Lossless Image Compression Using Multi-level Dictionaries: Binary Images

现有的无损图像压缩方法要么设计简单但压缩性能差，要么设计复杂，性能更好但没有性能保证。为了开发一种具有低复杂度和保证性能的无损图像压缩方法，我们认为彩色图像的可压缩性本质上源自其空间结构、强度变化和颜色变化中的模式。因此，我们将无损图像压缩方案的整体设计分为三个部分，以利用相应的冗余。我们进一步认为，图像的二值化版本捕捉了其基本的空间结构，在本文中，我们提出了一种用于无损压缩二值图像的方案。该方案首先从各种二值图像数据集中学习$16\times16$、$8\times8$、$4\times4$和$2\times 2$的方形像素模式字典，然后使用这些字典对二值图像进行编码。这些字典具有各种有趣的属性，进一步被利用来构建一个高效的方案。我们的初步结果表明，所提出的方案始终优于现有的传统和基于学习的无损压缩方法，并且平均而言，其性能比常见的通用无损压缩方案（WebP）提高了$1.5$倍以上，比现有的基于学习的方案提高了$3$倍以上，并且比专门用于二值图像压缩的方案（JBIG2）性能更好。

提出一种低复杂度、保证性能的无损图像压缩方案，旨在在减少存储或传输成本的同时，保证重建图像与原始图像之间没有信息损失。

将彩色图像的可压缩性从其空间结构、强度变化和颜色变化的模式中提取出来，将无损图像压缩方案的整体设计分为三个部分来利用相应的冗余。

论文首先从各种二进制图像数据集中学习$16 imes16$、$8 imes8$、$4 imes4$和$2 imes2$方形像素模式的字典，然后使用这些字典来编码二进制图像。该方案具有多个有趣的属性，进一步利用这些属性构建了一个高效的方案。初步结果表明，该方案始终优于现有的传统和基于学习的无损压缩方法，并且提供的平均性能比通用无损压缩方案（WebP）高出$1.5 imes$，比最先进的基于学习的方案高出$3 imes$，并且比专门用于二进制图像压缩的方案（JBIG2）性能更好。

最近的相关研究包括基于深度学习的图像压缩方法和基于字典学习的无损压缩方法，如《End-to-End Optimized Image Compression》和《Lossless Image Compression using Learned Data Structures》。