基于深度学习的三维高分辨率脑图像压缩
发布时间：2021-02-17 02:50
随着生物显微成像技术的快速发展,单神经元分辨率级的三维全脑成像技术取得了很大进展,其产生的三维脑图像具有很高的分辨率,可以清晰地显示脑神经元的胞体、树突和轴突等结构,对于神经元形态和结构的研究以及人工智能的发展有重要意义。然而,如此高分辨率的三维图像为存储和传输带来了巨大挑战,因此寻找三维高分辨率脑图像的高效压缩方法成为了一项迫切任务。目前三维医学图像压缩方法大多采用基于小波变换的方法,其中JP3D方法是JPEG2000压缩标准的三维扩展,它可以实现对高位深三维图像进行较高效的压缩。但是该方法有两个缺点,首先,经过该方法解码后的图像中存在失真效应,且压缩率越大,失真效应越明显,这些失真会对脑图的研究造成影响。其次,JP3D的熵编码算法EBCOT没有利用子带间的相关性信息,导致熵编码效率较低。近年来,基于深度学习的二维自然图像压缩方法实现了高效的压缩性能,其压缩性能优于现有的传统图像压缩方法,如BPG、JPEG2000、JPEG。虽然基于深度学习的二维图像压缩方法已经取得了很大进展,但是目前基于深度学习的三维图像压缩方法的研究还很少。本文旨在运用深度学习的方法提高三维高分辨率脑图像的压缩...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
图１．１鼠脑的ＶＩＳｏＲ成像图??
?２Ｄ?Ｄｉｓｃｒｅｔｅ?Ｋａｒｈｕｎｅｎ?Ｌｏｅｖｅ?３Ｄ?ＨＬＣＫ??ｉｍａ９ｅｓ??＾?Ｗａｖｅｌｅｔ?Ｔｒａｎｓｆｏｒｍ??Ｔｒａｎｓｆｏｒｍ?（ＫＬＴ）?＿＿＿?Ｅｍｂｅｄｄｅｄ??Ａｄａｐｔｉｖｅ?ａｒｉｔｈｍｅｔｉｃ；?＾??ａｌｏｎｇ?Ｓｐａｔｉａｌ?ａｌｏｎｇ?ｓｐｅｃｔｒａｌ?ｃ〇ｄｅｒ?；?ｃｏｄｉｎｇ?（ｏｐｔｉｏｎａｌ）??ｄｉｍｅｎｓｉｏｎ?ｄｉｍｅｎｓｉｏｎ??Ｃｏｍｐｒｅｓｓｅｄ?ｂｉｔｓｔｒｉｎｇ??１０１０００１１００１??图１．２三维ＨＬＣＫ压缩方法框架｜１９丨??法ＪＰ３Ｄ［１２，２４－２６］为三维医学图像的压缩提供了高效的压缩效率，而且支持从无损??到有损编码、分辨率可伸缩、随机访问以及高位深图像压缩等功能。三维图像压??缩标准方法ＪＰ３Ｄ的框架结构如图】．３所示。??ｋ?｜?】?１?－ｌｅｖｅｌ?一?｜??ＩＭＡＧＥ?＾?２Ｄ／３Ｄ?ＤＷＴ?｜??ｓｕｂ－ｔｏｄｓ?—■??〇???Ｉ?ＥＢＣＯＴ?｜?ｊ?ＥＢＣＯＴ?｜???Ｔｉｅｒ－１?｜?Ｔｉｅｒ－２???Ｉ??ＣＯＤＥ－ＳＴＲＥＡＭ??图１．３?ＪＰ３Ｄ编码方法的整体框图＾??１．３．２图像压缩后处理??在自然图像压缩中，量化带来的高频信息的丢失以及分块变换编码等原因??造成了压缩图像中的块效应、振铃效应以及模糊效应等失真效应，研宄者们提出??了一些后处理算法来减少失真效应，然而，目前针对医学图像压缩的后处理的研??宄还很少。??对自然图像压缩后处理的方法可以分为基于传统图像处理的方法以及基于??深度学习的方法。例如，ＦＦｍｐｅｇ框架中采用一个简单的后处理滤波器［２
?２Ｄ?Ｄｉｓｃｒｅｔｅ?Ｋａｒｈｕｎｅｎ?Ｌｏｅｖｅ?３Ｄ?ＨＬＣＫ??ｉｍａ９ｅｓ??＾?Ｗａｖｅｌｅｔ?Ｔｒａｎｓｆｏｒｍ??Ｔｒａｎｓｆｏｒｍ?（ＫＬＴ）?＿＿＿?Ｅｍｂｅｄｄｅｄ??Ａｄａｐｔｉｖｅ?ａｒｉｔｈｍｅｔｉｃ；?＾??ａｌｏｎｇ?Ｓｐａｔｉａｌ?ａｌｏｎｇ?ｓｐｅｃｔｒａｌ?ｃ〇ｄｅｒ?；?ｃｏｄｉｎｇ?（ｏｐｔｉｏｎａｌ）??ｄｉｍｅｎｓｉｏｎ?ｄｉｍｅｎｓｉｏｎ??Ｃｏｍｐｒｅｓｓｅｄ?ｂｉｔｓｔｒｉｎｇ??１０１０００１１００１??图１．２三维ＨＬＣＫ压缩方法框架｜１９丨??法ＪＰ３Ｄ［１２，２４－２６］为三维医学图像的压缩提供了高效的压缩效率，而且支持从无损??到有损编码、分辨率可伸缩、随机访问以及高位深图像压缩等功能。三维图像压??缩标准方法ＪＰ３Ｄ的框架结构如图】．３所示。??ｋ?｜?】?１?－ｌｅｖｅｌ?一?｜??ＩＭＡＧＥ?＾?２Ｄ／３Ｄ?ＤＷＴ?｜??ｓｕｂ－ｔｏｄｓ?—■??〇???Ｉ?ＥＢＣＯＴ?｜?ｊ?ＥＢＣＯＴ?｜???Ｔｉｅｒ－１?｜?Ｔｉｅｒ－２???Ｉ??ＣＯＤＥ－ＳＴＲＥＡＭ??图１．３?ＪＰ３Ｄ编码方法的整体框图＾??１．３．２图像压缩后处理??在自然图像压缩中，量化带来的高频信息的丢失以及分块变换编码等原因??造成了压缩图像中的块效应、振铃效应以及模糊效应等失真效应，研宄者们提出??了一些后处理算法来减少失真效应，然而，目前针对医学图像压缩的后处理的研??宄还很少。??对自然图像压缩后处理的方法可以分为基于传统图像处理的方法以及基于??深度学习的方法。例如，ＦＦｍｐｅｇ框架中采用一个简单的后处理滤波器［２
【参考文献】：
期刊论文
[1]Scalable volumetric imaging for ultrahigh-speed brain mapping at synaptic resolution[J]. Hao Wang,Qingyuan Zhu,Lufeng Ding,Yan Shen,Chao-Yu Yang,Fang Xu,Chang Shu,Yujie Guo,Zhiwei Xiong,Qinghong Shan,Fan Jia,Peng Su,Qian-Ru Yang,Bing Li,Yuxiao Cheng,Xiaobin He,Xi Chen,Feng Wu,Jiang-Ning Zhou,Fuqiang Xu,Hua Han,Pak-Ming Lau,Guo-Qiang Bi. National Science Review. 2019(05)
本文编号：3037303
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
图１．１鼠脑的ＶＩＳｏＲ成像图??
?２Ｄ?Ｄｉｓｃｒｅｔｅ?Ｋａｒｈｕｎｅｎ?Ｌｏｅｖｅ?３Ｄ?ＨＬＣＫ??ｉｍａ９ｅｓ??＾?Ｗａｖｅｌｅｔ?Ｔｒａｎｓｆｏｒｍ??Ｔｒａｎｓｆｏｒｍ?（ＫＬＴ）?＿＿＿?Ｅｍｂｅｄｄｅｄ??Ａｄａｐｔｉｖｅ?ａｒｉｔｈｍｅｔｉｃ；?＾??ａｌｏｎｇ?Ｓｐａｔｉａｌ?ａｌｏｎｇ?ｓｐｅｃｔｒａｌ?ｃ〇ｄｅｒ?；?ｃｏｄｉｎｇ?（ｏｐｔｉｏｎａｌ）??ｄｉｍｅｎｓｉｏｎ?ｄｉｍｅｎｓｉｏｎ??Ｃｏｍｐｒｅｓｓｅｄ?ｂｉｔｓｔｒｉｎｇ??１０１０００１１００１??图１．２三维ＨＬＣＫ压缩方法框架｜１９丨??法ＪＰ３Ｄ［１２，２４－２６］为三维医学图像的压缩提供了高效的压缩效率，而且支持从无损??到有损编码、分辨率可伸缩、随机访问以及高位深图像压缩等功能。三维图像压??缩标准方法ＪＰ３Ｄ的框架结构如图】．３所示。??ｋ?｜?】?１?－ｌｅｖｅｌ?一?｜??ＩＭＡＧＥ?＾?２Ｄ／３Ｄ?ＤＷＴ?｜??ｓｕｂ－ｔｏｄｓ?—■??〇???Ｉ?ＥＢＣＯＴ?｜?ｊ?ＥＢＣＯＴ?｜???Ｔｉｅｒ－１?｜?Ｔｉｅｒ－２???Ｉ??ＣＯＤＥ－ＳＴＲＥＡＭ??图１．３?ＪＰ３Ｄ编码方法的整体框图＾??１．３．２图像压缩后处理??在自然图像压缩中，量化带来的高频信息的丢失以及分块变换编码等原因??造成了压缩图像中的块效应、振铃效应以及模糊效应等失真效应，研宄者们提出??了一些后处理算法来减少失真效应，然而，目前针对医学图像压缩的后处理的研??宄还很少。??对自然图像压缩后处理的方法可以分为基于传统图像处理的方法以及基于??深度学习的方法。例如，ＦＦｍｐｅｇ框架中采用一个简单的后处理滤波器［２
?２Ｄ?Ｄｉｓｃｒｅｔｅ?Ｋａｒｈｕｎｅｎ?Ｌｏｅｖｅ?３Ｄ?ＨＬＣＫ??ｉｍａ９ｅｓ??＾?Ｗａｖｅｌｅｔ?Ｔｒａｎｓｆｏｒｍ??Ｔｒａｎｓｆｏｒｍ?（ＫＬＴ）?＿＿＿?Ｅｍｂｅｄｄｅｄ??Ａｄａｐｔｉｖｅ?ａｒｉｔｈｍｅｔｉｃ；?＾??ａｌｏｎｇ?Ｓｐａｔｉａｌ?ａｌｏｎｇ?ｓｐｅｃｔｒａｌ?ｃ〇ｄｅｒ?；?ｃｏｄｉｎｇ?（ｏｐｔｉｏｎａｌ）??ｄｉｍｅｎｓｉｏｎ?ｄｉｍｅｎｓｉｏｎ??Ｃｏｍｐｒｅｓｓｅｄ?ｂｉｔｓｔｒｉｎｇ??１０１０００１１００１??图１．２三维ＨＬＣＫ压缩方法框架｜１９丨??法ＪＰ３Ｄ［１２，２４－２６］为三维医学图像的压缩提供了高效的压缩效率，而且支持从无损??到有损编码、分辨率可伸缩、随机访问以及高位深图像压缩等功能。三维图像压??缩标准方法ＪＰ３Ｄ的框架结构如图】．３所示。??ｋ?｜?】?１?－ｌｅｖｅｌ?一?｜??ＩＭＡＧＥ?＾?２Ｄ／３Ｄ?ＤＷＴ?｜??ｓｕｂ－ｔｏｄｓ?—■??〇???Ｉ?ＥＢＣＯＴ?｜?ｊ?ＥＢＣＯＴ?｜???Ｔｉｅｒ－１?｜?Ｔｉｅｒ－２???Ｉ??ＣＯＤＥ－ＳＴＲＥＡＭ??图１．３?ＪＰ３Ｄ编码方法的整体框图＾??１．３．２图像压缩后处理??在自然图像压缩中，量化带来的高频信息的丢失以及分块变换编码等原因??造成了压缩图像中的块效应、振铃效应以及模糊效应等失真效应，研宄者们提出??了一些后处理算法来减少失真效应，然而，目前针对医学图像压缩的后处理的研??宄还很少。??对自然图像压缩后处理的方法可以分为基于传统图像处理的方法以及基于??深度学习的方法。例如，ＦＦｍｐｅｇ框架中采用一个简单的后处理滤波器［２
【参考文献】：
期刊论文
[1]Scalable volumetric imaging for ultrahigh-speed brain mapping at synaptic resolution[J]. Hao Wang,Qingyuan Zhu,Lufeng Ding,Yan Shen,Chao-Yu Yang,Fang Xu,Chang Shu,Yujie Guo,Zhiwei Xiong,Qinghong Shan,Fan Jia,Peng Su,Qian-Ru Yang,Bing Li,Yuxiao Cheng,Xiaobin He,Xi Chen,Feng Wu,Jiang-Ning Zhou,Fuqiang Xu,Hua Han,Pak-Ming Lau,Guo-Qiang Bi. National Science Review. 2019(05)
本文编号：3037303
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3037303.html
