基于小波变换的图像编解码优化算法研究

论文摘要

图像编解码是图像处理领域的重要研究课题之一。借助高性能的图像编解码算法,能够使得大规模的图像数据在有限存储空间中的存储以及有限带宽上的传输成为可能。虽然图像压缩编解码算法在图像处理领域内已经得到了广泛的关注和深入的研究,但是现有算法依然存在诸多缺陷,重构图像的质量和编解码速度依然有待提高。本文在小波域图像编解码算法的理论基础上,论述了当前小波域图像编解码算法的研究现状,并对小波域图像编解码算法的性能进行了研究和改进。首先,本文在小波变换的基础上,对图像的高频部分进行了方向滤波,使得小波系数对二维图像的几何轮廓以及纹理信息的刻画更加精确。实验证明,与小波变换方法相比,该方法在对富含纹理信息等的图像进行处理时能够获得更高的图像能量聚集效果。基于该方法的图像编解码算法在对图像纹理及几何轮廓的描述上具有更好的视觉效果。其次,针对目前多核计算平台的高性能优势,本文提出了一种高速缓存性能感知的Haar小波变换算法。通过对小波变换的原始数据进行相应的重组,并更改变换结果的计算顺序,使得高速缓存的性能及潜力得到了更大的发挥。同时,本文的Haar小波变换算法具有较小的数据相关性,利用多核平台的多线程并行优势,可以进一步提升算法的性能。实验证明,算法在不同计算平台上都能够获得较高的性能,并随着平台计算能力的增强,算法的性能会得到更大的提升。最后,将本文提出的快速Haar小波变换算法与图像编解码算法相结合,实验数据证明,在对高分辨率图像进行高压缩比编解码时,算法性能可以得到较大的提升。同时,本文针对原有图像编解码算法中存在的内存管理较为复杂的问题,实现了一种基于状态数组的编解码算法。结果分析表明,基于状态数组的方法内存维护简单,算法拥有更小且稳定的内存消耗。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 图像压缩的必要性
• 1.3 国内外研究现状
• 1.4 主要工作和框架结构
• 1.4.1 本文工作
• 1.4.2 本文结构
• 第二章 基础知识
• 2.1 图像压缩算法基础
• 2.1.1 图像压缩的可行性
• 2.1.2 图像压缩算法评价指标
• 2.2 图像压缩算法分类
• 2.3 小波分析基础
• 2.3.1 小波变换的定义
• 2.3.2 多分辨率分析
• 2.4 小波域图像压缩算法
• 2.4.1 嵌入式编解码算法
• 2.4.2 SPECK 压缩算法
• 2.5 小波变换的优化平台
• 2.5.1 多核处理器平台
• 2.5.2 Cache-Aware 算法
• 2.6 本章小结
• 第三章 基于WBCT 的图像编解码算法
• 3.1 Contourlet 变换模型
• 3.1.1 拉普拉斯分解
• 3.1.2 方向滤波器组（DFB）
• 3.2 基于小波变换的Contourlet 变换（WBCT）
• 3.2.1 小波基的选取
• 3.2.2 WBCT 的递归实现
• 3.3 实验结果分析
• 3.3.1 高频系数空间分布特点分析
• 3.3.2 高频系数能量分布特点分析
• 3.3.3 基于WBCT 的SPECK 压缩算法结果分析
• 3.4 本章小结
• 第四章 Haar 小波变换在多核平台的快速算法
• 4.1 Haar 小波变换的运算模型
• 4.2 二维数据的预处理
• 4.2.1 二维数据对算法的影响
• 4.2.2 二维数据一维重组的方法
• 4.3 Haar 小波变换的Cache-Aware 算法
• 4.4 多核平台的多线程优化
• 4.5 算法结果分析
• 4.5.1 算法Cache 复杂度分析
• 4.5.2 高速缓存性能参数分析
• 4.5.3 多核平台性能分析
• 4.6 本章小结
• 第五章 优化的SPECK 图像编解码算法
• 5.1 两种优化算法概述
• 5.2 基于快速Haar 小波变换的SPECK 优化算法
• 5.2.1 算法实现
• 5.2.2 优化结果分析
• 5.3 基于内存优化的SPECK 算法
• 5.3.1 状态标记分配
• 5.3.2 算法实现
• 5.3.3 优化结果分析
• 5.4 本章小结
• 第六章 总结和展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢