小波和KPD的图像压缩方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (9): 160-163.

小波和KPD的图像压缩方法

张佳，赵凤群，戴芳，左涛

西安理工大学理学院，西安 710054

出版日期:2013-05-01 发布日期:2016-03-28

Image coding based on wavelet and KPD

ZHANG Jia, ZHAO Fengqun, DAI Fang, ZUO Tao

School of Sciences, Xi’an University of Technology, Xi’an 710054, China

Online:2013-05-01 Published:2016-03-28

摘要/Abstract

摘要： 介绍了KPD的基本理论，提出了一种基于小波和KPD的图像编码方法。对图像进行Kronecker积分解，达到第一次压缩的目的。根据Kronecker积分解后的各个分解小块固有的性质，把这些小块分成两类：高频信息和低频信息。对于低频信息选取SPECK小波编码方式，而对于高频信息先进行小波分解，再对其中的混频信息进行编码，从而达到再次压缩的目的。实验证明该算法具有计算简便，压缩比较高的特点。

关键词: Kronecker积分解（KPD）, 小波变换, 图像压缩

Abstract: The basic theory of KPD is introduced, and an image coding method based on wavelet and KPD is proposed. The image is decomposed by the Kronecker product decomposition, and the aim of the first compression will be achieved. According to the character of each small decomposed block, these small blocks will be classified into high frequency information and low frequency information. For the low frequency information, the method of SPECK code is selected, while for the high frequency information, the wavelet decomposition is used firstly, and then the maxing frequency information is coded, so the aim of recompression will be reached. The experiment results show that this approach is simple and effective.

Key words: Kronecker Product Decomposition（KPD）, wavelet transform, image compression

张佳，赵凤群，戴芳，左涛. 小波和KPD的图像压缩方法[J]. 计算机工程与应用, 2013, 49(9): 160-163.

ZHANG Jia, ZHAO Fengqun, DAI Fang, ZUO Tao. Image coding based on wavelet and KPD[J]. Computer Engineering and Applications, 2013, 49(9): 160-163.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[5]	于恒，梅红岩，许晓明，贾慧萍. 基于深度学习的图像压缩算法研究综述[J]. 计算机工程与应用, 2020, 56(15): 15-23.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.