有限图像的无限压缩-英语翻译文献.doc

使用自适应预测和自适应算术编码的有损图像的无损压缩

Mikio Takagi和Seishi Taka
工业科学研究所，东京大学

摘要
多用无损灰度图像压缩是必要的，如医学图像，图像数据库等。有损图像很重要，因为其具有较高的压缩比。在本文中，我们提出了一种无损图像压缩，使用JEPG-DCT方案产生的有损图像格式。我们的主题是，将JEPG压缩有损形象性，然后把剩余的信息，并使用有损图像重建原始图像残差信息。三维自适应预测和自适应算术编码的使用，充分利用统计分布源参数符号。邻居的最佳数量像素和像素使用了有损的预言。问题是更好的
比以前的工作相当接近原来的无损压缩算法。

引言
今天有许多对图像压缩的研究，特别是对有损极低比特率压缩。图像数据库，这样高的压缩比重要的存储和快速传输，但对付各种用户需求，无损图像传输是必不可少的。
在本文中，我们提出了一个有效的无损压缩算法的灰色使用有损压缩图像。有损压缩方案使用的接头摄影专家组的离散余弦变换（JEPG-DCT）算法为有损编码算法。
首先我们搜索的像素相似（语境），根据他们的邻居像素。这样的背景像素，我们预测值从上下文和邻居。另一方面，对于每个像素，没有上下文对，我们计算了沿水平根据相邻像素的值的差异。为每个象素边缘的水平，我们计算的预测系数的线性组合—
最小平方误差准则下的国家。不仅像素已经处理也有损图像的像素用于预测。每个边缘能级的统计分布。
对于每一个像素，得出预测值和实际值的计算，和是转换到一个非负的值之前被编码，根据他们的分布。在熵编码阶段，我们使用算术编码。它是由自适应，和初始误差分布仅由一个参数给出，这是具体的每个边缘能级的统计分布。
实验结果表明，良好的性能。像其他LPL（有损加上无损）的方法，我们的压缩比是小于原来的无损方案，但有轻微的差异。所有的一切，然而，得到用户的大功他们可以浏览图像无损压缩解压缩之前，许多这样的计划。在文献中已经提出，但他们中的大多数将有损图像及其无损残余作为独立的符号源。一个例外是内存的算法[ 6 ]。我们利用有损数据彻底，更好的结果。

1.1像素的估计
通常的图像数据扫描的讨论扫描线方向。图1。当前像素一个加工点。

顺序像素的预测NFL使用PI的当前像素的值P 4。然后，卡尔—方法的预测误差通常的线性组合，用于预测如下，其中Ti。T4是系数的。此图1：当前像素是外推预测。处理后的相邻像素

通常，零阶熵集｛ε}低于集{ Z}。因此，熵如Huffman编码[我]或[ 2 ]或算术编码的编码方案后基于Lempel-Ziv编码[ 3 ]，减少数据大小。

正文

我们主要是使用的线性组合，如方程（1）的预测，但过程更适应比正常的预测方法。我们使用更多的相邻像素（高达十），同时使用有损图像和预测误差E像素转化为另一种形式在编码之前。

2.1 个组的像素

每个图像像素具有不同的特性在一定的标准。从一个角度图像压缩编码，分组相似的像素和他们在一起造成有效结果。分组的像素，我们使用的Q值：

使用这个值，我们每个像素分类为几组，根据表1

1、分组表

图2：（a）原始图像的‘女孩’ （b）JPEG压缩图像（质量值= 5）

图3：（a）的Q值图像 （b）简单的预测及预测误差

图3（a）和（b）显示了Q值误差可以简单的预测。可以看见他们，Q值密切相关的预测误差。因此预测系数在每个组独立计算。

2.2上下文搜索

表2显示了每个组的最后的零阶熵的图像预测结果“姑娘”。显然，上组更难被压缩比下组。我们使用基于上下文的预测的方法来处理这种上组。地区我们搜索类似地区（我们表示“语境”）所示图4。这是限制在已经处理的像素的面积。该程序是

1、 扫描区找点满足

2、在这样的点，找到一个最小的

3、如果最小浓度小于12，把它作为当前点的上下文。否则，返回失败（不存在）。

2.3预测
2.3.1预测正常组
对于只，我们预测值的当前像素的线性组合邻居的像素值。系数计算最小平方误差法。
用预言邻域像素图5所示（PI……PIA）的数量。像素是可变的（10像素），然后我们就选择最优。优先显示在图中的后缀的数目。最有效的数以后讨论。

表2：集团与熵（图像的“姑娘”）

图4：上下文搜索区域 图5：用于预测的像素
在这里，一些有损的像素（RI。..，得到的PEG压缩图像）广泛地。使用这些像素，达到像插值预测。这预测有助于压缩尺寸的减少。

2.3.2预测语境
条件下的标准（3）和（4）。一对上下文有相似的形状的高度。因此，我们预测值2从{ '，B，C，Z，A，B，C }（参见图4）。我们也使用最小平方误差估计。最大的不同点非背景像素的预测是，不仅利用相邻像素的值，但使用最接近的背景。本方案有效的连续的边缘，因为附近的边缘有一个类似的像素序列。

2.4 转换错误
如果每个像素有8位，预测误差可以有真正的数255和255之间（约）。经过预测，应表示为整数。转化的一个简单的方法是，简单的圆形价值从整数
（计算了{e+ 0.51}）和考虑为2的补码8-比特。
我们的转换算法是完全基于谷口的方法[ 5 ]。在这转换，我们还可以得到8位非负整数E。首先我们得到上下界的组（最大值，最小值）。然后，根据图6，转换实际的像素值转换为整数。（这个图，如果实际像素等于“最大值”，E = 9）。每一组，我们得到的最大和最小的像素值和转换分别预测误差。
这种转换是可逆的。如果你得到的预测值和转换数E（也有上限和下限），你可以获得实际的像素值类似的数值线。

2.5自适应算术编码

2.5.1拟合分布评价
根据实验结果，E（图像7分布（a）），经过误差转换，看起来非常接近高斯分布的右半边：

图6：算法的误差转换（例）

图7：（a）分布的E（图像='moon’） （b）拟合的E

这里的方差为。
这种分布是有限的右半边，等于，其中n是样品的数量。拟合直线（估计频率）E的分布计算
他们的图如图7（b）所示。你可以看到，利用高斯模型，电子的分布是近似的。

2.5.2自适应算术编码

该拟合曲线的概率密度函数的一般只有一个参数。这种分布是用来生成初始分布表编码器（也是解码器），而不是通过的大量的实际频率表。为了这个目的，算术编码是非常合适的。为了这个目的，我们的编码器是自适应的，每一个符号，从数据流的更新频率表。通过使用和自适应算术编码器，即使少量的数据的编码与高编码率。

3 实验的结果

生成一个有损图像，我们采用了JPEG压缩方案的原因是，JEPG是静止图像压缩和用户的标准方案可以找到PEG工具很容易。
我们使用的工具称为“cjpeg”和“djpeg’，这是独立的产品JEPG组。创建JEPG图像，cjpeg -质量- 优化文件名和解压P E G文件，djpegipeg文件的调用。选项“优化进行熵编码PA优化—参数。它通常使P E G文件更小一点。“djpeg”选项。

表3：上下文搜索的影响（N = 9，N 4，质量= 5）

“blocksmooth”，进行交叉块平滑，但从实验结果—结果，它使压缩比更糟糕，因此该选项不使用。准的必要放在一起并在减压—通过自适应算术编码器的编码。只达到百分之几的压缩，但比什么都不做。

3.1上下文搜索的影响

我们使用三个测试图像“姑娘”， “情侣”和“月亮”，，这正是sidba（标准图像数据库）。这些图像，压缩并没有上下文搜索的比特率比较。结果如表3所示。NL是用于有损像素数预测。N是无损的邻居像素数的质量值对压缩比的影响。

3.2 质量值对压缩比的影响

JEPG提供了一种选择性因子（质量值），对应不同的压缩图像的质量。典型的图像，低质量的价值，如20提供高压缩图像保真度差。作为质量值增加富达提高费用的压缩比。
图8显示了比特率和质量值。作为质量值减小，总比特率降低。后来我们使用图像5质量的价值，这是足够的为了理解图像大致（见图2（b））。

图8：比特率V.S.质量值（N = 10，9，图像'女孩’）图9：比特率与NL（N = 10，图像质量=5，图像=‘女孩‘）

表4：比特率的结果（质量= 5，N = 9，NL = 4）

3.3 使用有损图像的影响

可能会有一个疑问，有损图像看起来相似原来的我的眼睛，但多从一个角度不同的像素值，因此很难帮助预测。
图像9指出比特率和一些有损用于预测的像素（NL）。从这个图，它是已知的更形象差（质量= 5）有助于压缩的比例很大。为什么比特率逐渐增加NL是在更大的是4，额外的参数（系数）为每个像素的位置是必要的。最佳NL是4。此外，我们进行了实验，以找到最佳的联合国和完成基础数。

3.4 与其他方法相比

表4显示压缩的结果。谷口的方法[ 5 ]原来是无损导向，因此结果略优于我们的。在我们的方法，N和NL是最佳设置。MAW的方法是通过Memon [ 6 ]提出的。它还使用了一个损耗JEPG图像重建图像的无损。我们的结果大概是0.5比特/象素，效果好过于MAW,从0.03到0.12比特/象素比谷口的方法差。作为maw'的结果只提供了熵的差异表现，从我们的可能更大。

4 结论

在本文中，我们提出的图像无损压缩算法。不像其他的文献，我们不仅讨论了熵的残余，但如何编码高效的压缩产品最终尺寸。这提供了一个有吸引力的在快速传输，一方面和确切需要的应用选择在其他的重建。此外，使用这种有损图像彻底，总比特率是相当低的。搜索上下文和使用它的预测被证明工作。我们会的使用上下文的更有效的方法研究。
我们的算法是适用于原来的无损导向（不使用有损图像）。在一些图像，得到更好的结果比谷口的方法。我们正在进行的调查的这一立场。我们正在研究是否有其他更适合的有损压缩算法比JEPG。并推测的更准确的误差分布拟合以外高斯模型。