基于模板差分的档案图像集合冗余压缩研究

来源 :计算机科学 | 被引量 : 5次 | 上传用户:wangshaohua11
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
档案图像信息系统中,页间信息冗余大量存在,对基于页间信息统计特性的压缩方法进行研究具有重要意义。集合冗余压缩正是利用图像之间的相似性降低整个图像集合的熵。基于模板差分的压缩方法是一种改进的集合冗余压缩技术,它通过模板建立相似档案图像集合,通过在最小-最大差分方法的编解码器中加入模板图像,来提高页间压缩性能。理论分析表明,模板差分压缩方法的压缩性能高于最小-最大差分方法。实验结果表明,模板差分方法和最小-最大差分方法均能有效提高图像集合的压缩比,而且模板差分方法比最小-最大差分方法更有利于提高压缩比。
其他文献
基于约束关联挖掘,近几年在国际上受到较大关注。从许多约束的关联挖掘算法中发现,传统的约束阈值大多是通过专家给定或经过反复试验得出的,缺乏用户反馈与客观依据的支持。
颜色信息对骨髓细胞分割、分类非常重要。首先对已知类别的图像胞核、胞浆、成熟红细胞颜色采样进行r,g,b三值统计及线性关系分析,提取颜色特征;然后,采用fcm一次分割与多级阈值分割进行实验,针对边缘不完整和空洞问题,引入邻域颜色特征一致性系数,对特征图像进行加权极差滤波。实验表明,该方法可以简单、有效地实现骨髓细胞图像分割。
视图发布的动态性和连续性使得视图间互相联系和影响。静态视图安全研究无法适应实际应用,如何保证动态视图的安全发布亟待解决。为了解决这个问题,首先提出了可能世界构造方
针对传统多层关联分类挖掘产生大量冗余规则而影响分类效率的问题,提出了一种基于类FP-tree的多层关联分类器MACCF(Multi-level Associative Classifier based on Class FP-tr
提出了一种可追查身份的门限签名方案,该方案中的参与方包括可信中心PKG、密钥分发者Dealer、合成签名者SC(Signature Combiner)以及n个成员(他们中的t个成员可以参加(t,n)门限签
Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辨率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集
针对低性能终端的复杂计算需求,设计了面向普适终端的云计算系统UbiCloud。通过对云中计算资源的描述、发现、访问、评价等问题进行研究,在前端普适终端与后端云之间构建虚拟
网络编码可以实现组播的最大吞吐率,若应用于P2PTV系统,具有降低用户播放延时、提高系统有效传输率,从而提高视频质量的潜力。为了提高P2PTV系统的性能,设计并实现了一个基于随机
数据广播是无线环境中一种独特的数据发布方式。首先系统地归纳了周期广播、on-demand广播和混合广播3种广播方式的理论分析模型及其特点,然后针对单信道和多信道对各种广播