[论文解读] Hybrid Approaches to Image Coding: A Review

Rehna. V. J, Jeyakumar. M. K|arXiv (Cornell University)|Sep 12, 2012

Advanced Data Compression Techniques参考文献 33被引用 3

一句话总结

本文综述了将传统方法（如预测编码、变换编码和向量量化）与现代方法（如小波和神经网络）相结合的混合图像编码技术。文章突出强调了神经小波方法——即先使用离散小波变换，再通过基于神经网络的压缩——是一种极为高效的方法，能在低比特率下实现高比率压缩和优异的图像质量，显著优于传统的独立方法。

ABSTRACT

Nowadays, the digital world is most focused on storage space and speed. With the growing demand for better bandwidth utilization, efficient image data compression techniques have emerged as an important factor for image data transmission and storage. To date, different approaches to image compression have been developed like the classical predictive coding, popular transform coding and vector quantization. Several second generation coding schemes or the segmentation based schemes are also gaining popularity. Practically efficient compression systems based on hybrid coding which combines the advantages of different traditional methods of image coding have also been developed over the years. In this paper, different hybrid approaches to image compression are discussed. Hybrid coding of images, in this context, deals with combining two or more traditional approaches to enhance the individual methods and achieve better-quality reconstructed images with higher compression ratio. Literature on hybrid techniques of image coding over the past years is also reviewed. An attempt is made to highlight the neuro-wavelet approach for enhancing coding efficiency.

研究动机与目标

• 分析并比较各种结合传统与先进方法的混合图像压缩技术。
• 识别仅使用传统压缩技术在不牺牲图像质量的前提下实现高比率压缩的局限性。
• 评估将小波变换与神经网络结合（即神经小波方法）对提升图像编码性能的有效性。
• 对混合编码系统文献进行全面综述，重点强调近期进展和性能指标。
• 证明混合系统，特别是神经小波模型，在压缩率、计算效率和重建图像质量之间提供了更优的权衡。

提出的方法

• 本文综述了结合两种或多种传统图像压缩技术的混合编码系统，例如预测编码、变换编码、向量量化（VQ）和基于分割的方法。
• 评估了离散小波变换（DWT）与神经网络的集成，其中DWT将图像分解为子带，神经网络则根据各子带的频率特性对每个子带进行压缩。
• 针对每个子带，根据其频率内容和能量分布，应用不同的神经网络架构（例如8-6-8、8-4-8、16-1-16）。
• 神经网络隐藏层的输出经过标量量化后，再使用霍夫曼编码进行熵编码，以进一步降低比特率。
• 该方法采用比特率（bpp）和PSNR作为关键性能指标，PSNR使用标准公式计算：PSNR = 20 * log10(255 / sqrt(MSE))。
• 该方法对低频带（band1）应用DPCM，而高频带（band2–band6）则使用专用神经网络进行压缩，band7因能量较低被舍弃。

实验结果

研究问题

• RQ1 结合多种传统方法的混合编码技术相较于单一方法，在压缩率和图像质量方面有何提升？
• RQ2 将小波变换与神经网络结合在多大程度上提升了图像压缩效率和重建质量？
• RQ3 神经小波模型在不同小波滤波器和测试图像下的PSNR与比特率表现如何？
• RQ4 各子带选择不同神经网络架构如何影响整体压缩性能？
• RQ5 混合系统是否能在保持高质量图像重建的同时降低计算复杂度？

主要发现

• 在Lena图像上使用db18小波滤波器，神经小波混合方法在0.40 bpp的比特率下实现了29.371 dB的PSNR。
• db6滤波器在0.39 bpp下获得29.25 dB的PSNR，db4滤波器在0.37 bpp下实现29.058 dB，显示出滤波器复杂度与性能之间的权衡。
• 所提出的神经小波模型在图像质量和处理速度方面均优于基于经典小波压缩和独立神经网络压缩的方法。
• 基于小波的混合技术即使在低比特率下也能生成高质量的重建图像，尤其在压缩率低于75%时表现尤为出色。
• 将神经网络与小波变换结合显著提升了压缩效率，特别是在低比特率区域。
• 根据不同子带（如band2–3使用8-6-8，band5–6使用16-1-16）采用不同的神经网络架构，通过适配不同的频率内容和能量分布，进一步提升了性能。