欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118529102
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,包括步骤:步骤1,对输入的2D医学图像进行DCT变换和Round量化,拆分成DC系数和AC系数;

步骤2,对DC系数和Round量化带来的损失R进行压缩;

步骤3,将AC系数分解成结构层MSB和纹理层LSB;

步骤4,将纹理层LSB分解成多个子系数块;

步骤4具体包括步骤4.1,行分组为:将除DC系数外,在水平位置、垂直位置、对角位置上的63个AC系数的纹理细节部分LSB,记作,按照其纹理变化方向进行分组和重排;

步骤4.2,列分组为:在行分组的基础上,将每组内的一个系数分量在空间位置上继续划分为4个子系数块;

步骤5,构建基于卷积神经网络的深度概率估计模型,进行基于分组的自回归概率密度建模,输入多个子系数块,输出每个子系数块的概率分布矩阵;

所述深度概率估计模型包括上下文特征融合模块CFM和概率密度分布预测模块PMF,其中CFM的输入有2个分支,分别为频域上下文和空间上下文,输出融合后的上下文特征,将经过CFM融合后的上下文特征输入PMF,输出当前子系数块的概率分布矩阵;当前子系数块的频域上下文=Concat(,)由行分组设计而来,为先于当前组的子系数块,为当前组内行坐标小于当前块的块;当前子系数块的空间上下文=由列分组设计而来,为当前组中,行坐标等于当前块但列坐标小于当前块的子系数块,记作;

步骤6,结合熵算数编码器和概率分布矩阵对每个子系数块进行无损编码。

2.根据权利要求1所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,步骤1的具体过程为:步骤1.1,对输入的2D医学图像X执行8x8块的浮点数DCT变换获得DCT频域系数,并对浮点数系数进行硬量化得到整型量化DCT系数;

步骤1.2,整型量化DCT系数按照zigzag扫描顺序被拆分成DC系数和AC系数。

3.根据权利要求1所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,在步骤2中,DC系数由传统编码器JPEGXL进行压缩;Round量化带来的损失R由游程编码进行压缩。

4.根据权利要求1或2或3所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,在步骤3中,AC系数由线性映射-分解模型分解成结构层MSB和纹理层LSB;

具体地,线性映射-分解模型包括线性映射模型和线性分解模型,线性映射模型为:其中表示空间坐标为处的AC系数;

线性分解模型为:

。

5.根据权利要求1或2或3所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,通过所述步骤4.1将行分组共分为21组,每组3个系数;

对于水平方向的系数划分到组,垂直方向上的系数划分到组 斜角方向上的系数划分到组,,;

所述步骤4.2具体包括:以2x2为滑动窗口,进行步长为2的滑动,将每次落在滑动窗口内相同位置的系数点打包成一个子系数块,由此每个子系数块表示为=,其中,三维坐标(g,r,c)分别为组坐标、行坐标、列坐标,n为对应展平后的一维索引。

6.根据权利要求5所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,步骤5中,基于卷积神经网络的深度概率估计模型Φ由3x3的卷积层、ReLu激活函数组成;其中CFM由1个64通道的卷积层和3个残差卷积块组成;概率密度分布预测模块PMF由2个128通道的卷积层和ReLu激活函数、1个256通道的卷积层和Softmax层组成。

7.根据权利要求6所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,频域上下文对当前子系数块的概率建模的影响表示为:。

8.根据权利要求7所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,所述空间上下文结合所述频域上下文,完整的概率建模被表示为:输出当前子系数块的每个点在[0,255]值域内的概率,概率矩阵与当前子系数块的真值计算交叉熵损失,表示为:其中, 概率估计模型的参数通过Adam优化器优化上述损失函数进行更新;该概率估计模型输出当前子系数块每个可能符号的概率矩阵,结合算术编码器将每个系数编码为01比特流。

9.根据权利要求6所述的基于变换编码和深度学习的医学图像无损压缩方法,其特征在于,在步骤6中,在解码时,比特流通过概率估计模型预测的概率分布矩阵,结合算术解码器,无损地解码每个子系数块,所有子系数块再由解码端的线性逆变换和合并模块变换为原来的AC系数,具体包括:DC系数由JPEGXL 解码得到,游程编码解码出误差R和AC系数的MSB部分;

DC系数输入概率估计模型预测出第一个子系数S0的概率分布矩阵,输入算术解码器torchac解码出第一个子系数块S0;

S0作为后续子系数块的先验,输入概率估计模型预测出第二个子系数S1的概率分布矩阵1,逐渐地,按照预定义的依赖关系,顺序解码出全部的252子系数块;

子系数块按照行-列分组的顺序进行逆操作合并成原来的LSB;

LSB和游程解码的MSB经过线性映射和分解模块逆操作合并成AC系数;

AC系数和DC系数重新组合排列,通过I-DCT变换回像素域,记作,最后解码的无损重建为:Rec=+R。

10.一种基于变换编码和深度学习的医学图像无损压缩系统,包括相互连接的存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1-9中任意一项所述方法的步骤。