.png){kind=icon}
返回
Lossy Image Compression Approach Based Wavelets and Convolutional Auto-Encoder
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02312-4_11.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迄今为止，已有大量研究和探索工作探讨了离散小波变换（DWT）在图像压缩领域的应用。事实上，这一数学工具与其他算法结合时，已证明其能够以高视觉质量和较少存储空间再现图像。本文构建了一个压缩系统，其方案与基准标准相同，采用DWT变换与卷积自编码器（CAE）配置相结合以提取未压缩图像的更精细细节，使用标量量化对谱系数进行量化，最后采用哈夫曼编码获取数据二进制码。该创新模型（称为DWT-CAE）的性能基于压缩比（CR）和结构相似性（SSIM）因子进行评估。实验在Kodak数据集上进行，结果表明所提出的方法实现了平均SSIM值为0.83，生成具有更清晰细节和纹理的图像，同时平均占用16.4%的存储空间。为证明所提出方法的优势，我们进行了一项比较研究，结果显示新型系统相比普通基准算法平均节省76%的存储空间，相比JPEG标准节省7%。
Keyword:
Discrete Wavelet Transform DWT
Image compression
Convolutional Auto-Encoder
Baseline algorithm
JPEG standard
Structural SIMilarity
Compression Ratio
期刊
A
IF:
0
论文数:
39
被引数:
0
机构
引用论文
.png){kind=icon}
Wavelet enabled convolutional autoencoder based deep neural network for hyperspectral image denoising基于小波卷积自编码器的深度神经网络高光谱图像去噪
PREAI
分享收藏
分享收藏 没有更多内容
没有更多内容