改进的4D-SPIHT医学图像无损压缩

doi:10.3778/j.issn.1002-8331.2010.32.041

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (32): 147-151.DOI: 10.3778/j.issn.1002-8331.2010.32.041

• 图形、图像、模式识别 • 上一篇下一篇

改进的4D-SPIHT医学图像无损压缩

钟文燕¹，杨丰¹，陈燕萍²

1.南方医科大学生物医学工程学院，广州 510515
2.南方医科大学南方医院医学影像科，广州 510515

收稿日期:2010-05-26 修回日期:2010-08-16 出版日期:2010-11-11 发布日期:2010-11-11
通讯作者: 钟文燕

Medical image compression based on improved 4D-SPIHT algorithm

ZHONG Wen-yan¹，YANG Feng¹，CHEN Yan-ping²

1.School of Biomedical Engineering，Southern Medical University，Guangzhou 510515，China
2.Department of Medical Imaging，Nanfang Hospital，Southern Medical University，Guangzhou 510515，China

Received:2010-05-26 Revised:2010-08-16 Online:2010-11-11 Published:2010-11-11
Contact: ZHONG Wen-yan

摘要/Abstract

摘要： 在3D-SPIHT编码的基础上，提出基于不对称小波树的分方向4D-SPIHT编码算法，通过构造4维不对称小波树结构，使得每一维上的小波分解级数可以灵活选择；根据小波树特点，将各小波频带按方向独立进行SPIHT编码，从而加快编码速度。实验结果表明，该算法能较有效地去除三维体数据之间的相关性，在不明显增加算法复杂度的基础上，提高压缩性能和编码效率。

关键词: 4维多级树集合分裂算法（4D-SPIHT）, 4维小波变换, 医学图像, 无损压缩

Abstract: The improved 4D-SPIHT algorithm based on the asymmetric wavelet tree is proposed.In the scheme，a 4D asymmetric wavelet tree is used，in which way different numbers of wavelet decompositions in each dimension can be chosed.Then the paper uses SPIHT to code wavelet coefficients band by band，which speeds up the encoding speed.Experiments show that the algorithm can remove the relevant in the 3D volume data，and increase the compression performance and coding efficiency with no significant complexity of the algorithm increased.

Key words: 4D Set Partitioning in Hierarchical Tree（4D-SPIHT）, four dimensions wavelet transformation, medical image, lossless compression

中图分类号:

TP391.41

钟文燕¹，杨丰¹，陈燕萍². 改进的4D-SPIHT医学图像无损压缩[J]. 计算机工程与应用, 2010, 46(32): 147-151.

ZHONG Wen-yan¹，YANG Feng¹，CHEN Yan-ping². Medical image compression based on improved 4D-SPIHT algorithm[J]. Computer Engineering and Applications, 2010, 46(32): 147-151.

[1]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[2]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[3]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[4]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[5]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[6]	郭艳芬，崔喆，杨智鹏，彭静，胡金蓉. 基于深度学习的医学图像配准技术研究进展[J]. 计算机工程与应用, 2021, 57(15): 1-8.
[7]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[8]	周涛，陆惠玲，霍兵强. 深度信念网络研究进展[J]. 计算机工程与应用, 2020, 56(9): 24-32.
[9]	吴帆，高媛，秦品乐，王丽芳. 基于拉普拉斯金字塔和CNN的医学图像融合算法[J]. 计算机工程与应用, 2020, 56(15): 208-214.
[10]	鞠维欣1，赵希梅1，2，魏宾2，王国栋1. 深度学习模型GoogleNet-PNN对肝硬化的识别[J]. 计算机工程与应用, 2019, 55(5): 112-117.
[11]	席志红，侯彩燕，袁昆鹏. 基于残差网络的医学图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(19): 191-197.
[12]	张经宇，滕建辅，白煜. 医学图像边缘检测的Levy-DNA-ACO算法研究[J]. 计算机工程与应用, 2018, 54(8): 14-20.
[13]	孙利雷1，2，徐勇3. 基于深度学习的乳腺X射线影像分类方法研究[J]. 计算机工程与应用, 2018, 54(21): 13-19.
[14]	邢晓羊1，2，魏敏1，2，符颖1，2. 基于特征损失的医学图像超分辨率重建[J]. 计算机工程与应用, 2018, 54(20): 202-207.
[15]	贾文娟1，王水花1，张煜东2. 基于影像的病脑检测方法综述[J]. 计算机工程与应用, 2018, 54(11): 21-29.

改进的4D-SPIHT医学图像无损压缩

Medical image compression based on improved 4D-SPIHT algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics