基于跳白塊編碼和深度神經(jīng)網(wǎng)絡(luò)對(duì)脈沖星候選體診斷圖像的壓縮研究

姜家濤，謝曉堯，于徐紅

(1. 貴州師范大學(xué)貴州省信息與計(jì)算科學(xué)重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550001；2. 貴州師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院，貴州 貴陽 550001；3. FAST早期科學(xué)數(shù)據(jù)中心，貴州 貴陽 550001)

自2016年9月500 m口徑球面射電望遠(yuǎn)鏡在我國貴州落成[1]以來，脈沖星搜索一直是重要科學(xué)目標(biāo)之一。截至目前，F(xiàn)AST早期科學(xué)數(shù)據(jù)中心已計(jì)算發(fā)現(xiàn)了240個(gè)新脈沖星候選體[2-5]，其中123顆脈沖星候選體已經(jīng)證實(shí)為新脈沖星。J1859-0131和J1931-01是我國射電望遠(yuǎn)鏡首次發(fā)現(xiàn)的兩顆脈沖星。J0318+0253是FAST發(fā)現(xiàn)的首個(gè)毫秒脈沖星[3]，是至今發(fā)現(xiàn)的射電流量最弱的高能毫秒脈沖星之一，展示了FAST對(duì)國際低頻引力波探測做出實(shí)質(zhì)貢獻(xiàn)的潛力，是FAST的重要成果。巡天觀測數(shù)據(jù)經(jīng)過計(jì)算處理[5]，產(chǎn)生海量脈沖星候選體診斷圖像。以每天處理2 000個(gè)數(shù)據(jù)文件為例，單日產(chǎn)生的圖像達(dá)到300 000張，存儲(chǔ)空間需要20 G。脈沖星候選體診斷圖數(shù)量呈指數(shù)增長，給科學(xué)數(shù)據(jù)管理工作帶來挑戰(zhàn)。脈沖星候選體診斷圖像是科學(xué)家對(duì)巡天數(shù)據(jù)進(jìn)行檢查、脈沖星搜索判斷的科學(xué)數(shù)據(jù)，是探究新搜索技術(shù)方法的數(shù)據(jù)基礎(chǔ)，是天文科研科普開放共享的重要資源。脈沖星識(shí)別軟件在專用網(wǎng)絡(luò)中不斷傳輸脈沖星候選體診斷圖像，科學(xué)家基于脈沖星候選體診斷圖像探索新的科研方法，如文[2]提出的PICS方法。FAST云平臺(tái)公布的共享信息包含大量的脈沖星候選體診斷圖，我們迫切需要研究壓縮技術(shù)，實(shí)現(xiàn)脈沖星候選體診斷圖像的有效存儲(chǔ)，加快網(wǎng)絡(luò)傳輸共享。

傳統(tǒng)主流的圖像標(biāo)準(zhǔn)算法如JPEG[5]，JPEG2000[6]和BPG等采用變換編碼。JPEG對(duì)圖像分塊做離散余弦變換(Discrete Cosine Transform, DCT)，將圖像信息從空域變換到系數(shù)能量相對(duì)集中的離散余弦變換域，然后量化變換系數(shù)和熵編碼[3]；而JPEG2000對(duì)圖像做離散小波變換(Discrete Wavelet Transform, DWT)，分層熵編碼。但離散余弦變換和離散小波變換是固定不變的線性變換函數(shù)，近似固定卷積核圖像的卷積操作，手工設(shè)計(jì)的變換矩陣對(duì)脈沖星圖像數(shù)據(jù)去相關(guān)性不一定最優(yōu)。近年來基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的圖像壓縮編碼方法[7-10]越來越受到研究者青睞。文[7]提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的圖像編碼框架，文[8]提出基于卷積神經(jīng)網(wǎng)絡(luò)的壓縮編碼結(jié)構(gòu)，學(xué)習(xí)網(wǎng)絡(luò)瓶頸層數(shù)據(jù)表征的分布熵模型，更好地移除圖像的內(nèi)部冗余?；谏窠?jīng)網(wǎng)絡(luò)的圖像壓縮利用大量圖像優(yōu)化學(xué)習(xí)，在對(duì)圖像去相關(guān)緊湊化壓縮變換方面比傳統(tǒng)手工設(shè)計(jì)壓縮模塊方法更有效。但是，現(xiàn)有的壓縮方法都是針對(duì)自然圖像，沒有充分考慮脈沖星診斷圖像不同于自然圖像的特性。脈沖星診斷圖像由稀疏的黑白圖像、隨機(jī)分布的灰度圖和彩色圖像組成，簡單視為彩色圖像用一種變換壓縮算法處理顯然是不合理的。

針對(duì)脈沖星候選體診斷圖的特征，本文提出使用跳白塊編碼和深度網(wǎng)絡(luò)圖像壓縮模型相結(jié)合的壓縮方法。針對(duì)診斷圖像的曲線和文字等黑白圖像，首先二值化圖像，然后使用改進(jìn)的自適應(yīng)分層跳白塊算法壓縮。對(duì)于深度神經(jīng)網(wǎng)絡(luò)壓縮模型的設(shè)計(jì)，首先，圖像壓縮模型采用卷積神經(jīng)網(wǎng)絡(luò)自編碼器結(jié)構(gòu)，整體結(jié)構(gòu)由正向編碼網(wǎng)絡(luò)、量化器、熵編碼器和反向編碼網(wǎng)絡(luò)組成。其次，將量化特征的編碼率與失真誤差的加權(quán)和作為損失函數(shù)，利用大量脈沖星候選體診斷圖像自適應(yīng)學(xué)習(xí)各個(gè)模塊函數(shù)。為了有效利用算術(shù)編碼器算法對(duì)潛在表示特征的分布，算法使用網(wǎng)絡(luò)學(xué)習(xí)非線性函數(shù)逼近實(shí)際的數(shù)據(jù)分布模型。為了驗(yàn)證提出算法的有效性，實(shí)驗(yàn)將近年來FAST巡天項(xiàng)目生成的脈沖星候選體診斷圖作為數(shù)據(jù)集，分別應(yīng)用JPEG算法、JPEG2000算法、BPG算法和本文提出的深度神經(jīng)網(wǎng)絡(luò)壓縮模型(Deep Neural Compression Model, DNCM)算法比較。結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法的峰值信噪比優(yōu)于JPEG算法，與JPEG2000相當(dāng)，但結(jié)構(gòu)相似性遠(yuǎn)遠(yuǎn)超過傳統(tǒng)壓縮算法，特別是在低比特率下重構(gòu)圖像較高的結(jié)構(gòu)相似性保證了圖像的感官質(zhì)量。診斷圖本是目視判斷脈沖星候選體的輔助依據(jù)，實(shí)驗(yàn)證明本文算法針對(duì)脈沖星候選體診斷圖壓縮應(yīng)用是有效的。

1 分區(qū)圖像壓縮

脈沖星候選體診斷圖(圖1)是觀測數(shù)據(jù)經(jīng)過消色散、周期折疊處理后得到可能的脈沖星旋轉(zhuǎn)參數(shù)組合和統(tǒng)計(jì)量分布結(jié)果數(shù)據(jù)繪制的圖像[1]，用于天文學(xué)家判定是否為脈沖星。

圖1 脈沖星候選體診斷圖像

診斷圖主要包含8個(gè)子圖，直觀上可以粗略分為3類，其中②和③子圖為二維灰度散度圖，包含大量隨機(jī)噪聲點(diǎn)；①，④，⑤，⑥和⑦為稀疏的曲線圖或文字表示的黑白圖像；⑧為彩色圖像。觀察可知，子圖特征差異較大，圖像通道數(shù)量不一，數(shù)據(jù)稀疏程度差別較大，使用單一的壓縮算法或一種壓縮模型顯然是不合理的。本文將圖像區(qū)域劃分為3類，采用不同方法壓縮編碼，黑白圖像區(qū)域使用跳白塊編碼，灰度圖和彩色圖分別訓(xùn)練一個(gè)深度網(wǎng)絡(luò)隱變量壓縮模型。3類圖像區(qū)域自動(dòng)定位切割，并分發(fā)到對(duì)應(yīng)編碼器壓縮處理。

1.1 跳白塊編碼方法

跳白塊編碼是一種充分利用二值圖像中單色區(qū)域占大部分位置的特征游程編碼變體。一維跳白塊編碼也稱跳白條，將二值圖像的各掃描行分成若干塊，每塊N個(gè)像素[11]。全白像素塊用1比特字 “0” 表示，對(duì)于至少含有一個(gè)黑像素的塊，用N+1比特碼字表示；含有黑色像素的塊第1個(gè)比特位表示 “1”，稱為前綴碼，其余N比特直接用自身的二值幅值表示，白為 “0”，黑為 “1”。推廣到二維，將整個(gè)圖像分割為M×N像素的塊，若塊為全白像素時(shí)用1比特 “0” 表示；非全白塊用1 +M×N個(gè)比特碼字表示，一個(gè)前綴比特 “1”，其余MN比特直接用自身的二值幅值表示。將脈沖星候選體圖像中的1類區(qū)域分割出來，指定閾值變換為二值圖像，白像素用 “0” 表示，黑像素用 “1” 表示。

如圖2，用跳白塊編碼二值圖像生成二進(jìn)制數(shù)據(jù)流，再送入自適應(yīng)算術(shù)編碼器(QM編碼器)，進(jìn)一步壓縮數(shù)據(jù)流中的位流冗余。本文使用跳白塊編碼改進(jìn)的自適應(yīng)分層跳白塊算法。

圖2 跳白塊編碼二值圖像

1.2 深度網(wǎng)絡(luò)隱變量壓縮模型

對(duì)于灰度圖像和彩色圖像，本文分別訓(xùn)練兩個(gè)學(xué)習(xí)型深度網(wǎng)絡(luò)隱變量模型壓縮相應(yīng)的圖像塊。深度網(wǎng)絡(luò)隱變量壓縮模型的整體網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)自編碼器結(jié)構(gòu)，如圖3。壓縮網(wǎng)絡(luò)模型由4部分組成：分析變換網(wǎng)絡(luò)模塊(Encoder)、量化器(Quantizer)、熵編碼模塊(Entropy Coder)和集成變換網(wǎng)絡(luò)模塊(Decoder)。分析變換網(wǎng)絡(luò)模塊由多個(gè)堆疊的卷積層組成，經(jīng)過一系列下采樣、提取特征、去相關(guān)等操作，將輸入圖像映射到弱相關(guān)的緊湊的隱變量。潛在表示保留了圖像的全部必要信息，是待編碼的壓縮信息。集成變換網(wǎng)絡(luò)是分析變換網(wǎng)絡(luò)的逆操作，也是由一系列堆疊的逆卷積層組成，通過上采樣生成圖像信息。熵編碼模塊是依據(jù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到潛在表示分布的參數(shù)估計(jì)的模型，指導(dǎo)算術(shù)編碼器將量化器量化后的潛在表示信息生成可以保存和網(wǎng)絡(luò)傳輸?shù)亩M(jìn)制碼流，即壓縮信息。

圖3 深度神經(jīng)網(wǎng)絡(luò)圖像壓縮模型結(jié)構(gòu)圖

分析變換器Eφ(x)將圖像特征數(shù)據(jù)x映射為潛在表示y，量化器將y量化為y^，y熵模型Q(y^;θ)逼近潛在表示層的統(tǒng)計(jì)分布，指導(dǎo)算術(shù)編碼器將y^編碼為二進(jìn)制流。解碼時(shí)算術(shù)編碼器依據(jù)熵模型將二進(jìn)制流重新譯成量化特征y^，集成變換Dφ(z)根據(jù)y^的信息生成圖像x′。這其中主要模塊為分析變換器Eφ(x)、熵模型Q(y^;θ)和集成變換器Dφ(z)。與傳統(tǒng)的變換編碼方法不同，它們都是利用大量圖像優(yōu)化學(xué)習(xí)得到的，而非手工設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)基于一個(gè)損失函數(shù)，反向傳播誤差梯度，學(xué)習(xí)得到模型的參數(shù)(φ,θ,φ)，以權(quán)值和偏置形式保存在神經(jīng)網(wǎng)絡(luò)中。本文采用率失真優(yōu)化(Rate Distortion Optimization, RDO)策略學(xué)習(xí)網(wǎng)絡(luò)，即聯(lián)合圖像壓縮損失和碼率函數(shù)，拉格朗日乘子β控制碼率與失真率的平衡。用公式表示為

L=D(x,x^)+βH(y^)，

(1)

st.H(y^)=-log2p(y^),D(x,x^)=‖x-x^‖2.

1.2.1 量化器

由于壓縮編碼需要對(duì)潛在表示層輸出y量化處理，通常使用取整roundΔ操作。本文采用的量化器量化間隔步長為1，用間隔的中心表示量化輸出。量化公式為

(2)

然而，我們分析損失函數(shù)(1)式可以發(fā)現(xiàn)，損失函數(shù)依賴于量化值，但是取整量化函數(shù)的梯度幾乎總是0，碼率R與失真D組成的損失函數(shù)不可微，導(dǎo)致無法使用梯度下降優(yōu)化損失。為了能夠繼續(xù)使用隨機(jī)梯度下降優(yōu)化，在訓(xùn)練過程中，我們加入獨(dú)立同分布的隨機(jī)均勻噪聲ε，實(shí)現(xiàn)抖動(dòng)的量化器。ε的分布區(qū)間和量化器量化間隔的寬度都等于1，在測試和實(shí)際編碼過程中，我們直接使用取整函數(shù)

(3)

1.2.2 分段線性函數(shù)熵模型

圖像壓縮模型需要對(duì)分析變換得到的緊湊的潛在表示信息無損編碼，生成二進(jìn)制碼流，本文采用算術(shù)編碼實(shí)現(xiàn)熵編碼。算術(shù)編碼是一種基于信源信息統(tǒng)計(jì)的概率分布，將所有編碼信息映射到實(shí)軸[0, 1)內(nèi)小區(qū)間表示的最優(yōu)無損熵編碼算法。算術(shù)編碼的基礎(chǔ)是潛在表示分布模型的精準(zhǔn)估計(jì)，影響碼率R和損失D，即壓縮器的壓縮性能，我們使用一個(gè)網(wǎng)絡(luò)無參數(shù)分段線性密度函數(shù)模型逼近實(shí)際數(shù)據(jù)的分布。

假定潛在表示空間的數(shù)據(jù)是獨(dú)立同分布，則可以建立一個(gè)完全因子分解模型，其似然函數(shù)為樣本的積分，

(4)

其中，c(*)是先驗(yàn)分布密度模型的累積函數(shù)。由(4)式得到一個(gè)以實(shí)際數(shù)據(jù)yi為中心的單位概率質(zhì)量密度。概率密度模型由潛在表示數(shù)據(jù)先驗(yàn)分布密度函數(shù)卷積一個(gè)標(biāo)準(zhǔn)均勻分布密度函數(shù)得到，將編碼器的輸出特征映射作為輸入，生成潛在表示特征的概率密度。

本文參考文[9]設(shè)計(jì)一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的無參數(shù)分段線性密度函數(shù)模型，通過迭代訓(xùn)練優(yōu)化實(shí)現(xiàn)樣本數(shù)據(jù)與模型之間的擬合。使用卷積網(wǎng)絡(luò)構(gòu)建的無參數(shù)分段線性密度函數(shù)包括K個(gè)階段的非線性變換函數(shù)卷積，第K階段向量映射函數(shù)fK:Rm→Rn，其中fK′為密度fK的梯度，是一個(gè)雅克比矩陣，可以將模型的累計(jì)密度鏈?zhǔn)接?jì)算法則表示為

(5)

非線性函數(shù)具體實(shí)現(xiàn)公式為

fk(x)=gk[H(k)x+b(k)] 1≤k

(6)

fK(x)=sigmoid[H(K)x+b(K)] ，

(7)

gk(x)=x+a(k)·tanh(x).

(8)

其中，fk(x)表示量化函數(shù)前面1 ≤k

2 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)將近年來脈沖星搜索巡天的部分結(jié)果數(shù)據(jù)作為圖像壓縮訓(xùn)練集和測試模型，數(shù)據(jù)源包括脈沖星圖像樣本1 159個(gè)和射頻干擾(Radio Frequency Interference, RFI)圖像樣本998個(gè)8位無損PNG圖像。網(wǎng)絡(luò)模型在NVIDIA GeForce GTX 1080 GPU上使用Pytorch框架實(shí)現(xiàn)。為了驗(yàn)證本文算法的性能，實(shí)驗(yàn)隨機(jī)從測試集中抽取5幅脈沖星圖像，測試壓縮算法。對(duì)黑白圖像處理后使用跳白塊壓縮和PNG壓縮結(jié)果比較；對(duì)灰度圖和彩色圖區(qū)域，將本文的深度壓縮算法與JPEG，JPEG2000和BPG算法比較。其中，JPEG采用開源庫libjpeg，JPEG2000使用openjpeg實(shí)現(xiàn)，BPG使用開源庫libbpg。

2.1 跳白塊編碼過程

分割候選體診斷圖中1類圖像區(qū)域，此類圖像區(qū)域?yàn)橄∈璧暮诎讏D像，計(jì)算像素幅值直方圖選定閾值為200，將圖像二值化映射為{0, 1}；選擇跳白塊尺寸，經(jīng)過大量候選體診斷圖像壓縮試驗(yàn)，選取最優(yōu)跳白塊尺寸大小為5 × 4，獲得最優(yōu)壓縮碼流；跳白塊編碼后送入自適應(yīng)算術(shù)編碼器。

2.2 深度網(wǎng)絡(luò)模型結(jié)構(gòu)

自編碼器的輸入與輸出尺寸一致，即輸入圖像的大小通道數(shù)與壓縮模型重構(gòu)圖像大小一致。本文設(shè)計(jì)的壓縮網(wǎng)絡(luò)，圖像大小256 × 256，分析變換網(wǎng)絡(luò)模塊包括4個(gè)卷積層和3個(gè)廣義的分裂歸一化(Generalized Divisive Normalization, GDN)層，4個(gè)ResNet層。卷積層2倍下采樣，第1個(gè)卷積層用128個(gè)9 × 9的卷積核，步長2，填充位4；第2和第3個(gè)卷積層有128個(gè)5 × 5卷積核，步長為2，填充2。bottleneck層也是卷積層，步長2，填充2，可調(diào)節(jié)通道數(shù)指定16 × 16特征圖數(shù)量控制碼率。集成變換網(wǎng)絡(luò)模塊與分析變換網(wǎng)絡(luò)模塊參數(shù)相似，Conv2d替換為ConvTranspose2d，順序相反。

本文的網(wǎng)絡(luò)模型基于率失真優(yōu)化，即壓縮損失和碼率聯(lián)合作為目標(biāo)損失函數(shù)，針對(duì)灰度圖和彩色圖訓(xùn)練了兩類壓縮模型。其中λ為拉格朗日乘子，用于調(diào)節(jié)不同的壓縮損失和碼率組合，以滿足不同壓縮質(zhì)量要求的場景，即可變碼率壓縮。實(shí)驗(yàn)中，我們訓(xùn)練了10種λ模型，λ 取值16, 32, 64, 128, 512, 1 024, 2 048, 4 096, 6 144和8 192，以自適應(yīng)動(dòng)量估計(jì)算法(Adaptive Moment Estimation, ADAM)優(yōu)化模型，初始學(xué)習(xí)率為10-3，動(dòng)量因子為0.99，權(quán)重衰減率為10-4。迭代優(yōu)化次數(shù)設(shè)置為100 000，每次迭代的訓(xùn)練樣本批次大小為16。首先訓(xùn)練高碼率模型，然后基于這個(gè)模型作為預(yù)訓(xùn)練模型，分別調(diào)整λ值訓(xùn)練其他模型。

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 跳白塊編碼性能評(píng)價(jià)

將候選體診斷圖中1類圖像區(qū)域，用改進(jìn)的跳白塊編碼壓縮的結(jié)果與跳白塊編碼基本壓縮和PNG壓縮結(jié)果比較，如表1。黑白圖像的PNG和跳白塊編碼無損壓縮結(jié)果見圖4。由表1可以看出，改進(jìn)的跳白塊編碼壓縮性能是PNG的5倍，加入了QM的跳白塊編碼壓縮性能得到進(jìn)一步提升。從圖4可以看出，PNG和跳白塊編碼的黑白圖像基本相同，PNG圖像邊緣更平滑。

圖4 黑白圖像的PNG和WBS無損壓縮結(jié)果對(duì)比

表1 跳白碼編碼與PNG編碼比較

2.3.2 網(wǎng)絡(luò)模型客觀評(píng)價(jià)

本文設(shè)置灰度圖像區(qū)域和彩色圖像的神經(jīng)網(wǎng)絡(luò)潛在表示層通道數(shù)分別為N=64, 128，下采樣倍率為16，訓(xùn)練深度網(wǎng)絡(luò)壓縮模型。由于兩類模型方法相同，受篇幅限制，文中僅描述彩色圖像網(wǎng)絡(luò)模型在不同碼率下的峰值信噪比和結(jié)構(gòu)相似性。圖5(a)為峰值信噪比-碼率曲線，反映各種算法在不同碼率下解碼圖像與原圖像像素之間的均方誤差。整體上，深度網(wǎng)絡(luò)壓縮模型算法性能與JPEG2000相近，明顯優(yōu)于JPEG算法，但不及BPG算法。在bpp為0.4時(shí)，深度網(wǎng)絡(luò)壓縮模型的峰值信噪比為31 dB，與JPEG2000算法交叉，比JPEG算法高1.4 dB，比BPG算法低8 dB。壓縮效果明顯優(yōu)于JPEG和JPEG2000算法，接近BPG算法。接近無損壓縮時(shí)，傳統(tǒng)壓縮算法超出神經(jīng)網(wǎng)絡(luò)方法，這是卷積神經(jīng)網(wǎng)絡(luò)的過平滑造成的。圖5(b)為結(jié)構(gòu)相似性-碼率曲線，反映各種算法在不同碼率下解碼圖像與原圖像結(jié)構(gòu)相似度。深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法的結(jié)構(gòu)相似性明顯高于JPEG算法和JPEG2000算法，略高于BPG算法。在bpp為0.2時(shí)，深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法的結(jié)構(gòu)相似性高于0.99，BPG算法的結(jié)構(gòu)相似性為0.95，而bpp < 0.7時(shí)，深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法的結(jié)構(gòu)相似性依然高于0.95，說明在較低比特率高壓縮比情況下，深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法在保持圖像感知質(zhì)量上有絕對(duì)優(yōu)勢。

圖5 圖像壓縮峰值信噪比和結(jié)構(gòu)相似性率失真曲線比較

2.3.3 網(wǎng)絡(luò)模型主觀評(píng)價(jià)

圖6展示了不同的圖像壓縮算法在相近碼率的視覺結(jié)果。由圖6可以看出，JPEG算法出現(xiàn)塊效應(yīng)， 深度神經(jīng)網(wǎng)絡(luò)壓縮模型算法多數(shù)情況下與BPG算法性能相近，比JPEG算法和JPEG2000算法效果好，圖中兩幅診斷圖的彩色圖在相對(duì)小的碼率下取得最好的視覺質(zhì)量。

圖6 可視化結(jié)果比較JPEG, JPEG2000, BPG和DNCM的質(zhì)量

總之，脈沖星診斷圖包含大量稀疏曲線、隨機(jī)噪聲點(diǎn)灰度圖和彩色圖像塊，任何一種傳統(tǒng)的有損壓縮算法都不是最優(yōu)選擇，本文根據(jù)分區(qū)策略，利用跳白塊編碼和神經(jīng)網(wǎng)絡(luò)壓縮模型對(duì)診斷圖像壓縮具有針對(duì)性和專用性。曲線文字圖像塊轉(zhuǎn)化為二值圖像后跳白塊壓縮幾乎沒有損失，卻得到極高的壓縮比，特別是網(wǎng)絡(luò)壓縮模塊的功能函數(shù)是利用大量的診斷圖學(xué)習(xí)得到，最大程度地反映了診斷圖像數(shù)據(jù)的空間特征，進(jìn)一步反映得到模型的專用性。脈沖星診斷圖最重要的作用是輔助人類目視判斷脈沖星候選體，識(shí)圖時(shí)觀測的重點(diǎn)是曲線圖像和子圖圖像的結(jié)構(gòu)信息，本文提出算法在低比特率下保持較高的結(jié)構(gòu)相似性，反映了視覺感知質(zhì)量的優(yōu)勢。

3 總 結(jié)

脈沖星診斷圖像由稀疏的黑白圖像、隨機(jī)分布的灰度圖和彩色圖像組成，簡單視為彩色圖像,用一種變換壓縮算法處理顯然是不合理的。為此，本文提出跳白塊編碼和深度網(wǎng)絡(luò)壓縮方法對(duì)診斷圖像分區(qū)壓縮。跳白塊編碼針對(duì)單色區(qū)域占大部分的二值圖像具有較好的壓縮效果，提取脈沖星診斷圖中的曲線子圖和文字描述子圖，選定量化閾值，將圖像二值化為比特位矩陣表示的圖像，選取最優(yōu)跳白塊尺寸，實(shí)現(xiàn)跳白塊編碼后送入自適應(yīng)算術(shù)編碼器進(jìn)一步提升壓縮性能，最終壓縮比是PNG的5倍。基于深度網(wǎng)絡(luò)壓縮方法對(duì)灰度圖和彩色圖分別訓(xùn)練模型，深度網(wǎng)絡(luò)壓縮模型是由卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的自編碼器結(jié)構(gòu)，由分析變換編碼網(wǎng)絡(luò)、量化器、熵編碼器和合成變換編碼網(wǎng)絡(luò)組成。各個(gè)壓縮模塊均由學(xué)習(xí)方法利用大量脈沖星候選體診斷圖像優(yōu)化，變換映射能力比傳統(tǒng)手工設(shè)計(jì)模塊更有效，圖像經(jīng)過分析變換映射為潛在表示，是去相關(guān)的更緊湊的圖像信息。學(xué)習(xí)的熵編碼模塊是對(duì)潛在表示空間分布的擬合逼近，是比累積概率直方圖更精準(zhǔn)、更容易操作的概率模型，指導(dǎo)基于統(tǒng)計(jì)分布的算術(shù)編碼器無損編碼。實(shí)驗(yàn)結(jié)果表明，本文提出的深度網(wǎng)絡(luò)壓縮算法對(duì)近年來FAST巡天搜索項(xiàng)目脈沖星候選體診斷圖的壓縮性能，峰值信噪比優(yōu)于JPEG算法，與JPEG2000相當(dāng)，而結(jié)構(gòu)相似性遠(yuǎn)超過傳統(tǒng)壓縮算法。本文充分利用子圖間特征的顯著差異，制定分區(qū)壓縮策略將圖像分成3類區(qū)域，根據(jù)子圖圖像特征分別使用跳白塊編碼和深度神經(jīng)網(wǎng)絡(luò)壓縮方法，提高了編碼效率。本文利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的熵估計(jì)模型是十分簡潔易操作的方式，估計(jì)的熵模型是否能夠精準(zhǔn)有效地匹配真實(shí)的潛在分布直接影響損失和碼率，因此，新方法提高熵模型的精準(zhǔn)估計(jì)可以進(jìn)一步改善壓縮性能。