2020现代静态图像编码技术.pptVIP

零树结构 ? 图像经过小波分解后，能 量几乎总是集中在较低频 的子带上，并从低频到高 频递减分布。在 Mallat 分 解下，由不同频率子带、 代表同一空间位置的系数 构成了一种树型结构，并 且高频部分存在大量的零， 故称为“零树” ? 零树编码是基于如 下假设：如果低分 辨率的子带系数相 对于阈值 T 是不重要 的，那么在同样方 向上相应空间位置 的高分辨率的子带 系数相对于阈值 T 也 是不重要的。尽管 缺乏严格的数学模 型描述，但统计结 果表明这种假设是 成立的。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? } , , { ) , ( , } ... 3 , 2 , , { ) , ( )}, 1 2 , 1 2 ( ), 1 2 , 2 ( ), 2 , 1 2 ( ), 2 , 2 {( ) , ( )}, , ( ), , ( ), , {( ) , ( 1 1 1 HH LH HL j i N k HH LH HL j i j i j i j i j i LL j i h j w i h j i j w i j i O L k k k N LL LL LL LL L )} , ( ) , ( ) , ( { ) , ( ) , ( j i O n m n m Z j i j i Z ? ? ? ? 在编（译）码过程中，保持着两个分离的列表：主 表和辅表。主表记录不重要的集合（ ZTR ）或系数 （ IZ ），其输出信息起到了恢复重要系数的空间位 置的作用；而辅表记录重要系数，输出为各重要系 数的幅度细化时的比特值。编码分为主、辅两个过 程：在主过程中，设定阈值为，按上述流程对主表 进行扫描编码，若系数首次变为重要，则将其移到 辅表中，然后将该系数在主表中置零，这样当阈值 减小时，该系数不会影响新零树的出现（即不会重 复编码）；在辅过程中，对辅表中的重要系数进行 幅值细化，输出当前比特平面的位信息。 EZW 算法的详细描述如下： ? 1) 确定初始阈值 T ，使得 ， ；将系数 节点按扫描顺序加入到主表中，将辅表清空。 ? 2) 对主表进行扫描，将表中节点依据阈值 T 分为重 要值（包含符号信息：正或负）、零树根和孤立零 点。将主表中重要系数的节点移至辅表中；零树根 的子节点不需继续扫描，而孤立零点的子节点要继 续扫描。 ? 3) 扫描辅表，对重要系数进行幅值细化。 ? 4) 将阈值减半，跳至步骤 2) ； n T 2 ? ? ? ? ? ? ? ? }) { max ( log , ) , ( 2 j i j i c n SPIHT 算法 i j 2i 2j 2i 2j+1 2i+1 j 2i+1 2j+1 4i 4j 4i 4j+1 4i+1 4j 4i+1 4j+1 4i+2 4j+2 4i+2 4j+3 4i+3 4j+2 4i+3 4j+3 8i 8j 8i 8j+1 8i+1 8j 8i+1 8j+1 8i+6 8j+6 8i+6 8j+7 8i+7 8j+6 8i+7 8j+7 ) , ( j i D ) , ( j i L ) , ( j i Z ) , ( j i O ? A. Said 和 W. A. Pearlman 根据 Shapiro 零树编码的基 本思想，提出了一种新的且性能更优的实现方法， 即基于分层树集合分割排序的编码算法（ SPIHT ： Set Partitioning In Hierarchical Trees ）。 ? SPIHT 算法是一种非常实用高效的高性能图像编码 算法，其显著特点是极低的计算复杂度和高质量的 恢复图像，它打破了传统编码算法中编码效率与复 杂度同步增长的界限，并且合理利用了小波分解后 的多分辨率特性，获得了优良的编码性能，成为内 嵌编码的一个通用基准。 ? 空间渐进性 ? 随机访问 图像感兴趣区编码 ? 在甚低比特率进行图像压缩时，往往会丢失一些细 节信息，而其中有些细节信息是人们感兴趣的。例 如人物头肩图像的视觉敏感区域，航空图像中携带 重要信息的小目标区域，干涉多光谱图像中的干涉 条纹区域，医学图像中病灶区域等等，这些区域可 以统称为感兴趣区域（ ROI ： regions of terest ）。 从主观视觉角度来说，这些区域的恢复质量直接影 响整幅图像的恢复质量，因此对图像的感兴趣区域 应该以更好的质量（更多的码率甚至是无失真）进 行压缩。 感兴趣区模板 ? 在小波变换编码中，图像的小波分解及合成可以由 Mallat 算法实现。在 Mallat 算法中，尺度滤波器和小 波滤波器都是 FIR 滤波器，因此小波变换具有局部 化特性，这就使得小波系数只与图像相应位置处的 一定区域的数据有关。因此图像的