- 综合排序
- 最热优先
- 最新优先
- 来自专栏hotarugaliの技术分享
图像压缩领域
传统图像压缩 方法 主页 说明 JPEG XL https://jpeg.org/jpegxl/ JPEG 小组提出，目前最好的图像压缩方法 CMIX http://www.byronknoll.com 22\%22% 的大小 FLIF https://flif.info/ 无损图像压缩方法，目前已停止开发（被 JPEG XL 取代） AVIF https://aomediacodec.github.io developers.google.com/speed/webp Google 提出，无损模式比 PNG 小 26%26\%26%，有损模式比 JPEG 小 25∼34%25 \sim 34\%25∼34% 传统图像压缩方法对比 深度图像压缩 2.1可关注的研究员 作者 主页 说明 Johannes Ballé https://balle.io/ Balle 可谓是深度图像压缩的开创者，同时也是深度图像压缩界的大佬，目前在 Google ://staff.ustc.edu.cn/~dongeliu/ 中国科学技术大学电子工程与信息科学系副教授，主要研究方向为互联网数据挖掘、多媒体信息处理、图像与视频压缩等 陈志波 http://staff.ustc.edu.cn
1K21编辑于 2022-09-08 - 来自专栏图像处理与模式识别研究所
图像数据压缩
import numpy as np from PIL import Image from PIL import ImageEnhance from PIL import ImageFilter #SVD图像压缩 sigma.shape',sigma.shape) print('sum(sigma)',sum(sigma)) m,n=len(u),len(v) a=np.zeros((m,n))#创建一个空图像 创建滤波器，使用不同的卷积核 gary2=gray.filter(ImageFilter.DETAIL) gary2.save(r"C:/Users/xpp/Desktop/result2.png") #图像点运算 187252.6105270152 ==k===: 96 sigma.shape (460,) sum(sigma) 212052.90981610806 ==k===: 87 算法：图像数据压缩是将二维像素阵列变换为在统计上无关联数据集合
92510编辑于 2022-05-29 - 来自专栏TechBlog
Matlab实现图像压缩
文章目录 目的 原理 图像压缩原理 离散余弦变换(DCT)图像压缩原理 行程编码（RLE）原理 步骤 MATLAB 中的变长码映射 离散余弦变换（DCT）图像压缩 利用离散余弦变换进行JPEG 图像压缩 理解图像压缩的相关概念及图像压缩的主要原则和目的； 2． 掌握霍夫曼编码 3． 掌握几种常见的图像压缩编码方法 4． 利用 MATLAB 程序进行图像压缩 原理 图像压缩原理 图像压缩主要目的是为了节省存储空间，增加传输速度。图像压缩的理想标准是信息丢失最少，压缩比例最大。 不损失图像质量的压缩称为无损压缩，无损压缩不可能达到很高的压缩比；损失图像质量的压缩称为有损压缩，高的压缩比是以牺牲图像质量为代价的。压缩的实现方法是对图像重新进行编码，希望用更少的数据表示图像。 具体说就是解码图像和压缩编码前的图像严格相同，没有失真，从数学上讲是一种可逆运算。 （2）信息量压缩方法，也称有损压缩、失真度编码或烟压缩编码。
1.2K20编辑于 2023-03-08 - 来自专栏登神长阶
【论文复现】图像压缩算法
本文提出的方法是目前基于深度学习的图像压缩领域性能最佳的方法。 论文下载地址"https://arxiv.org/abs/2303.14978" 文章出发点 首先，这篇文章的出发点就是图像压缩最本源的目的，就是探索如何在相同的码率下获得更高质量的重建图像，或者说在得到的重建图像质量一样的情况下 然后作者就站在前人做的利用深度学习压缩的基础上思考，有一批人使用CNN的方法，可以很好地降低空间冗余度，然后捕获图像的空域结构；另一批人使用Transformer的结构，来捕捉图像中长距离的空间依赖关系 于是就在此基础上，作者提出了本文的 先验知识 在这一部分，我结合图文向大家解释一下基于深度学习进行图像压缩的基本框架流程，便于进一步理解本文方法。 先给出示意图如下： 首先是原图经过编码器得到一个潜在的表示y，就可以类比传统图像压缩里稀疏化的变换，只不过这里用一个可以学习的变换器来代替之前的人工设计的变换方法。
76110编辑于 2024-12-28 《数字图像处理》第 8 章-图像压缩
前言 图像压缩是数字图像处理领域的核心技术之一，小到手机拍照存储、微信发图，大到视频监控、卫星图像传输，都离不开图像压缩技术的支撑。 本文将系统讲解图像压缩的基础理论、常用压缩方法及数字图像水印技术，并通过可直接运行的 Python 代码 + 直观的效果对比图，让你从零掌握图像压缩的核心知识。 8.1.5 保真度准则 图像压缩分为无损压缩（解压后与原图完全一致）和有损压缩（解压后与原图有误差），保真度准则用于衡量压缩后图像的失真程度： 客观保真度：用数值衡量（如均方误差 MSE 、峰值信噪比 PSNR） 主观保真度：用人眼视觉效果衡量 8.1.6 图像压缩模型 图像压缩模型分为编码（压缩）和解码（解压）两部分，核心流程如下： 8.1.7 图像格式、容器与压缩标准 plt.show() 8.3 数字图像水印 数字图像水印是在压缩 / 未压缩图像中嵌入不可见的标识信息，用于版权保护，核心是将水印信息嵌入到图像的低频分量（避免压缩丢失）。
19910编辑于 2026-01-21- 来自专栏繁依Fanyi 的专栏
Python 图像文件压缩，使用PIL库对图像进行等比例压缩。
题目 图像文件压缩。使用PIL库对图像进行等比例压缩，无论压缩前文件大小如何，压缩后文件大小小于10KB。 image.save(f_path) size = os.path.getsize(f_path)/1024 else: break str_info = "压缩完成
94010编辑于 2023-05-07 - 来自专栏hotarugaliの技术分享
JPEG压缩图像增强综述
研究历史 压缩图像增强主要分为深度学习方法和非深度学习方法。 JPEG 压缩增强 JPEG 编码导致图像失真的主要因素： 量化过程导致 Blocking Artifacts 去除高频信息导致 Blurring 在尖锐的图像边缘出现 Ringing Artifacts
1.3K20编辑于 2022-03-11 - 来自专栏媒矿工厂
感知优化深度图像压缩
本次演讲主要讲述如何在感知上优化深度图像压缩。 Li-Heng Chen这次的工作是基于Ballé’s BLS2017 model进行的改进。 /dis. patches来预测VMAF分数，指导Ballé’s BLS2017 model进行深度图像压缩； 将预训练的ProxIQA网络作为损失函数。 但这样的做法存在一些问题： 训练图像数据集的失真类型与需解决的问题不符合； 它会产生adversarial examples，预测出的VMAF分数会随着训练不断提高至100分。 最后，Li-Heng Chen给出了方法在Kodak dataset上不同情况下的BD-rate和一些主观实验结果，展示了其为深度图像压缩带来的优化。
77120发布于 2019-12-23 - 来自专栏开源心路
AI绘画中VAE压缩图像
介绍 在Stable Diffusion中,所有的去噪和加噪过程并非在图像空间直接进行,而是通过VAE模块将图像编码到一个低维空间。 这个低维空间的“分辨率”低于原始图像空间,有利于快速地完成加噪和去噪过程。 最后再将编码空间中的噪声表示解码恢复为图像空间,完成去噪或加噪操作。 潜在空间的重要性 特征提取：在潜在空间中，数据的关键特征被提取和压缩，去除了冗余信息。 VAE 与扩散模型 原始图像通过VAE编码器编码到Latent空间 在Latent空间添加噪声或去噪 Stable Diffusion模型接受去噪的隐变量和文本提示作为输入 经过扩散过程生成新图像 VAE 改善生成质量：扩散模型能够生成极其逼真的图像。将这种能力应用于 VAE 的潜在空间，可以改善最终生成图像的质量。
82310编辑于 2023-12-23 - 来自专栏一棹烟波
OpenCV设置保存图像压缩率
OpenCV写入静态图片时，imwrite函数第三个参数可以设置压缩率，默认值为95. cv::Mat inImage= cv::imread("lena.jpg"); vector<int> compression_params
1.5K10发布于 2018-08-20 - 来自专栏CSDN社区搬运
STF-顶会图像压缩方法
，源码可参考附件文件，同时本文会详细介绍复现过程 背景 随着视觉应用的日益增多，图像压缩已经成为图像处理领域的一个重要研究课题。 本文通过结合局部注意力机制和全局特征学习，提出了一种新的图像压缩方法，名为“Symmetrical TransFormer (STF)”框架，并证明了其在压缩图像时的优越性能。 相关工作 在图像压缩领域，学习型图像压缩方法近年来发展迅速，基于变分自编码器（VAE）的模型在率失真性能方面优于传统的有损压缩方法。 在图像压缩中，非局部注意力机制已经被证明可以通过生成隐式重要性掩码来引导潜在特征的自适应处理。 然而，在图像压缩任务中，全局语义信息的作用不如局部空间邻近元素的相关性大。
43810编辑于 2024-12-20 MATLAB的压缩感知与图像重建
MATLAB的压缩感知与图像重建1. 压缩感知理论概述压缩感知（Compressed Sensing, CS）理论利用信号在某个变换域的稀疏性，通过少量的非自适应线性投影来高概率地重建原始信号。 图像重建的关键技术压缩感知理论在图像重建中的应用主要包括以下三个关键技术：稀疏表示：找到一个变换基，使图像在该变换域上是稀疏的。 代码基于MATLAB的压缩感知图像重建的代码：3.1 生成稀疏信号% 信号长度n = 100;% 稀疏度k = 10;% 生成稀疏信号x_true = zeros(n, 1);x_true(1:k) = subplot(2, 1, 1);stem(x_true, 'b');title('原始稀疏信号');subplot(2, 1, 2);stem(x_reconstructed, 'r');title('根据压缩信息重建的信号 );imshow(I);title('原始图像');subplot(1, 2, 2);imshow(I_reconstructed);title('重建图像');参考代码 压缩感知与图像重建
35310编辑于 2025-08-12- 来自专栏ISP图像处理相关
ISP图像处理之动态范围压缩
ISP图像处理之动态范围压缩 1 动态范围压缩介绍 自然界中真实场景能够表现比较广泛的颜色亮度区间，比如从很暗(10^-5 cd/m2)的黑夜到明亮(10^5 cd/m2)的太阳光，有将近10个数量级的动态方位 简而言之，动态范围压缩就是把一个动态范围很宽的图像压缩掉不需要或者不重要的部分，适应人眼的观感效果。 附图： 动态范围压缩算法常见的分为全局映射和局部映射。 2 动态范围压缩算法 实现动态范围压缩有许多种算法，比如线性移位算法、对数映射算法、分段函数映射算法、自适应性对数映射算法、高动态范围图像可视化算法。 2.3 分段函数映射 原理：考虑到低数值区间、高数值区间以及它们之间区域的不同特点，使用三段式的分段函数对HDR图像进行压缩，对不同的亮度区域进行分辨率调整。 优点：样扩大中间亮度值的映射范围，压缩高亮度值的映射斜率。后两种算法的复杂度一般，图像效果比之前两种算法好。
3K21编辑于 2022-01-14 - 来自专栏DearXuan的博客文章
C#图像压缩相关方法总结
前言 本文所描述的所有内容和算法，均未使用任何外部库，且已经在开源压缩软件PicSizer中使用 PicSizer是我独立编写的批量图片压缩软件，主要功能是实现网页图片的压缩。 Dispose(); } } 图像预处理 本节需要的命名空间: using System; using System.Drawing; using System.Drawing.Imaging; parameterList[v] = new EncoderParameter(encoder, value); } return parameterList[v]; } //获取图像编解码器 JPEG图像 public static void CompressionByValue(string file) { Bitmap bitmap = null; try { ，我们所能做到的是压缩到不超过指定大小的最佳情况，对于画质压缩，位深度压缩，缩放压缩，都可以通过调节参数使其 以画质压缩为例，画质可被分为101个等级(0~100)，首先创建一个数组，用于储存各个画质下的文件大小
1.4K40编辑于 2022-02-08 《数字图像处理》第8章-图像压缩和水印
今天给大家带来《数字图像处理》第 8 章的全面解析 —— 图像压缩和水印。 想象一下：一张未经压缩的 1080P 彩色图像，数据量约为 6MB，而经过 JPEG 压缩后可能只有几十 KB，这就是压缩的价值！ 8.1.7 图像格式、存储器（容器）和压缩标准 格式 / 标准 类型 压缩方式 应用场景 BMP 位图 无损（无压缩） 无损存储、图像处理 JPEG 静态图像 有损（DCT 变换） 照片、网页图片 PNG 、图像压缩 Biorthogonal (bior4.4) 对称、可逆 无损压缩、医疗图像 选择原则： 无损压缩：选正交 / 双正交小波（保证逆变换无失真）； 有损压缩：选光滑性好的小波（能量集中性强） 综合题： 设计一个图像压缩 + 水印的完整系统：对图像进行小波压缩，在压缩域嵌入水印，解压后能正确提取水印。 评估该系统在不同攻击（压缩、滤波、旋转）下的水印鲁棒性和图像压缩质量。
15510编辑于 2026-01-21《数字图像处理》实验5-图像压缩及编码
实验目标 理解图像压缩的核心原理（减少冗余信息）及评价标准（压缩比、图像质量）； 掌握无损压缩（Huffman 编码）与有损压缩（DCT 变换、小波变换）的实现方法； 熟悉 JPEG 标准核心技术（DCT 变换 + 量化），理解小波变换的多分辨率压缩特性； 能够通过 MATLAB 函数实现图像压缩、编码、重构，并分析压缩效果。 二、完整实验内容与代码实现 （一）彩色图转灰度图的压缩比计算 实验任务 读取彩色图像→转换为灰度图→查询图像属性→计算基于文件大小的压缩比。 title('DCT量化压缩图像'); subplot(1,3,3); imshow(I_masked); title('掩模压缩图像'); % 输出矩阵对比 fprintf('=== 原始图像8x8 JPEG 标准核心、普通图像存储 Huffman 编码 无损（编码压缩） 基于概率的变长编码 ~1.1 无失真要求的压缩（如医疗图像） 小波变换压缩 有损（多分辨率压缩） 过滤高频细节 3-4 分级传输
13410编辑于 2026-01-21- 来自专栏新智元
放心用手机看大图：谷歌图像压缩技术 RAISR，减少压缩带宽 75%
【新智元导读】 谷歌产品博客今日发文介绍其图像压缩技术RAISR，RAISR于去年11月推出，利用机器学习生成高质量版本的低分辨率图像，使加载每张高清大图片使用的带宽减少75%。 RAISR 于11月推出，利用机器学习生成高质量版本的低分辨率图像，以让人们能够欣赏到摄影师的美丽照片。 虽然我们只在安卓设备子集流中出现高分辨率图片是才推出此功能，但我们已经每周使用 RAISR 压缩超过10亿张图片，为用户降低了约三分之一的总带宽。
92770发布于 2018-03-27 - 来自专栏大数据智能实战
google图像新压缩技术RAISR的测试
不久前，Google刚刚发布了一种名为RAISR（Rapid and Accurate Super Image Resolution，意为“快速、精确的超级图像分辨率技术”）的图像压缩技术，旨在保存宝贵的数据 ，而不牺牲照片质量；并在带宽受限的移动设备上提供清晰锐利的图像。 Google声称，该技术可以降低高达75％的带宽，RAISR分析同一图像的低分辨率和高分辨率版本，了解到高分辨率版本出众的原因，然后在低分辨率版本模拟出来。 实际上就是使用机器学习创建一个类似Instagram的过滤器，欺骗你的眼睛，让你相信低分辨率与高分辨率图像是一致的。 看到这个技术，想测试一下，顺便看一下算法原理，刚好网上有一些相关的代码，主要参考代码如下：https://github.com/MKFMIKU/RAISR 仔细看了下算法的原理，才发现这个算法的压缩机制主要包括两个部分
2.4K60发布于 2018-01-09 - 来自专栏YINUXY
算法笔记（0001） - 【动态规划】图像压缩问题
算法笔记（0001） - 【动态规划】图像压缩问题 问题描述 在计算机中，常用像素点的灰度值序列{p1,p1,……pn}表示图像。其中整数pi,1<=i<=n，表示像素点i的灰度值。 （因为有的灰度值并没有达到255这么大）所以我们引入了图像压缩算法来解决这个问题。 假设将原图像分成m段，那么需要 ? 位的存储空间。 图像压缩问题就是要确定像素序列{p1,p1,……pn}的最优分段，使得依此分段所需的存储空间最小。 即图像压缩问题满足最优子结构性质。 递推关系 设s[i],1<=i<=n是像素序列{p1,p1,……pi}的最优分段所需的存储位数，则s[i]为前i-k个的存储位数加上后k个的存储空间。 "<<"需要存储位数"<<b[i]<<endl; } } 参考文章 0016算法笔记——【动态规划】图像压缩问题 图像压缩－－－动态规划 动态规划之–图像压缩
2.1K10发布于 2019-12-25 - 来自专栏媒矿工厂
基于学习的光场图像压缩方法
来源：PCS 2021 演讲者：Mohana Singh 内容整理：贾荣立 本文提出了一种基于学习的端到端光场图像压缩模型，在图像重建质量和处理速度上展示了比较好的性能。 4d 光场的多视图表示 由于在 4d 光场中捕获了额外的光线方向信息，导致更高的数据负载，因此要求有更先进的光场图像的压缩技术。 近些年来，学术界已经提出了多种用于光场图像压缩的解决方案，其中大多数解决方案都受到传统图像和视频压缩领域发展的启发，并利用现有的标准设计编解码器，如 HEVC 和 JPEG。 随着深度学习在诸多领域的日益普及，图像压缩领域也出现了新的发展方向。基于学习的光场压缩方法也在不断涌现。 因此，本文提出了一种新的端到端模型，该模型通过优化失真和速率来学习光场图像的压缩。 2模型设计 输入数据 将不同的视角视图进行标号，一起进行输入，使得 4d 的光场信息转换为 3d。
1.1K20发布于 2021-09-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号