基于DWT-LSSVM的图像压缩算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (14): 156-159.

基于DWT-LSSVM的图像压缩算法

褚静，徐安成，张美凤

常州工学院光电工程学院，江苏常州 213002

出版日期:2013-07-15 发布日期:2013-07-31

Image compression algorithm based on discrete wavelet transform and least square support vector machines

CHU Jing, XU Ancheng, ZHANG Meifeng

College of Optoelectronic Engineering, Changzhou Institute of Technology, Changzhou, Jiangsu 213002, China

Online:2013-07-15 Published:2013-07-31

摘要/Abstract

摘要： 为了进一步提高图像压缩效率和质量，提出一种离散小波变换（DWT）和最小二乘支持向量机（LSSVM）相融合的图像压缩方法（DWT-LSSVM）。采用DWT对图像分解，得到低频系数和高频系数，采用LSSVM归学习逼近高频系数，并采用混沌粒子群算法对LSSVM参数进行优化，对支持向量、权重和低频系数进行编码，得到数据压缩数据流。仿真结果表明，DWT-LSSVM获得了较高的压缩比，可以较好满足图像传输的实时性要求。

关键词: 图像压缩, 离散小波变换, 最小二乘支持向量机, 嵌入式零小波算法

Abstract: In order to further improve the image compression efficiency and quality, this paper puts forward an image compre-
ssion method based on Discrete Wavelet Transform（DWT） and Least Squares Support Vector Machines（LSSVM）. DWT is used to decompose the image to get the low-frequency coefficients and high frequency coefficients, and then LSSVM which parameters are optimized by chaotic particle swarm algorithm is used to train the high frequency coefficients, the support vector, weight and low frequency coefficients are encoded to form the data compression stream. The simulation results show that the proposed method obtains higher compression ratio and can satisfy the real-time requirement of image transmission.

Key words: image compression, discrete wavelet transform, least squares support vector machines, embedded zerotree wavelet algorithm

褚静，徐安成，张美凤. 基于DWT-LSSVM的图像压缩算法[J]. 计算机工程与应用, 2013, 49(14): 156-159.

CHU Jing, XU Ancheng, ZHANG Meifeng. Image compression algorithm based on discrete wavelet transform and least square support vector machines[J]. Computer Engineering and Applications, 2013, 49(14): 156-159.

[1]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[2]	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.
[3]	王盛，杨信丰. 基于EEMD-GWO-LSSVM的公共交通短期客流预测[J]. 计算机工程与应用, 2019, 55(20): 216-221.
[4]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[5]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[6]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[7]	周水生，王保军，安亚利. 基于LS-SVM方法求高阶线性ODE近似解[J]. 计算机工程与应用, 2018, 54(23): 51-56.
[8]	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.
[9]	吕风杰，信科. 基于小波域峰态值的无参考噪声图像评价算法[J]. 计算机工程与应用, 2017, 53(7): 202-205.
[10]	李越1，2，范玉刚1，2，黄国勇1，2. MRSVD敏感分量在单频周跳探测修复中的应用[J]. 计算机工程与应用, 2017, 53(7): 220-224.
[11]	张文兴，陈肖洁. 基于核极化的特征选择在LSSVM的应用[J]. 计算机工程与应用, 2017, 53(19): 164-167.
[12]	晁拴社1，楚恒1，2. 基于同质性降维和CMP算法的高光谱图像分类[J]. 计算机工程与应用, 2017, 53(13): 206-210.
[13]	郑继明1，2，崔玉岩1，耿金玲2，陈龙1. 运用DWT和ORB的图像篡改检测方法[J]. 计算机工程与应用, 2017, 53(11): 187-191.
[14]	李高平，刘莉. 图像子块特征匹配的快速分形编码算法[J]. 计算机工程与应用, 2017, 53(1): 195-200.
[15]	周菲菲，陈建明，张晶晶. 基于局部最小熵的小波系数预测编码方法[J]. 计算机工程与应用, 2016, 52(22): 203-207.