基于四叉树的图像块分割随机模型及其贝叶斯编码
信息论
2021-08-24 v1 math.IT
摘要
在信息论中，通用数据的无损压缩基于对目标数据上随机生成模型的显式假设。然而，在无损图像压缩中，研究者主要关注从输入图像输出编码序列的编码过程，而随机生成模型的假设是隐式的。在这些研究中，难以确认编码过程相对于随机生成模型的信息论最优性。因此，本文通过重新定义先前编码过程中的隐式随机生成模型，提出一种新颖的图像随机生成模型。该模型基于四叉树，使得我们的模型能有效表示图像的可变块大小分割。然后，我们构造了针对所提随机生成模型最优的贝叶斯码。一般而言，计算贝叶斯码所需的后验分布的计算代价随图像尺寸呈指数增长。然而，我们引入了一种高效算法，在不损失最优性的前提下以图像尺寸的多项式阶计算后验分布。我们进行了若干实验以确认所提随机模型的灵活性与所引入算法的效率。
引用
@article{arxiv.2106.03349,
title = {A Stochastic Model for Block Segmentation of Images Based on the Quadtree and the Bayes Code for It},
author = {Yuta Nakahara and Toshiyasu Matsushima},
journal= {arXiv preprint arXiv:2106.03349},
year = {2021}
}