编码 |
5.2.1 自适应算术编码的特性 |
5.2.2 MQ编码器 |
5.2.3 区间编码 |
5.3 联合MQ编码器加密 |
5.3.1 加密思路 |
5.3.2 安全性能分析 |
5.4 联合区间编码加密 |
5.4.1 加密算法 |
5.4.2 解密算法 |
5.5 实验结果 |
5.5.1 加密结果 |
5.5.2 压缩性能 |
5.6 安全性分析 |
5.6.1 密钥空间 |
5.6.2 密钥敏感性分析 |
5.6.3 抗攻击性分析 |
5.7 本章小结 |
6 总结与展望 |
致谢 |
参考文献 |
附录 |
作者在攻读学位期间发表的论文目录 |
四、基于ROI的可变质量图像压缩算法(论文参考文献)
- [1]基于深度自编码器的图像有损压缩算法研究[D]. 何一帆. 北京交通大学, 2021
- [2]端到端优化的图像压缩技术进展[J]. 刘东,王叶斐,林建平,马海川,杨闰宇. 计算机科学, 2021(03)
- [3]基于人眼视觉系统特性的图像压缩算法及实现的关键技术研究[D]. 付东辉. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(01)
- [4]基于自编码器的图像压缩算法研究与FPGA实现[D]. 孟磊. 西安理工大学, 2020(01)
- [5]面向显着性区域保护的图像压缩研究[D]. 田小容. 辽宁工程技术大学, 2020(02)
- [6]医学病理图像的ROI提取与压缩算法研究[D]. 郭琪. 西安工业大学, 2020(04)
- [7]图像压缩加密算法设计及应用[D]. 林佳. 广西师范大学, 2019(08)
- [8]大视场复杂背景下红外目标检测跟踪技术研究[D]. 王培早. 国防科技大学, 2018(01)
- [9]图像快速加密算法研究[D]. 孙江林. 重庆大学, 2017(12)
- [10]医学图像有损压缩技术研究进展[J]. 刘玉,王倩楠,粘永健,邱明国. 磁共振成像, 2016(06)