多焦平面图像的有效压缩方法

Question

我在一个应用程序上工作，在不同的焦点平面上的图像是获取的，目前存储在一个多页的tif中。不幸的是，基于tif的压缩技术不能从不同焦点平面上的信号冗余中受益。

我在ZPEG和JPEG2000 Addon这里找到了一些关于这方面的资源

不幸的是，它们都离标准很远。

我想知道在这种情况下，是否有视频编解码器可以达到很好的压缩比？

我也非常开放，非常开放，任何其他想法。

Answer 1

这里有一种不同的方法:将跨平面冗余转换为空间冗余，然后使用标准图像压缩。

以最简单的方式，只需要从每个平面上取宽度*1像素的条带，并将它们堆叠起来。作为一张图片，它看起来会以一种奇怪的方式垂直涂抹。最好将其与DCT块对齐(如果适用)，以避免通过块的锐利水平边缘，因此可能应该通过复制平面将其填充到(通常)8个平面的倍数。您可以通过优化填充以获得更多的能量，但这是复杂的，而复制已经相当好和琐碎。

它显然不会很好地压缩未过滤的无损压缩，但使用适当的过滤器(向上，平均或paeth)的PNG应该可以工作。

Answer 2

tiff的问题是它在基线中不支持组件间去相关。有些扩展名(支持范围不是很广)允许存储其他文件压缩格式(例如完整的JPEG2000 JP2文件，扩展名0x8798)，但不能保证标准解码器将正确处理它。

如果您可以使用任何您想使用的工具，那么通过良好的谱去相关变换(用于有损压缩的KLT和用于无损压缩的RKLT -有关这些变换的JAVA实现，请参见http://gici.uab.cat/GiciWebPage/downloads.php#spectral )和一个好的压缩算法(如JPEG2000 )，可能可以获得接近最佳的编码性能。另一方面，由于KLT/RKLT转换，这种方法实现起来有点复杂，而且速度很慢。

另一种更简单的方法是简单地将JPEG2000与DWT一起使用来进行频谱去相关。例如，如果使用Kakadu实现(kakadusoftware.com)，则只需在压缩时使用适当的参数。这里有一个从http://kakadusoftware.com/wp-content/uploads/2014/06/Usage_Examples.txt中提取的示例调用，

Ai) kdu_compress -i catscan.rawl*35@524288 -o catscan.jpx -jpx_layers * -jpx_space sLUM Creversible=yes Sdims={512,512} Clayers=16 Mcomponents=35 Msigned=no Mprecision=12 Sprecision=12,12,12,12,12,13 Ssigned=no，no，yes Mvector_size:I4=35 Mvector_coeffs:I4=2048 Mstage_inputs:I25={0,34} Mstage_outputs:I25={0,34} Mstage_collections:I25={ 35 ,35} Mstage_xforms:I25={DWT,1,4,3,0} Mnum_stages=1 Mstages=25 --压缩由35个切片组成的医疗卷，每个切片512x512，以原始小端格式表示，每个样本12位，每个样本打包成2个字节。这个示例遵循上面的示例(x)，但是添加了一个多组件转换，它是基于5/3可逆内核(内核id是1，可以在Mstage\_xforms' record. -- To decode the above parameter attributes, note that: a) There is only one multi-component transform stage, whose instance index is 25 (this is the I25 suffix found on the descriptive attributes for this stage). The value 25 is entirely arbitrary. I picked it to make things interesting. There can, in general, be any number of transform stages. b) The single transform stage consists of only one transform block, defined by the内核的属性的第二个字段中找到)使用3级DWT实现的--通常可以有任意数量的转换块。c)该块采用35个输入分量并产生35个输出分量，如Mstage\_collections:I25' attribute. d) The stage inputs and stage outputs are not permuted in this example; they are enumerated as 0-34 in each case, as given by theMstage_inputs:I25‘and Mstage\_outputs:I25' attributes. e) The transform block itself is implemented using a DWT, whose kernel ID is 1 (this is the Part-1 5/3 reversible DWT kernel). Block outputs are added to the offset vector whose instance index is 4 (as given byMvector_size:I4’和Mvector\_coeffs:I4') and the DWT has 3 levels. The final field in theMstage_xforms‘记录所示，设置为0，这意味着多分量DWT的画布原点将被取为0。f)由于使用的是多分量变换，所以最终解压缩(或原始压缩)图像分量的精度和有符号/无符号属性由Mprecision' andMsigned‘给出，而它们的数量由Mcomponents'. g) Thes精度’和Ssigned' attributes record the precision and signed/unsigned characteristics of what we call the codestream components -- i.e., the components which are obtained by block decoding and spatial inverse wavelet transformation. In this case, the first 5 are low-pass subband components, at the bottom of the DWT tree; the next 4 are high-pass subband components from level 3; then come 9 high-pass components from level 2 of the DWT; and finally the 17 high-pass components belonging to the first DWT level. DWT normalization conventions for both reversible and irreversible multi-component transforms dictate that all high-pass subbands have a passband gain of 2, while low-pass subbands have a passband gain of 1. This is why all but the first 5s精度‘值提供额外的位--请记住，Sprecision' and带符号’数组中缺少的条目是通过复制最后提供的值获得的。