了解与分析本科技成果,可查看成果概况并使用以下技术转移数智化应用工具:
成果概况
简介
将机器学习与医学图像的无损压缩算法相结合, 通过机器学习,获得可描述图像像素间排列关系的函数, 并保存该函数所需要的少量参数。借此函数得到预测编码算法所需的预测图像。 将原始图像与预测图像做差,便可得到十分平滑的差值图像。 再对差值图像进行无损压缩,便可得到很高的压缩比。 通过上述分析,完成压缩后需要保存的内容包括: - 机器学习模型中的参数; - 差值图像。
该算法在处理信息含量大、像素分布相对复杂的X光图像方面, 与现有公认压缩效果最好的CALIC(Context-based Adaptive Lossless Image Codec)算法相比, 图像压缩比提高了6.4%。 更为重要的是,该算法提出了将机器学习应用于现有的医学图像无损压缩算法中的思路, 并给出了具体的实施方案。
将机器学习与医学图像的无损压缩算法相结合。通过机器学习,获得可描述图像像素间排列关系的函数,并保存该函数所需要的少量参数。借此函数得到预测编码算法所需要的预测图像。将原始图像与预测图像做差,便可得到十分平滑的差值图像。再对差值图像进行无损压缩便可得到很高的压缩比。通过上述分析,完成压缩后需要保存的内容包括:机器学习模型中的参数;差值图像。该算法在处理信息含量大,像素分布相对复杂的X光图像方面,和现有公认压缩效果最好的CALIC(Context-basedAdaptiveLosslessImageCodec)算法相比,图像压缩比提高了6.4%。更为重要的是,该算法提出了将机器学习应用于现有的医学图像无损压缩算法中的的思路,并给出了具体的实施方案。
(此文字表达经过AI优化完善,查看原文请点击
原文)
专利基本信息
| 专利名称 |
|
| 专利状态 |
|
专利号(申请号) |
|
| 申请号 |
|
专利申请日期 |
|
| 专利授权日期 |
|
专利权届满日 |
|
| 专利所属地 |
|
专利类型 |
|
| 发明人 |
|
| 权利人 |
|
| 专利摘要 |
|