基于門控線性網(wǎng)絡(luò)（GLN）的高壓縮比無(wú)損醫(yī)學(xué)圖像壓縮算法

基于門控線性網(wǎng)絡(luò)（GLN） 的無(wú)損圖像壓縮

本項(xiàng)目的目標(biāo)是通過(guò)引入無(wú)損高壓縮比圖像壓縮來(lái)使醫(yī)療數(shù)據(jù)存儲(chǔ)系統(tǒng)更加高效。

介紹

實(shí)現(xiàn)基于門控線性網(wǎng)絡(luò)（GLN）的高壓縮比無(wú)損醫(yī)學(xué)圖像壓縮算法，以提高醫(yī)學(xué)圖像存儲(chǔ)和分發(fā)系統(tǒng)的效率。與“傳統(tǒng)”的基于上下文的數(shù)據(jù)壓縮算法相比，基于GLN的系統(tǒng)使用一組不同的上下文模型。所有上下文模型的輸出由 GLN 組合成單個(gè)概率值，用作熵編碼算法的輸入值。這個(gè)想法是由 Matt Mahoney 提出的，他發(fā)起了 PAQ Archiver 系列的開發(fā)。 PAQ Archiver在衡量無(wú)損壓縮算法壓縮率的多個(gè)基準(zhǔn)測(cè)試中均名列前茅。

研究科學(xué)家 Joel Veness（Google DeepMind）解釋了 PAQ Archiver系列的經(jīng)驗(yàn)成功。 Joel Veness 介紹并描述了 GLN 的架構(gòu)，并指出 PAQ 算法是該框架的特例。

據(jù)我們所知，基于 GLN 的壓縮算法在嵌入式系統(tǒng)中的實(shí)現(xiàn)尚未在文獻(xiàn)和任何商業(yè)系統(tǒng)中出現(xiàn)。與“傳統(tǒng)”無(wú)損圖像壓縮算法（例如 JPEG-LS 和 JPEG-2000）相比，基于 GLN 的壓縮系統(tǒng)的優(yōu)勢(shì)在于提高了壓縮率。基于 GLN 的壓縮系統(tǒng)的壓縮率可能至少高出 20%。因此，理論上可以增加20%的醫(yī)學(xué)圖像存儲(chǔ)量。面臨的挑戰(zhàn)是實(shí)現(xiàn)基于 GLN 的壓縮以及適合實(shí)際系統(tǒng)的吞吐量。

有關(guān) GLN 的更深入描述可在以下來(lái)源中找到：

1）https://arxiv.org/abs/1712.01897；

2）https://arxiv.org/abs/2002.11611；

3）https://ieeexplore.ieee.org/abstract/document/9134252

有關(guān) PAQ 系列的更深入描述可在以下來(lái)源中找到：

1）http://mattmahoney.net/dc/dce.html；

2） https://arxiv.org/abs/1108.3298；

下圖是圖像壓縮/解壓縮的數(shù)據(jù)流。

項(xiàng)目使用

通過(guò)Python腳本與FPGA板卡進(jìn)行通信。將圖像傳輸?shù)桨蹇ㄉ稀?/p>

開源項(xiàng)目中下載壓縮的 Vivado 項(xiàng)目文件。解壓并編譯。下載bit流到FPGA中，打開 PC 并啟動(dòng) Python 腳本。

審核編輯：黃飛