[计算机软件及应用]PACS5.ppt

从表5．4可以看出，JPEG2000无损压缩的结果明显优于传统的LZW方法。ROI的压缩比取决于用户指定的ROI区域，该区域面积相对背景区域越小，则压缩比越大；反之，压缩比相对而言越小。采用ROI的方法，压缩比远远大于传统的Huffman和LZW方法。实验结果证明，JPEG2000压缩方案可以引入到医学图像的压缩中，其压缩效率高于传统的压缩方法，特别是ROI方法，平均压缩比远远高于传统的无损压缩方法。由此可见，JPEG2000具有更好的应用前景。 5．6 一种高效的无损压缩编码技术对于彩色图像的压缩，可以将彩色图像看作是不相关的三个分量的灰度图像，一般的无损压缩方法基本上都可以应用于彩色图像的无损压缩。很多著名的压缩算法如CALIC、FELICS、LOCO—I等也是这样来处理彩色图像压缩的。本节介绍了一种针对医学图像的高效无损压缩编码方法。与其他无损压缩算法不同，这里提出了一种新的低复杂度的预测模型，并设计了彩色图像无损压缩算法。根据彩色图像的颜色分量间与像素间的相关性，首先对颜色空间进行变换，消除颜色分量间的相关性。在提出的二维加权预测模型中，引入了神经网络中的感知器技术。 利用其本身具有的自学习和自适应特性，进行预测模型的自适应调整。使新算法在运行过程中具有很小的预测残差并具有较小的动态范围，保证了算法在具有较高压缩比的前提下，有较高的执行效率。实验结果表明，这种算法的压缩结果优于传统的压缩算法，而且其压缩比在接近JPEG—LS标准的情况下，压缩时间明显少于后者。这种低复杂度的预测模型对于灰度医学图像同样适用，只不过省去第一步的颜色空间的变换过程，同样能获得较高的压缩效率。 5．6．1 无损压缩方案设计在设计压缩方案时，压缩比和压缩时间往往是一对矛盾。当选择相对固定的编码器后，设计复杂的预测模型，可以达到很高的压缩比，但算法的执行效率降低。目前很多实时系统在运行时，不但要求一定的压缩比，更强调压缩执行效率。针对这种情况，JPEG—LS在设计时就特别注重降低算法的复杂性，从而获得较高的压缩效率。彩色图像可以看作是由多分量的单色数据图像顺序扫描或插值扫描排列而成。对于不同的彩色空间，各分量的数据分布不同，但都可以认为是各颜色分量的组合。例如，对于常用的RGB三色空间，其数据分布可以认为是由R、G、B三个单色平面数据排列而成。 不仅每个单色颜色平面内的像素之间存在着很强的相关性，而且在各颜色平面的相应位置上的像素之间也具有一定的相关性。图5．8(b)和(c)分别是标准图像(a)中各颜色平面内像素的自相关函数和各颜色平面之间像素的互相关函数。比较图(b)和图(c)可以看到，同一单色平面内相邻像素之间的相关性要高于不同单色平面内相应位置像素之间的相关性。对于图5．8(a)来说，G平面与B平面像素之间的相关性要高于R与G或R与B之间的相关性。一般来说，同一单色平面内相邻像素之间的相关性要高于不同单色平面内相应位置像素之间的相关性。根据彩色图像的这种特性，可以来设计彩色图像压缩方案。 图5．9给出了彩色图像无损压缩方案的结构框图，它由数据预处理、预测模型和编码三部分构成。预处理部分是针对颜色平面间的相关性，通过无损颜色空间变换的方法，来去除颜色分量间的相关性，从而可以有效地提高压缩比。在压缩方案中最具有挑战性的工作是设计一个精确和高效的预测模型。由于同一分量相邻像素之间存在有很强的相关性，根据当前像素左上方四个相邻像素的加权值，可以通过一定的预测算法，获得当前像素的预测值。如果这种预测值与当前的实际值很接近，则它们之间的差值(称为预测残差)将足够小，从而使编码器用很短的码字对其进行编码。 在预测和编码过程中，采用了一种新的感知器技术来自适应地校正预测模型的参数。通过感知器的自学习和自适应能力对预测残差值进行监视，如果其值超过设定的阈值，则进行自适应调整并进行映射，使得整个编码过程中，预测残差值保持在一个很小的范围内，从而达到压缩的目的。目前常用的熵编码的方法主要有Huffman、算术编码、LZW等。这些编码虽然具有较好的编码效果，但其执行速度较慢。这里编码方法采用了RICE算法，该编码算法在对数据进行扫描过程中，就可以根据采样值实时进行计算和编码，无须求助于事先存储的码表。在编码过程中，它还具有自适应功能，以适应不同码长的变化。它的复杂度低，编码速度快，并且有较高的编码效率。 5．6．2 算法描述1．颜色空间变换对于多分量(彩色)的图像，通过一定的无损颜色空间变换，可以在一定程度上去除颜色分量间的相关性，JPEG—LS、JPEG2000和其他彩色图像压缩方法都精心设计了颜色空间变换方法。类似于JPEG2000，这里的空间变换是根据式(5-12)进行。其中，A1、A2、A3分别是变换前的三个颜色分量，A’1、A