基于改進LZO的高靈敏度圖像無損壓縮方法

楊帥

摘要：針對測控裝備圖像傳輸中無損壓縮的問題，提出了一種基于改進IZO（Lempel-Ziv-Oberhumer）的高靈敏度圖像無損壓縮方法。分析了無損壓縮算法原理，根據高靈敏度圖像特點，利用中值邊緣預測消除空間冗余，改進IZO算法流程。試驗表明：改進算法無損壓縮效率高，性能穩定，能夠滿足任務圖像實時無損的傳輸需求。

關鍵詞：無損壓縮；LZO算法；預測編碼；圖像傳輸

0引言

近年來，空間目標監測與軌道預報任務日益增多，光電測控設備以其測量精度高和中高軌探測能力強的特點在這個領域中扮演重要角色。隨著設備遠程控制與無人值守的需求愈加強烈，能夠在遠端接收高靈敏度相機采集到的實時任務圖像成為光電測控領域的一項技術難題。為保證空間目標在任務圖像中被準確識別和定位，圖像傳輸過程中既要保證實時性，同時要求保留所有圖像細節，即無損傳輸。以25 Hz采集分辨率為1 k×1 k的8 bit高靈敏度圖像為例，每秒鐘產生的圖像數據量為200 Mbit，對現有通訊鏈路信道帶寬帶來較大的傳輸壓力，數據在不經壓縮處理的情況下很難實現實時傳輸。為此，本文分析了無損壓縮算法原理和高靈敏度圖像特點，提出一種基于改進LZO的高靈敏度圖像無損壓縮方法。通過實驗，分析了該方法的壓縮性能，為任務圖像的實時無損傳輸提供了理論基礎。

1圖像壓縮

1.1無損壓縮算法

無損壓縮算法就是利用原始數據中的冗余信息，采用特定的編碼機制，盡可能地消除這些冗余，使用更少的數據位元來表示信息，并且在對壓縮后的數據解壓還原時能夠保證所有信息不受損失，完全恢復壓縮前的數據。目前無損壓縮技術根據壓縮原理可以劃分為兩類：一類是基于統計頻率的無損壓縮算法，這類算法不考慮原始數據的內部關聯性，單純統計字符頻率來對信息進行編碼，包括Huffman編碼、游程編碼（RLC）和算術編碼等；另一類是基于字典查詢的無損壓縮算法，區別于前一類算法，既不預先統計頻率，也不使用變長位元數編碼，而是采用類似于字典查詢的方式，建立統一的索引規則，自適應地建立”詞條”，對重復出現的字符串使用”索引”來表示。這類算法考慮了數據間的關聯性，壓縮前原始數據關聯性越高，壓縮效果越好。

區別于文本或其他形式數據，高靈敏度圖像的一個突出特點就是圖像中任何一個像素點都不是孤立的，并與周圍臨近的像素之間存在一定的關聯性。如圖1中所示，分別為一幀月球圖像和一幀某星團圖像，觀察2幅圖像的灰度值可以發現，在絕大范圍的背景區域中，像素值相近或相等；在目標成像的局部范圍內，像素值變化趨勢一致。基于字典的壓縮算法能夠充分考慮圖像數據之間的相關性，重復數據索引距離越短，壓縮效率越高，并且支持邊載人數據邊編碼壓縮，在速度上更具優勢，是圖像實時無損壓縮的最佳選擇。

自1977年Abraham Lempel和Jacob Ziv兩人發表IZ77算法以來，幾乎所有的字典類壓縮算法均是從LZ系列算法演變而來。其中，1984年Terry Welch發明的基于IZ78改進的LZW算法和1996年Oberhumer提出的針對壓縮速度優化的IZO算法最具代表性且使用最為廣泛。IZW算法與IZO算法壓縮原理上根本區別在于：IZO放棄使用最大匹配長度來進行字符串搜索，而使用相對最長的原則，通過hash算法尋找匹配字符串，大幅度地提高壓縮速度；而LZW方面，面對新輸入的字符都要建立對應的索引，在擴充字典并出現位置占用時，只能依賴偏移尋找存儲位置，并且待處理的數據越多，需要建立的索引越大，最終造成壓縮速度的下降。