本发明涉及图像压缩,尤其涉及一种类器官培养图像压缩方法及其系统。
背景技术:
1、随着生命科学的快速发展,类器官培养技术已成为研究生物体复杂功能、疾病发生机制以及药物筛选等领域的重要工具。类器官培养图像作为该技术的重要组成部分,包含了丰富的生物学信息,对于科研工作者来说具有极高的价值。然而,这些图像通常具有高分辨率和大数据量的特点,给存储和传输带来了极大的挑战。
2、传统的图像压缩方法,如jpeg、png等,虽然能够在一定程度上减少图像的存储空间,但往往以牺牲图像质量为代价,对于类器官培养图像中的精细结构和关键信息可能造成不可逆转的损失。因此,开发一种既能有效压缩图像数据,又能保持图像关键信息的类器官培养图像压缩方法显得尤为重要。
3、目前,虽然已有一些针对特定领域图像的压缩算法,但这些算法往往缺乏针对类器官培养图像特点的专门优化,无法在保证图像质量的同时实现高效的压缩。
4、因此,有必要提供一种类器官培养图像压缩方法及其系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题,本发明提供一种类器官培养图像压缩方法及其系统,通过结合深度学习、小波变换和矢量量化,实现了对类器官培养图像的高效压缩,同时保持了图像的关键信息。
2、本发明提供了一种类器官培养图像压缩方法,所述压缩方法包括以下步骤:
3、利用预训练的特征提取模型对输入的所述类器官培养图像进行特征提取,并对提取的第一特征图中每个特征图块进行第一自适应量化,得到第二特征图;
4、利用小波变换算法对所述第二特征图进行频域转换,并对频域转换后的系数进行第二自适应量化,得到量化系数及对应的第二量化步长;
5、将所述量化系数聚类为一组码本向量,同时为每个码本向量分配唯一的码本索引;
6、对所有码本向量的码本索引进行熵编码,并优化码字分配,生成熵编码后的码字;
7、对所有的熵编码后的码字进行整合,生成所述类器官培养图像的压缩文件,其中,所述压缩文件包括码本向量和对应的码字。
8、优选的,所述利用预训练的特征提取模型对输入的所述类器官培养图像进行特征提取,并对提取的第一特征图中每个特征图块进行第一自适应量化,得到第二特征图,包括:
9、训练生成基于深度学习网络的特征提取模型;
10、将所述类器官培养图像作为输入,通过所述特征提取模型进行多层卷积处理,提取出所述类器官培养图像中的图像特征,形成第一特征图;
11、按照滑动窗口的方式将所述第一特征图分割成多个特征图块;
12、在所述第一特征图中,对每个特征图块进行第一自适应量化,其中所述第一自适应量化为根据所述特征图块的梯度值来动态调整第一量化步长,以得到第二特征图。
13、优选的,所述利用小波变换算法对所述第二特征图进行频域转换,并对频域转换后的系数进行第二自适应量化,得到量化系数及对应的第二量化步长,包括:
14、利用小波变换算法将所述第二特征图从空间域转换到频域,得到小波系数集,其中所述小波系数集包含所述类器官培养图像的不同频率成分;
15、对所述频域转换后的所述小波系数集进行第二自适应量化,得到所述量化系数及对应的第二量化步长。
16、优选的,所述将所述量化系数聚类为一组码本向量,同时为每个码本向量分配唯一的码本索引,包括:
17、计算所述量化系数的权重,其中所述权重为所述量化系数的统计值,其中所述统计值为所述量化系数的均值和方差的归一化值;
18、基于所述量化系数的权重,根据预构建的映射表动态调整所需码本向量的数量;
19、利用预训练的矢量量化器,根据调整后的码本向量数量,将所述量化系数聚类为一组码本向量,对于每个码本向量,分配唯一的码本索引。
20、优选的,所述对所有码本向量的码本索引进行熵编码,并优化码字分配,生成熵编码后的码字,包括:
21、对所有码本向量的码本索引进行初步熵编码,形成初步编码后的码字;
22、计算第一量化步长和第二量化步长的平均值,得到平均量化步长;
23、基于所述平均量化步长,动态调整熵编码过程中的码字分配策略,其中,在所述码字分配策略中,所述平均量化步长与所述码字分配的冗余度呈负相关;
24、根据调整后的码字分配策略,对初步编码后的码字进行优化处理,生成最终的熵编码后的码字。
25、优选的,所述对所有的熵编码后的码字进行整合,生成所述类器官培养图像的压缩文件,其中,所述压缩文件包括码本向量和对应的码字,包括:
26、将熵编码后的码字按照本身在所述类器官培养图像中的空间位置进行排序;
27、将排序后的熵编码的码字与对应的码本向量进行关联,形成包含码本向量及对应码字的数据集;
28、采用压缩算法对所述数据集进行压缩处理,将压缩处理后的数据集封装为标准的文件格式,以生成所述类器官培养图像的压缩文件。
29、本发明还提供了一种类器官培养图像压缩系统,用于执行所述的一种类器官培养图像压缩方法,所述压缩系统包括:
30、特征提取模块,用于利用预训练的特征提取模型对输入的所述类器官培养图像进行特征提取,并对提取的第一特征图中每个特征图块进行第一自适应量化,得到第二特征图;
31、频域转换模块,用于利用小波变换算法对所述第二特征图进行频域转换,并对频域转换后的系数进行第二自适应量化,得到量化系数及对应的第二量化步长;
32、矢量化模块,用于将所述量化系数聚类为一组码本向量,同时为每个码本向量分配唯一的码本索引;
33、熵编码模块,用于对所有码本向量的码本索引进行熵编码,并优化码字分配,生成熵编码后的码字;
34、压缩生成模块,用于对所有的熵编码后的码字进行整合,生成所述类器官培养图像的压缩文件,其中,所述压缩文件包括码本向量和对应的码字。
35、与相关技术相比较,本发明提供的一种类器官培养图像压缩方法及其系统具有如下有益效果:
36、本发明提出的类器官培养图像压缩方法,通过综合运用深度学习特征提取、小波变换频域分析、自适应量化、矢量量化以及熵编码等先进技术,实现了对类器官培养图像的高效、高质量压缩,展现出显著的整体有益效果。
37、具体而言,该方法能够精准捕捉并保留类器官培养图像中的关键生物学特征,有效避免了传统压缩方法可能导致的图像信息丢失和细节模糊问题。同时,通过动态调整量化步长和码本向量数量,以及优化熵编码过程中的码字分配策略,本发明显著减少了图像数据的冗余度,实现了高效的数据压缩,降低了存储和传输成本。
1.一种类器官培养图像压缩方法,其特征在于,所述压缩方法包括以下步骤:
2.根据权利要求1所述的一种类器官培养图像压缩方法,其特征在于,所述利用预训练的特征提取模型对输入的所述类器官培养图像进行特征提取,并对提取的第一特征图中每个特征图块进行第一自适应量化,得到第二特征图,包括:
3.根据权利要求2所述的一种类器官培养图像压缩方法,其特征在于,所述利用小波变换算法对所述第二特征图进行频域转换,并对频域转换后的系数进行第二自适应量化,得到量化系数及对应的第二量化步长,包括:
4.根据权利要求3所述的一种类器官培养图像压缩方法,其特征在于,所述将所述量化系数聚类为一组码本向量,同时为每个码本向量分配唯一的码本索引,包括:
5.一种类器官培养图像压缩系统,用于执行如权利要求1至4任意一项所述的一种类器官培养图像压缩方法,其特征在于,所述压缩系统包括: