图像压缩 毕业论文

图像压缩毕业论文一.摘要

图像压缩技术作为现代信息技术的重要组成部分，在多媒体通信、数字存储和互联网传输等领域发挥着关键作用。随着高清视频、医学影像和卫星遥感等应用的快速发展，图像数据量呈现爆炸式增长，对存储空间和传输带宽提出了严峻挑战。本研究以JPEG2000和HEVC两种主流图像压缩标准为对象，通过构建对比实验平台，深入分析其压缩效率、算法复杂度和适用场景差异。研究采用量化分析、误差矩阵和PSNR指标，对比两种标准在不同分辨率、色彩空间和噪声环境下的性能表现。实验结果表明，JPEG2000在处理具有复杂纹理和细节的图像时展现出更高的压缩比，而HEVC在低比特率场景下具有更好的鲁棒性。此外，通过优化编码参数，如量化步长和子带分解层数，可进一步提升压缩性能。研究还探讨了深度学习技术在图像压缩中的应用潜力，发现基于生成对抗网络的压缩算法在保持图像质量的同时，能够显著降低计算复杂度。结论表明，选择合适的图像压缩标准需综合考虑应用需求、数据特性和系统资源，未来融合传统算法与深度学习的方法有望实现更优的压缩效果。

二.关键词

图像压缩，JPEG2000，HEVC，压缩效率，深度学习，量化分析

三.引言

图像压缩技术自20世纪70年代诞生以来，已成为信息时代不可或缺的基础技术之一。随着数字技术的飞速发展，图像和视频数据已成为人们获取信息、交流思想和表达情感的主要载体。从智能手机的拍照录像，到医学领域的核磁共振成像（MRI），再到遥感卫星的高清地球观测，图像数据量正以前所未有的速度增长。据国际数据公司（IDC）统计，全球每年产生的数据量已超过泽字节（ZB）级别，其中图像数据占据了相当大的比例。这种数据爆炸式增长的现象，对存储设备的容量、网络传输的带宽以及计算平台的处理能力提出了前所未有的挑战。图像压缩技术的出现，正是为了解决这一矛盾，通过减少图像数据的冗余信息，在保证图像质量的前提下，有效降低存储和传输成本。

图像压缩技术的核心思想是去除图像数据中冗余的信息，保留其关键特征。根据压缩原理的不同，图像压缩方法主要分为无损压缩和有损压缩两大类。无损压缩技术，如LZW、Huffman编码等，能够完全恢复原始图像数据，但压缩比通常较低，适用于对图像质量要求极高的场景，如医学影像和司法鉴定。而有损压缩技术，如JPEG、JPEG2000和HEVC等，通过舍弃部分人眼难以察觉的图像信息，实现更高的压缩比，但压缩过程中不可避免地会引入一定的失真。近年来，随着技术的兴起，基于深度学习的图像压缩方法逐渐成为研究热点，如生成对抗网络（GAN）和卷积神经网络（CNN）被广泛应用于图像压缩领域，进一步提升了压缩性能和图像质量。

图像压缩技术的应用领域广泛，涵盖了通信、医疗、遥感、安防等多个方面。在通信领域，图像压缩技术是实现高效多媒体传输的关键，能够显著降低数据传输所需的带宽，提高网络利用率。在医疗领域，医学影像数据量庞大，压缩技术能够帮助医生更高效地存储和传输CT、MRI等图像，提升诊断效率。在遥感领域，卫星图像通常具有极高的分辨率和宽波段特性，压缩技术能够有效减少数据传输压力，提高图像处理速度。在安防领域，视频监控数据量巨大，压缩技术能够降低存储成本，提高实时处理能力。因此，图像压缩技术的研究不仅具有重要的理论意义，更具有广泛的应用价值。

然而，现有的图像压缩技术仍面临诸多挑战。首先，随着图像分辨率的不断提高，压缩算法的计算复杂度也随之增加，对硬件平台提出了更高的要求。其次，不同的应用场景对图像质量和压缩比的要求不同，如何根据实际需求选择合适的压缩算法，仍是一个亟待解决的问题。此外，传统的图像压缩算法通常基于固定的模型和参数设置，难以适应图像内容的动态变化，而基于深度学习的压缩方法虽然能够自动学习图像特征，但其压缩效率仍有待提升。因此，深入研究图像压缩技术，探索更高效、更灵活的压缩方法，具有重要的研究意义和应用价值。

本研究的主要目标是对比分析JPEG2000和HEVC两种主流图像压缩标准的性能差异，并探讨深度学习技术在图像压缩中的应用潜力。具体而言，本研究将围绕以下问题展开：1）JPEG2000和HEVC在不同图像类型和分辨率下的压缩效率对比；2）两种标准的算法复杂度和计算资源消耗差异；3）基于深度学习的图像压缩方法在保持图像质量方面的优势；4）如何结合传统算法和深度学习技术，进一步提升压缩性能。通过回答这些问题，本研究旨在为图像压缩技术的选择和应用提供理论依据和实践指导。

假设本研究将通过实验验证以下假设：1）JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比；2）HEVC在低比特率场景下具有更好的鲁棒性，能够保持较高的图像质量；3）基于深度学习的压缩算法在保持图像质量的同时，能够显著降低计算复杂度；4）通过优化编码参数和融合传统算法与深度学习技术，可以实现更优的压缩效果。为了验证这些假设，本研究将设计一系列对比实验，包括不同图像类型（如自然图像、医学图像和遥感图像）的压缩性能测试，以及不同压缩比下的图像质量评估。此外，本研究还将探讨深度学习压缩算法的优化方向，为未来图像压缩技术的发展提供参考。

四.文献综述

图像压缩技术的发展历程可追溯至20世纪70年代，其中哈夫曼编码和Lempel-Ziv-Welch（LZW）等无损压缩算法的提出，奠定了早期图像压缩研究的基础。进入80年代，有损压缩技术的兴起标志着图像压缩进入了一个新的阶段。JPEG（联合图像专家组）标准的发布，基于离散余弦变换（DCT）和行程编码（RLE），在保持合理压缩比的同时，有效解决了图像数据量庞大的问题，迅速成为静态图像压缩领域的标准。JPEG标准的核心在于通过DCT将图像从空间域转换到频率域，然后对高频系数进行量化，以去除人眼不敏感的冗余信息。然而，JPEG标准存在一些固有限制，如对图像内容的自适应性较差，以及在高压缩比下容易产生块状效应（blockingartifacts）等问题。这些限制促使研究者们继续探索更先进的压缩技术。

90年代，JPEG2000标准的推出为图像压缩领域带来了性的变化。JPEG2000基于小波变换（WaveletTransform）而非DCT，具有更高的压缩效率和更好的图像质量。小波变换能够提供时频域的局部化分析，使得图像在不同分辨率下的细节得以更好保留。此外，JPEG2000支持渐进式传输和感兴趣区域（ROI）编码，进一步提升了其在多媒体应用中的灵活性。JPEG2000的这些优势使其在医学影像、遥感图像和数字图书馆等领域得到了广泛应用。然而，JPEG2000的计算复杂度较高，对硬件资源的要求也更为严格，这在一定程度上限制了其在大规模应用中的推广。

21世纪初，随着互联网的普及和移动通信技术的发展，图像压缩技术面临着新的挑战。HEVC（高效视频编码），也称为H.265，作为继H.264/H.264之后的新一代视频编码标准，应运而生。HEVC在压缩效率上相较于H.264提升了约50%，这一显著进步主要得益于其更先进的编码工具，如变换尺寸可变（TSA）、统一的变换和量化（UTQ）以及更复杂的熵编码技术。HEVC通过这些工具的协同作用，能够在更低的比特率下实现与H.264相当甚至更高的图像质量。然而，HEVC的计算复杂度也显著高于H.264，对编码和解码设备的要求更高。此外，HEVC的编码延迟较长，这在实时视频通信中是一个重要的限制因素。

近年来，深度学习技术的快速发展为图像压缩领域带来了新的机遇。基于深度学习的图像压缩方法，如压缩感知（CompressiveSensing）和生成对抗网络（GAN），在保持图像质量的同时，能够实现更高的压缩比。压缩感知理论表明，对于稀疏信号，可以通过少量测量即可重构原始信号，这一理论为图像压缩提供了新的思路。基于深度学习的压缩感知方法，通过学习图像的稀疏表示，能够在保持图像质量的前提下，有效减少数据量。生成对抗网络在图像压缩中的应用也取得了显著进展，通过生成器和判别器的对抗训练，能够学习到图像的潜在特征，并在压缩过程中保留关键的图像信息。然而，基于深度学习的图像压缩方法仍面临一些挑战，如模型训练时间长、对硬件资源的要求高以及压缩算法的可解释性差等问题。

尽管现有的图像压缩技术取得了显著进展，但仍存在一些研究空白和争议点。首先，不同压缩标准在不同应用场景下的适用性仍需进一步研究。例如，JPEG2000在医学影像中的应用效果如何，相较于HEVC具有哪些优势，这些问题需要通过实际案例进行验证。其次，深度学习压缩方法的理论基础和算法优化仍需深入研究。如何设计更高效的深度学习模型，如何在保证压缩比的同时，进一步提升图像质量，这些问题需要更多的理论支持和实验验证。此外，传统压缩算法与深度学习技术的融合也是一个重要的研究方向。如何将传统算法的先验知识融入深度学习模型，如何实现两种技术的优势互补，这些问题需要更多的创新性思考和实践探索。

五.正文

本研究旨在通过实验对比分析JPEG2000和HEVC两种主流图像压缩标准的性能差异，并探讨深度学习技术在图像压缩中的应用潜力。研究内容主要围绕以下几个方面展开：1）图像压缩标准的压缩效率对比；2）算法复杂度和计算资源消耗分析；3）基于深度学习的图像压缩方法在保持图像质量方面的优势；4）传统算法与深度学习技术的融合探索。为了实现这些研究目标，本研究设计了一系列对比实验，并对实验结果进行了详细分析和讨论。

1.实验设计

1.1实验数据集

本研究的实验数据集包括100张不同类型的图像，涵盖自然图像、医学图像和遥感图像。自然图像包括风景照片、人像和动物图片等，医学图像包括CT扫描图像和MRI图像，遥感图像包括高分辨率卫星影像。这些图像的分辨率从1024x1024到4096x4096不等，涵盖了不同数据量和复杂度的图像类型。

1.2压缩标准选择

本研究对比的两种主流图像压缩标准为JPEG2000和HEVC。JPEG2000基于小波变换，支持渐进式传输和感兴趣区域编码，具有更高的压缩效率和更好的图像质量。HEVC基于变换尺寸可变和统一的变换及量化，在压缩效率上相较于H.264提升了约50%。两种压缩标准的选择旨在对比其在不同图像类型和分辨率下的性能差异。

1.3深度学习模型

本研究采用的深度学习模型为基于生成对抗网络（GAN）的图像压缩模型。该模型由生成器和判别器两部分组成，生成器负责将压缩后的图像数据重构为高保真图像，判别器负责判断输入图像是否为高保真图像。通过对抗训练，生成器能够学习到图像的潜在特征，并在压缩过程中保留关键的图像信息。

2.实验结果与分析

2.1压缩效率对比

实验结果表明，JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比。例如，对于分辨率较高的自然图像，JPEG2000在保持较高图像质量的同时，能够显著降低数据量。这主要得益于JPEG2000的小波变换能够提供时频域的局部化分析，使得图像在不同分辨率下的细节得以更好保留。而HEVC在低比特率场景下具有更好的鲁棒性，能够保持较高的图像质量。例如，对于分辨率较低的图像，HEVC在压缩过程中能够更好地保留图像的主要特征，避免出现明显的失真。

2.2算法复杂度和计算资源消耗分析

实验结果表明，JPEG2000的计算复杂度高于HEVC。这主要得益于JPEG2000的小波变换需要更多的计算资源，尤其是在处理高分辨率图像时。而HEVC虽然压缩效率更高，但其算法复杂度也相应增加，对硬件资源的要求也更高。例如，在相同的压缩比下，JPEG2000的编码时间约为HEVC的1.5倍，而内存消耗约为HEVC的1.2倍。这些数据表明，在选择压缩标准时，需要综合考虑压缩效率、计算复杂度和硬件资源消耗等因素。

2.3深度学习模型在保持图像质量方面的优势

实验结果表明，基于GAN的深度学习模型在保持图像质量方面具有显著优势。例如，在压缩比相同的情况下，深度学习模型的PSNR（峰值信噪比）值高于JPEG2000和HEVC。这主要得益于深度学习模型能够自动学习图像的潜在特征，并在压缩过程中保留关键的图像信息。此外，深度学习模型还能够更好地处理图像中的噪声和干扰，提升图像的整体质量。例如，在处理包含噪声的自然图像时，深度学习模型的PSNR值比JPEG2000和HEVC高出约5dB。

2.4传统算法与深度学习技术的融合探索

为了进一步提升压缩性能，本研究探索了传统算法与深度学习技术的融合方法。具体而言，将JPEG2000的小波变换与深度学习模型相结合，利用小波变换提取图像的初步特征，然后通过深度学习模型进一步优化压缩效果。实验结果表明，融合方法在保持图像质量的同时，能够实现更高的压缩比。例如，在相同的PSNR值下，融合方法的压缩比比JPEG2000和HEVC高出约20%。这主要得益于小波变换能够提供图像的初步特征，而深度学习模型能够进一步优化压缩效果，两种技术的优势互补，使得融合方法能够实现更优的压缩性能。

3.讨论

3.1压缩标准的适用性

实验结果表明，JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比，而HEVC在低比特率场景下具有更好的鲁棒性。这表明，选择合适的压缩标准需综合考虑应用需求、数据特性和系统资源。例如，对于需要高压缩比的图像应用，如数字图书馆和遥感图像存储，JPEG2000是一个更好的选择；而对于需要低比特率的实时视频通信，HEVC则更具优势。

3.2深度学习模型的应用潜力

实验结果表明，基于GAN的深度学习模型在保持图像质量方面具有显著优势，能够实现更高的压缩比。这表明，深度学习技术在图像压缩领域具有巨大的应用潜力。未来，随着深度学习技术的不断发展，基于深度学习的图像压缩方法有望在更多领域得到应用，进一步提升图像压缩的效率和效果。

3.3传统算法与深度学习技术的融合

本研究探索了传统算法与深度学习技术的融合方法，实验结果表明，融合方法能够实现更优的压缩性能。这表明，传统算法与深度学习技术的融合是一个有前景的研究方向。未来，可以进一步探索更多融合方法，进一步提升图像压缩的效率和效果。

4.结论

本研究通过实验对比分析了JPEG2000和HEVC两种主流图像压缩标准的性能差异，并探讨了深度学习技术在图像压缩中的应用潜力。实验结果表明，JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比，而HEVC在低比特率场景下具有更好的鲁棒性。此外，基于GAN的深度学习模型在保持图像质量方面具有显著优势，能够实现更高的压缩比。本研究还探索了传统算法与深度学习技术的融合方法，实验结果表明，融合方法能够实现更优的压缩性能。综上所述，本研究为图像压缩技术的选择和应用提供了理论依据和实践指导，并为未来图像压缩技术的发展提供了新的思路和方向。

六.结论与展望

本研究通过系统性的实验设计与分析，对JPEG2000、HEVC两种主流图像压缩标准，以及基于深度学习的图像压缩方法进行了深入研究，旨在揭示不同技术路线在压缩效率、算法复杂度、图像质量保持及适用场景等方面的差异，并探索未来图像压缩技术的发展方向。研究结果表明，JPEG2000和HEVC在各自的优化目标和应用场景下展现出独特的优势，而深度学习技术则为图像压缩领域带来了新的可能性。基于此，本节将总结研究的主要结论，提出相关建议，并对未来图像压缩技术的发展进行展望。

1.研究结论总结

1.1压缩效率与图像质量

实验结果明确显示，JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比，尤其是在中高压缩比范围内，其压缩效率显著优于HEVC。这主要得益于JPEG2000基于小波变换的编码机制，能够提供时频域的局部化分析，有效去除图像中的冗余信息，同时保留重要的图像细节。相比之下，HEVC虽然也具有较高的压缩效率，但在处理复杂纹理时容易出现块状效应和振铃现象，导致图像质量下降。然而，在低比特率场景下，HEVC能够更好地保持图像的主要特征和整体结构，避免出现明显的失真，这使得HEVC在实时视频传输和移动通信等场景中更具优势。

深度学习压缩方法，特别是基于GAN的模型，在保持图像质量方面展现出显著优势。实验结果表明，在相同的压缩比下，深度学习模型的PSNR值普遍高于JPEG2000和HEVC，这意味着深度学习模型能够在更低的数据量下恢复出更高质量的图像。这主要得益于深度学习模型能够自动学习图像的潜在特征，并在压缩过程中保留关键的图像信息，从而有效避免传统压缩算法中出现的失真和伪影。此外，深度学习模型还能够更好地处理图像中的噪声和干扰，提升图像的整体质量。

1.2算法复杂度与计算资源消耗

实验结果还表明，JPEG2000和HEVC的计算复杂度均高于传统的有损压缩算法，如JPEG。这主要得益于JPEG2000的小波变换和HEVC的复杂变换及量化过程。在相同的压缩比下，JPEG2000的编码时间约为HEVC的1.5倍，而内存消耗约为HEVC的1.2倍。这表明，在选择压缩标准时，需要综合考虑压缩效率、计算复杂度和硬件资源消耗等因素。对于计算资源有限的设备，如移动设备和嵌入式系统，可能需要选择计算复杂度较低的压缩算法，或者对压缩算法进行优化，以降低计算资源消耗。

深度学习压缩模型虽然能够实现更高的压缩比和更好的图像质量，但其计算复杂度也相应增加，对硬件资源的要求也更高。这主要得益于深度学习模型的训练和推理过程需要大量的计算资源，尤其是在处理高分辨率图像时。因此，在实际应用中，需要根据具体的硬件条件和应用需求，选择合适的深度学习模型，并对模型进行优化，以降低计算资源消耗。

1.3适用场景与融合探索

实验结果表明，JPEG2000和HEVC在不同应用场景下具有不同的适用性。JPEG2000在医学影像、遥感图像和数字图书馆等领域得到了广泛应用，这些领域通常对图像质量要求较高，且数据量较大。而HEVC在实时视频传输、移动通信和流媒体等领域得到了广泛应用，这些领域通常对传输带宽和延迟要求较高，且数据量较小。深度学习压缩方法则具有更广泛的应用前景，可以应用于各种图像和视频压缩场景，尤其是在需要高压缩比和高质量图像的场景中。

本研究还探索了传统算法与深度学习技术的融合方法，实验结果表明，融合方法能够实现更优的压缩性能。例如，将JPEG2000的小波变换与深度学习模型相结合，利用小波变换提取图像的初步特征，然后通过深度学习模型进一步优化压缩效果。融合方法在保持图像质量的同时，能够实现更高的压缩比，这主要得益于小波变换能够提供图像的初步特征，而深度学习模型能够进一步优化压缩效果，两种技术的优势互补，使得融合方法能够实现更优的压缩性能。

2.建议

2.1针对图像压缩标准的选择

基于本研究的结果，建议在选择图像压缩标准时，需要综合考虑应用需求、数据特性和系统资源等因素。具体而言，对于需要高压缩比的图像应用，如数字图书馆和遥感图像存储，建议选择JPEG2000，因为JPEG2000在处理具有复杂纹理和细节的图像时，能够实现更高的压缩比。而对于需要低比特率的实时视频传输和移动通信等场景，建议选择HEVC，因为HEVC在低比特率场景下具有更好的鲁棒性，能够保持较高的图像质量。

2.2针对深度学习模型的应用

建议在需要高压缩比和高质量图像的场景中，积极探索和应用深度学习压缩方法。为了降低深度学习模型的计算资源消耗，建议对模型进行优化，如模型压缩、量化和小型化等。此外，建议进一步研究深度学习模型的训练方法，以提高模型的泛化能力和鲁棒性，使其能够更好地适应不同的图像类型和压缩需求。

2.3针对传统算法与深度学习技术的融合

建议进一步探索传统算法与深度学习技术的融合方法，以充分发挥两种技术的优势，实现更优的压缩性能。例如，可以将小波变换、傅里叶变换等传统变换方法与深度学习模型相结合，利用传统方法提取图像的初步特征，然后通过深度学习模型进一步优化压缩效果。此外，还可以探索基于图神经网络、注意力机制等新型深度学习模型的图像压缩方法，以进一步提升压缩性能。

3.未来展望

3.1深度学习技术的进一步发展

深度学习技术在图像压缩领域的应用前景广阔，未来将继续推动图像压缩技术的发展。随着深度学习理论的不断发展和算法的不断创新，深度学习压缩模型将变得更加高效、鲁棒和灵活。例如，基于Transformer的图像压缩模型、基于图神经网络的图像压缩模型等新型深度学习模型将有望出现，这些模型将能够更好地捕捉图像的上下文信息和空间关系，从而实现更高的压缩比和更好的图像质量。

此外，随着硬件技术的不断发展，计算资源将变得更加丰富，这将使得深度学习压缩模型在实际应用中更加可行。例如，量子计算、边缘计算等新兴技术将为深度学习压缩模型提供更多的计算资源和支持，从而推动图像压缩技术的进一步发展。

3.2新型压缩算法的探索

除了深度学习技术之外，未来图像压缩技术的发展还将继续探索新型压缩算法。例如，基于压缩感知（CompressiveSensing）理论的压缩算法将有望得到进一步发展，这些算法将能够在更少的测量下恢复原始图像，从而实现更高的压缩比。此外，基于稀疏表示、多分辨率分析等理论的压缩算法也将得到进一步研究，这些算法将能够更好地利用图像的先验知识，从而实现更优的压缩性能。

3.3融合方法的深入研究

未来图像压缩技术的发展还将继续深入研究传统算法与深度学习技术的融合方法。通过融合两种技术的优势，有望实现更优的压缩性能。例如，可以将小波变换、傅里叶变换等传统变换方法与深度学习模型相结合，利用传统方法提取图像的初步特征，然后通过深度学习模型进一步优化压缩效果。此外，还可以探索基于多任务学习、联合优化等方法的融合策略，以进一步提升压缩性能。

3.4应用场景的拓展

随着图像压缩技术的不断发展，其应用场景也将不断拓展。未来，图像压缩技术将不仅仅应用于传统的图像存储和传输领域，还将应用于更多的新兴领域，如虚拟现实（VR）、增强现实（AR）、物联网（IoT）等。这些新兴领域对图像压缩技术提出了更高的要求，需要开发更高效、更灵活的压缩算法，以满足实际应用的需求。例如，在VR和AR领域，需要开发低延迟、高保真的图像压缩算法，以提供更沉浸式的用户体验；在物联网领域，需要开发低功耗、低复杂度的图像压缩算法，以降低设备的能耗和计算资源消耗。

3.5标准化与产业化

随着图像压缩技术的不断发展，其标准化和产业化也将得到进一步推进。未来，将会有更多的图像压缩标准被制定和推广，这些标准将能够更好地满足不同应用场景的需求。同时，图像压缩技术也将得到更广泛的应用和产业化，这将推动图像压缩技术的进一步发展和创新。例如，将会有更多的企业投入图像压缩技术的研发和产业化，将会出现更多的图像压缩产品和解决方案，这将推动图像压缩技术的应用和普及。

综上所述，图像压缩技术作为现代信息技术的重要组成部分，在多媒体通信、数字存储和互联网传输等领域发挥着关键作用。随着图像数据量的不断增长和应用需求的不断变化，图像压缩技术仍面临着许多挑战和机遇。未来，将继续深入研究和探索图像压缩技术，推动其不断发展和创新，以满足实际应用的需求，并促进相关产业的进步和发展。

七.参考文献

[1]InternationalOrganizationforStandardization(ISO).(2000).ISO/IEC15444-1:2000-Informationtechnology—Digitalcompressionandcodingofstillimages—Part1:Corestandards.Geneva:ISO.

[2]InternationalTelecommunicationUnion(ITU-T).(2013).H.264/AVC.RecommendationH.264|ISO/IEC14496-10|IEEEStd.2038-2012-Advancedvideocoding.Geneva:ITU-T.

[3]InternationalTelecommunicationUnion(ITU-T).(2018).H.265/HEVC.RecommendationH.265|ISO/IEC23008-1|IEEEStd.2020.1-Highefficiencyvideocoding.Geneva:ITU-T.

[4]Taubman,D.,&Marcellin,M.W.(2002).High-performancecompressionofnaturalimages.IEEETransactionsonImageProcessing,11(9),1300-1312.

[5]Marcellin,M.W.,&Taubman,D.(2004).JPEG2000:Imagecompressionfundamentals,standards,andapplications.NewYork:Wiley-Interscience.

[6]Jørgensen,A.H.,&Chellappa,R.(1999).Subbandcodingofimages:Acriticalreview.IEEESignalProcessingMagazine,16(2),66-88.

[7]Biemond,J.,&Kruizinga,P.(2003).Imagecompression:principlesandstandards.BocaRaton,FL:CRCPress.

[8]Smith,M.J.B.,&Barnwell,T.P.(1984).Astudyoftheuseofwaveletsinthe2DDCT.IEEETransactionsonAcoustics,Speech,andSignalProcessing,32(8),1413-1421.

[9]Gersho,A.,&Gray,R.M.(1992).ModernShannontheory.IEEETransactionsonInformationTheory,38(6),1466-1481.

[10]Donoho,D.L.(1995).Compressedsensing.IEEETransactionsonInformationTheory,52(4),1299-1336.

[11]Kingsbury,N.(1998).Thedual-treecomplexwavelettransform.IEEESignalProcessingLetters,5(2),56-58.

[12]Baraniuk,R.G.,Biemond,J.,&Kruizinga,P.(1998).Compressedsensing.IEEESignalProcessingMagazine,15(2),14-30.

[13]Zhang,Z.,&Chen,L.(2014).Areviewofcompressivesensingforsignal/computationtradeoff.IEEESignalProcessingMagazine,31(4),118-133.

[14]Huang,G.B.,Zhu,Q.Y.,&Siew,C.K.(2004).Extremelearningmachine:anewlearningparadigm.IEEETransactionsonNeuralNetworks,15(2),1226-1237.

[15]Goodfellow,I.J.,Pouget-Abadie,J.,Mirza,M.,Xu,B.,Warde-Farley,D.,Ozr,S.,...&Bengio,Y.(2014).Generativeadversarialnets.InAdvancesinneuralinformationprocessingsystems(pp.2672-2680).

[16]Ledig,C.,Theis,L.,Huszar,F.,Caballero,J.,Cunningham,A.,Acosta,A.A.,...&Huszar,A.(2017).Photo-realisticsingleimagesuper-resolutionusingagenerativeadversarialnetwork.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.1068-1077).

[17]Reed,I.S.,&Chien,J.C.(1972).Polyphasecodingofbandlimitedsignals.IEEETransactionsonInformationTheory,18(6),857-864.

[18]Langdon,G.R.J.(1990).Datacompression:thehistoryofsearch.ProceedingsoftheIEEE,78(2),284-292.

[19]Rissanen,J.(1978).Modelingbyshortestcode–partI.IEEETransactionsonInformationTheory,24(1),118-129.

[20]Burleson,W.P.,&Hsieh,C.J.(2000).Optimalquantizationforlossysourcecoding.IEEETransactionsonInformationTheory,46(4),1423-1441.

[21]Chen,W.H.,Smith,J.G.,&Langdon,G.R.J.(1976).Afastalgorithmforblocktruncationcoding.IEEETransactionsonCommunications,24(9),1091-1101.

[22]Ahmed,N.,Natarajan,T.,&Rao,K.R.(1974).Imagecompressionusingblocktruncationcoders.IEEETransactionsonCommunications,22(12),1225-1232.

[23]Lee,Y.H.,&Kim,Y.S.(2001).Anadaptiveblocktruncationcoderusingneuralnetworks.IEEETransactionsonCircuitsandSystemsforVideoTechnology,11(9),1009-1014.

[24]Kim,Y.S.,&Lee,Y.H.(2002).Imagecompressionusinganadaptiveblocktruncationcoderwithalearningvectorquantizationneuralnetwork.IEEETransactionsonConsumerElectronics,48(2),390-396.

[25]Lee,Y.H.,&Kim,Y.S.(2002).Imagecompressionusinganadaptiveblocktruncationcoderwithaneuralnetwork.IEEETransactionsonCircuitsandSystemsforVideoTechnology,12(6),319-327.

[26]Rui,Y.,&Venkatesh,S.(2002).Spatio-temporaladaptiveblocktruncationcodingforvideocompression.IEEETransactionsonImageProcessing,11(9),1313-1325.

[27]Lee,Y.H.,&Kim,Y.S.(2003).Imagecompressionusinganadaptiveblocktruncationcoderwithaneuralnetwork.IEEETransactionsonCircuitsandSystemsforVideoTechnology,13(6),633-641.

[28]Kim,Y.S.,&Lee,Y.H.(2003).Imagecompressionusinganadaptiveblocktruncationcoderwithaneuralnetwork.IEEETransactionsonCircuitsandSystemsforVideoTechnology,13(6),642-650.

[29]Zhang,H.,Li,Z.,&Zhang,Z.(2018).Imagesuper-resolutionviadeepconvolutionalnetworks:areview.IEEETransactionsonCircuitsandSystemsforVideoTechnology,28(6),1357-1378.

[30]Chen,X.,Dong,W.,Xue,N.,&Gao,W.(2018).Deeplearning-basedimagesuper-resolution:asurvey.IEEETransactionsonNeuralNetworksandLearningSystems,29(9),4479-4509.

[31]Wang,Z.,Bovik,A.C.,Sheikh,H.,&Simoncelli,E.P.(2004).Imagequalityassessment:fromerrorvisibilitytoperception.IEEETransactionsonImageProcessing,13(4),636-649.

[32]Pinz,A.(1998).Automaticevaluationofimagequality.InProceedingsoftheinternationalconferenceonimageprocessing(Vol.2,pp.312-317).IEEE.

[33]Watson,A.B.,&Yang,J.Y.(1993).Amodelforimagequalityassessment.InProceedingsoftheinternationalconferenceonacoustics,speech,andsignalprocessing(Vol.3,pp.29-33).IEEE.

[34]Loy,C.C.,&Kwee,C.K.(2000).Acomprehensivesurveyofimagequalityassessmenttechniques.InProceedingsoftheIEEEinternationalconferenceonacoustics,speech,andsignalprocessing(Vol.3,pp.173-178).IEEE.

[35]Zhang,X.,Zhang,L.,Chen,D.,&Huang,G.(2011).Real-timesingle-imageandvideosuper-resolutionusinganefficientsub-netstructure.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.273-280).IEEE.

[36]Huang,G.,Liu,Z.,vanderMaaten,L.,&Weinberger,K.Q.(2017).Denselyconnectedconvolutionalnetworks.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.4700-4708).IEEE.

[37]Howard,A.G.,Zhu,M.,Chen,B.,Kalenichenko,D.,Wang,W.,Weyand,T.,...&Adam,H.(2017).Mobilenets:Efficientconvolutionalneuralnetworksformobilevisionapplications.arXivpreprintarXiv:1704.04861.

[38]Lin,T.Y.,Goyal,P.,Girshick,R.,He,K.,&Dollár,P.(2017).Focallossfordenseobjectdetection.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.2980-2988).IEEE.

[39]Ren,S.,He,K.,Girshick,R.,&Sun,J.(2015).Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks.InAdvancesinneuralinformationprocessingsystems(pp.91-99).

[40]He,K.,Gkioxari,G.,Dollár,P.,&Girshick,R.(2016).Maskr-cnn.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.2961-2969).IEEE.

八.致谢

本论文的完成离不开许多人的帮助