三维重建中基于图像压缩和高质量算法的研究

制作和主办：Elsevier沙特国王大学学报用于高质量3D重建的图像压缩Omar M.穆罕默德·萨利赫作者声明：John A.放大图片作者：Marcos A.罗德里格斯湾a计算机工程系， 伊拉克基尔库克北方技术大学技术学院b英国谢菲尔德哈勒姆大学几何建模和模式识别研究小组阿提奇莱因福奥文章历史记录：收到2020年2020年6月26日修订2020年7月31日接受在线预订2020年保留字：三维网格重建DCTJPEG图像压缩结构光图像A B S T R A C T3D网格可以从多个视点图像或从单个结构化光图像重建。通过诸如JPEG的标准技术以高压缩比对这样的图像进行有损压缩导致3D重建受到伪影和缺失顶点的不利影响。在本文中，我们演示了一种改进的算法，能够高压缩比，而不会产生不利影响的三维重建和最小的数据丢失。压缩算法首先对输入图像进行分块DCT每个块的量化系数被排列成一个一维数组，并与其他块的数据一起保存DC系数经受一阶差分，其值被称为残差阵列。通过消除零并使用掩码0（对于零块）和掩码1（对于非零块）将非零值保存在简化系数阵列中来简化AC系数。最后，算术编码应用于系数和残差阵列。在解压缩阶段，通过扫描系数阵列并检查报头以替换零和非零数据来重新生成系数矩阵。然后将该矩阵添加到残差数组以获得原始DC值。然后应用IDCT来获得原始图像。所提出的算法已经过测试，不同大小的图像的3D重建的背景下。实验结果表明，无论是对结构光图像还是对多视点图像序列，该算法在较高的压缩比下都优于传统的JPEG，具有较高的图像感知质量和更有效地©2022由Elsevier B.V.代表沙特国王大学出版。这是一篇开放获取的文章，CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，在航空航天、医学、计算机科学、汽车CAD数据集、工程、虚拟现实、娱乐等领域，对几何建模的需求日益增长，3D对象建模可分为两大类，即表面建模和实体建模。曲面造型是将二维曲面嵌入三维空间进行表示和处理的一个分支。由扫描图像生成网格是一种常用的三维曲面多项式离散表示方法。人气来自于它们的算法简单性、图形处理单元（GPU）上的易于计算性以及渲染和显示效率（Zhang，2016）。三维网格由三个基本元素组成：边、顶点和面。边基本上是连接顶点的线。面是由边创建的闭合曲面。顶点是通过连接相邻的边形成的。在规则网格中，所有面都具有相同的大小，并且所有顶点都具有相同的效价。在许多表示方法中，三角形网格由于其简单且有效的建模而可以被认为是最常用的方法（Botsch等人，2010年）。当前的3D应用设备具有用于渲染3D的电子邮件地址：omar. ntu.edu.iq（O.M.Salih），mohammed. ntu.edu.iq（M.H.Rasheed），mamadmmx76@gmail.com（M.M.Siddeq），M.shu.ac.uk（M.A.Rodrigues）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2020.07.0121319-1578/©2022由Elsevier B. V.出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com22时72分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287借助特殊软件编辑和可视化数据。这些应用中的大多数都需要通过网络环境和互联网保存、传输、共享和交换3D数据。另一方面，大尺寸的3D网格数据需要更高的成本存储大小，并且由于大量的数据而对带宽施加了硬限制（Maglo，2013）。这就要求积极研究更有效的三维数据压缩和重建算法，以满足三维建模的需求在文献（例如（Maglo，2013; Rodrigues等人，2011;Rodrigues等人，2013;Siddeq和Rodrigues，2016; Siddeq等人， 2017），已经提出了许多不同的技术用于基于高阶多项式插值或偏微分方程的3D网格数据压缩和重建。一种方法限制了3D实体对象的实际几何形状是2D表面的概念。换句话说，这意味着将2D表面图像压缩到具有最小损失的高压缩比，而不会不利地改变3D重建。 以这种方式，我们可以降低3D计算复杂度、共享时间、带宽限制和存储要求（Siddeq等人， 2014年）。图像压缩是减少数据量的过程，可以是有损的或无损的。无损压缩确保了原始数据的完整检索，而在有损压缩中，来自原始图像的一些信息丢失。有损压缩的主要特点是压缩比高代价是丢失一些信息。仅仅因为一些信息丢失，并不意味着输出必然失真。因此，与无损压缩相比，有损压缩可以将图像文件大小减半，而不会导致质量明显下降（Siddeq，2010）。空间域中的相邻像素高度相关，这意味着它们包含冗余信息，导致能量均匀分布在图像上，因此难以压缩。这些导致将空间域图像变换成频域中的不同表示的良好理由。频域可以对数据进行去相关，并通过将图像中的能量集中到少量重要值中来压缩图像中的能量，并且数据变得更容易压缩（Siddeq和Rodrigues，2017）。图像压缩中最常用的两种变换是离散余弦变换（DCT）和离散小波变换（DWT），它们分别用于JPEG和JPEG-2000DCT通常应用于小的、规则的图像块（例如，8x8块），而DWT通常应用于较大的图像段或完整的图像（Siddeq等人，2017年）。本文的重点是三维数据重建的压缩从多个视点图像或从单个结构光图像构造。由于3D结构是从图像中获得的，因此我们自然关注图像压缩质量。结构光图像包含3D物体表面上的光和阴影图案，并且由传感器以非常高的分辨率捕获，从而允许3D重建。与本文中提出的算法相关，关于压缩适合于从结构光 图 像 进 行 3D 重 建 的 2D 图 像 数 据 的先 前工 作 受 到 Siddeq 和Rodrigues的限制，并且在2014年首次提出（Siddeq和Rodrigues，2014; Sheffield Hallam University等人， 2016年）。他们在输入图像上应用单级DWT，然后在LL子带上进行DCT，产生DC和AC分量。再次对DC分量应用单级DWT，然后再次通过DCT变换所得到的LL2子带一种名为“矩阵最小化算法”的算法同年（Siddeq et al.，2014年），他们通过提出一种名为“有限数据顺序搜索算法”的算法，在解压缩阶段开发了一种技术。其中类似的变换被应用于数据块，随后在压缩级进行算术编码结果表明，在更高的压缩比JPEG和JPEG2000更好的图像质量然而，这些算 法 的 总 体 复 杂 性 增 加 了 压 缩 和 解 压 缩 阶 段 的 计 算 时 间 。 在（Siddeq和Rodrigues，2015）中; Siddeq和Rodrigues提出了一种两级DWT，然后是DCT来生成DC和AC分量。第二个DCT被应用于AC分量，产生两个阵列：零和非零阵列。最小化矩阵大小（MMS）算法，然后应用到AC系数和其他高频率，然后算术编码。提出了一种新的快速匹配搜索解压缩算法（FMS），该算法通过计算所有压缩数据的概率来重构所有高频分量，并利用查找表对数据进行估计实验结果表明，该算法比JPEG和JPEG2000压缩比高另一方面，基于FMS的二分查找算法的复杂性导致了执行时间的显著增加。2017年（Siddeq et al.， 2017年），他们引入了一种基于两种变换的新压缩方法：应用于每行的1D-DCT和应用于输入图像的每列的1D-DST（离散正弦变换），然后对高频进行量化，然后通过矩阵最小化算法进行编码，然后进行算术编码。在解压缩时采用了基于快速匹配搜索算法的二分查找，压缩比可达99%从以前的研究中可以清楚地看出，有效的图像压缩-基于DWT、DCT和DST的多种变换的组合，并结合许多算法，作为矩阵最小化与顺序和二进制数据搜索。这种算法用于通过精确的表面重建来增加压缩比，然而，它们增加了整体复杂度，这反过来相应地增加了计算时间。本文的贡献在于发展了三维表面压缩的新方法从多视点图像和结构光图像。我们介绍一种新的有损图像压缩方法，仅基于JPEG，优化量化，产生两个分量：分别代表低频和高频的DC分量和AC系数。 DC和AC系数被聚集到一个称为系数矩阵的矩阵中，该矩阵经受用于增加高频和消除零的多个操作，以获得高压缩比和精确的3D重建。我们对算法进行了严格的测试，并与传统的JPEG算法在2D和3DRMSE和PSNR方面进行了比较。2. JPEG技术JPEG是ISO/CCITT委员会的有损/无损压缩算法标准，称为JPEG（联合图像专家组），用于压缩灰度和彩色图像。它最初成立于1987年，并于1991年产生了第一份草案，并被广泛使用，特别是在网页中。 JPEG 具有允许用户通过质量参数调整压缩比的重要特性（Wallace，1992; Sayood，2003）。JPEG的问题是，当选择低质量 参 数 以 获 得 更 高 的 压 缩 比 时 ， 图 像 质 量 会 下 降 （ Siddeq ，2010）。JPEG算法如图1所示，并通过以下步骤进行演示：O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872273Fig. 1. JPEG压缩与解压缩图二.提出的压缩算法。图三. 系数数组格式。见图4。 开发JPEG解压缩。×××××22时74分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图五、使用GMPR技术将2D图像转换为3D表面表1使用所提出的方法压缩2D图像。Face2 1.38 Mbytes 1932× 1040 17.9KB 4.35 41.7Face3 1.38 Mbytes 1932× 1040 21.1KB 8.3 38.9见图6。 （a、b、c和d）解压缩1- 图像被划分为不重叠的8 × 8块，称为数据单元，每个数据单元被单独压缩。如果图像尺寸不是8的倍数，则最后一行和最后一列用零填充（Wallace，1992; Raoand Yip，1990）。2- 每个88块通过DCT变换产生新的8.频域中的8个数据块。每个数据块的频率分量由左上角的单个DC系数组成，该系数表示低频其是8 × 8数据块的平均值，其余63个元素称为AC系数，代表较高的频率。DCT的关键特征是对图像数据进行去相关，在8× 8块的右下角产生可忽略的数据，该过程增加了压缩比，同时保持重要数据与原始数据近似相似，因为人眼无法识别这些差异（Chouhan和Nigam，2016; Ahmed等人， 1974年）。图像名称原始大小图像尺寸压缩大小RMSEPSNR面11.38兆字节1932 ×104014 kB3.342.9××166647775×××6O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872275图7.第一次会议。（a、b、c和d）解压缩的“Face2 00”图像以超过98%的更高压缩率成功转换为3D表面。3- 在8 - 8数据块中的64个系数中的每一个都由量化系数（QC）量化，这是通过将所有64个系数除以单独的数字并舍入到最接近的整数来实现的。这会造成不可挽回的信息损失。较大的QC编号会导致更多的信息丢失（Salomon，2007）。量化可以改善重建并保持高压缩比的图像质量。在DCT步骤之后使用的8 ×8块的量化系数在下面的矩阵中示出：21 1 1 1 24 40 51 6134- 每个块的量化的64个系数被Z字形扫描以将矩阵转换成64个元素的一维阵列。该数组使用游程编码（RLE）和霍夫曼编码（Neethu和Jabbar，2015）进行编码。3. 新提出的算法建议的3D11第十八季2449725556762779210199网格重建在以下部分中描述。3.1. 压缩首先，图像被细分成不重叠的m n块。为了与JPEG进行直接比较，我们使用标准块大小8从左上角开始的8像素一个形象如果图像尺寸不是8的倍数，则DCT应用于每个8 8块并保存为64个元素的数组，第一个元素表示称为DC分量的低频，而其余63个元素称为AC系数，其表示高频。图2示出了所提出的压缩算法的框图。DC系数及其邻近AC系数通过在量化矩阵中它们的等效位置中替换1而保持未量化。 这个选择-Q矩阵中的“1”的主要优点所有的量化数组被保存在一个新的矩阵中，称为系数矩阵，对应于原始图像的块索引。在每一列中，每个DC系数由当前行DC值与从第一行（i = 1）开始向下到（i = m-1）的下一行的值之间的差代替DCi; j = DCi; j-DCi 1;j1其中i，j是块的行和列的索引（i = 1：m，j = 1：n）。这使得数据更加相关，并且尽可能小，以获得高压缩比。每一列中的最后DC系数保持不变，并移动到一个新的数组中，称为“减少的残差数组”，同时将它们在系数矩阵中的原始位置替换为零。系数矩阵1119265860116244057691722295187802237566810910335556481104113647887103121120929598112100103;×;（c）22时76分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图8.第八条。（a、b、c和d）解压缩的“Face300”图像以超过98%的更高压缩率成功转换为3D表面。表2对二维多视点图像进行了高压缩比的压缩。序列帧数总帧大小总压缩大小平均RMSE平均PSNR苹果48114.8 MB3.1 MB5.841.3软体玩具42100.38 MB2.39 MB11.038.2脸20152 MB2.25 MB8.139.6然后转移到一个新的阵列“系数阵列”，这是通过扫描每行中的每个块（64个值）来完成的。如果所有的系数都是零，它们将被系数数组中的单个零替换，否则，如果任何值不等于零，则将系数数组中以“1”为首的相同值替换为头部。图3示出了系数阵列格式。然后，对系数阵列和约化残差阵列进行算术编码，压缩的图像文件。柱通过以下方式检索原始DC系数：首先，替换最后一行DC系数中的减少的残差阵列，以及其次，通过当前行DC值与从该行（i = m-1）开始直到第一行（i = 1）的下一行的值之间的加法来替换每列中的剩余DC值DCij = DCij + DCi1j23.2. 减压解压缩步骤实际上是压缩算法的反转，图4说明了这些步骤。首先，对压缩后的图像文件进行算术解码，得到系数数组和约简残差数组。通过扫描和检查系数阵列中的头部（1）和零，从系数阵列重新生成系数矩阵。如果存在报头“100”，则将接下来的64个值移动到对应的8 8块索引中的系数矩阵，而如果存在零，则替换64个系数矩阵中的当前DC值实际上是同一矩阵内的每两个连续值之间的差。其中i，j是块的行和列的索引（i = 1：m，j = 1：n）。最后，对系数矩阵进行IDCT（Inverse Discrete Cosine Transform），恢复原始图像.4. 实验结果该算法被应用到灰度结构光图像。这些图像被输入到由谢菲尔德哈勒姆大学的GMPR（几何建模和模式识别）研究小组开发的软件（Rodrigues等人， 2013; Rodrigues等人， 2013）来创建3D网格表面。GMPR 3D扫描仪的基本思想是通过在物体表面投射水平光来的关系O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872277图9.第九条。解压缩48帧Apple图像，每张图像的尺寸= 1936× 1296。所述捕获传感器和所述光源确定沿着所述条纹图案的3D表面位置。3D重建算法然后在几毫秒内将2D图像转换成3D表面（Rodrigues等人，2013年，如图所示。 五、表1显示了三个灰度图像的实验结果，所提出的算法压缩如图1和图2所示。 六比八进一步的结构光图像，所提出的算法被应用到三个不同的多视点图像集，以创建3D对象。该对象由称为3DF Zephyr软件（DF-Zephyr，2020）的特殊软件创建，并转换为3D网格使用Autodesk的3D MeshMixer软件（3D MeshMixer，2020）。表2示出了通过我们提出的算法压缩的这3组图像的实验结果，如图1和图2所示。 9比145. 结构光图像与JPEG技术的比较图图15-17示出了使用传统JPEG技术与我们提出的方法直接比较的每个解压缩图像的3D网格表面重建：Face 1、Face 2和Face 3。22时78分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图10个。（a）和（b）显示了通过我们提出的图像压缩在高达97.2%的更高压缩比下解压缩的Apple图像的3D对象和网格表面O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872279图十一岁 解压缩42帧Soft Toy图像，每个图像的尺寸= 1936× 1296。文中还引用了Wavefront表3总结了实验结果。从结果中可以清楚地注意到，使用传统JPEG技术重建的3D表面在表面的不同区域中存在伪影和丢失部分，从而大大降低了质量这是因为JPEG技术不能以高达99%（在“面1”中）和98%（在“面2”和“面3”中）的更高压缩比来压缩图像我们提出的算法demonstrates更好的视觉性能相比，JPEG技术，更高的压缩比，同时能够保持适合3D重建的图像6. 多视点图像与JPEG技术的比较接下来的三张图。图18-20示出了通过传统JPEG技术与我们提出的方法相比的三组多视点图像的3D网格表面重建。表4总结了实验结果，其中还引用了对象格式的3D文件大小以进行比较。22时80分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287见图12。(a)以及（b）通过我们提出的图像压缩，以高达97.6%的压缩比显示解压缩的Soft Toy图像的3D对象和网格表面。O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872281图十三. 解压缩20帧Face图像，每张图像的尺寸= 2448 ×3264。图十四岁通过我们提出的图像压缩算法，在较高的压缩比高达98.5%的解压缩人脸图像显示三维物体和网格表面22时82分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图十五岁（a）和（b）用传统的JPEG技术对“Face100”进行三维网格表面重建。图十六岁（a）和（b）利用传统JPEG技术对“Face200 "图像进行三维网格曲面重建。O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872283图十七岁（a）和（b）用传统的JPEG技术对“Face300”进行三维网格表面重建。表3实验结果表明，传统的JPEG技术和OBJ文件大小的灰度结构光图像相比，我们提出的算法。框名称我们提出的压缩算法JPEG技术压缩3D对象（.OBJ）文件大小压缩大小RMSE平均PSNR面114.0 KB22.0KB 7.039.66.77 MB面217.9 KB32.1KB 7.9639.16.6 MB大小Face321.1 KB37.8KB 10.637.86.67 MB从图中可以明显看出，传统的JPEG技术对于从多个视点进行3D重建的图像序列以高压缩比压缩图像是低效的所有的3D重建显示文物和丢失的表面信息细节在高压缩比。虽然我们提出的方法可以成功地实现高达99%的压缩比，JPEG在97%产生这样的损坏的三维网格，我们可以说它失败了。最后，图21示出了与JPEG相比，我们提出的算法的感知图像质量评估的进一步细节。7. 结论在本文中，我们已经介绍和证明了一种新的压缩算法，并证明了其优越的质量通过与JPEG技术的直接比较，从结构光图像和多视点图像序列中进行3D网格重建本文的贡献是实现高压缩比，而不会产生不利影响的三维重建和最小的损失，使用一个单一的transformation-灰与较低的复杂性相比，现有的算法在文献中该方法基于应用单级DCT来获得DC和AC系数，然后使用优化的量化矩阵来量化频域系数。然后，系数矩阵进行一系列操作，以增加高频和消除零，以获得高压缩比和精确的3D重建。所开发的算法已经过测试，各种尺寸的图像结果表明，我们的方法产生了一个22时84分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图18. (Top图中为苹果图像的三维物体和三维网格，采用传统的JPEG算法进行压缩，压缩率达到94%，图下为三维网格重建，压缩率达到97.2%。O.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872285图十九岁（上图和中图）使用传统JPEG算法以97%的较高压缩率对Soft Toy图像进行了三维物体和三维网格的解压缩，（下图）使用我们提出的方法以97.6%的较高压缩率重建了三维22时86分Salih等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）2271- 2287图20. (Top（中）人脸图像的三维物体和三维网格，采用传统的JPEG算法进行压缩，压缩率达到94%;（下）人脸图像的三维网格重建，压缩率达到98.5%。表4多视点图像的传统JPEG技术的结果相比，我们提出的算法序列我们提出的图像压缩算法JPEG技术压缩3D对象（.OBJ）文件大小压缩大小平均RMSE平均PSNR苹果3.1 MB4.77MB 7.439.415.65 MB软体玩具2.39 MB5.59MB 5.740.528.8 MB脸2.25 MB3.37MB 11.137.671.3 MBO.M. Salih等人 /沙特国王大学学报-计算机与信息科学34（2022）2271-22872287图21.（a、c和e）感知评估：通过JPEG算法，解压缩图像质量在较高压缩比下显示伪影，而通过我们提出的算法，其他解压缩图像（b、d和f）在较高压缩比下保持质量。比传统JPEG技术更高质量的3D表面重建。传统的JPEG技术在较高的压缩比下重建的三维表面会出现退化和部分表面信息丢失，而本文提出的算法具有更好的视觉特性。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢我们衷心感谢谢菲尔德哈勒姆大学通信与计算研究中心（CCRC）和研究与创新服务（RIS）的支持。引用3D MeshMixer，http://www.meshmixer.com/。最后访问2020年1月。艾 哈 迈 德 ， N. ， Natarajan， T. ， 拉 奥 ， K.R. ， 1974. 离 散 余 弦 变 换 IEEETransactionsComputer，C-23 90-93.Mario Botsch，Leif Kobbelt，Mark Pauly，Pierre Alliez and Bruno Levy，2010.多边形网格处理-A K Peters，ISBN 978-1-56881-426-1。Chouhan，Ankit，Nigam，M.J.，2016.基于估计质量因子的JPEG图像DCT双重压缩。第一届IEEE电力电子、智能控制和能源系统国 际 会 议 （ICPECES）。3DF-Zephyr， https://www.3dflow.net/3df-zephyr-pro-3d-models-from-photos/ 。 最后访问2020年1月。Maglo A.，Lavoue，G.，Dupont，F.，Hudelot角，2013年，3D网格压缩：调查，比较和新兴趋势ACM计算调查，9（4），第39条。Neethu，K.J.，Jabbar，Sherin，2015.利用近似K-SVD算法改善JPEG压缩图像质量IEEE第二届信息嵌入与通信系统创新国际会议。拉奥，K.R.，Yip，P.，1990.离散余弦变换中国科学出版社. ISBN：978-0-12-580203。Rodrigues，M.，Kormann，M.，Schuhler，C.，Tomek，P.，2013.使用OLP和结构光3D机器视觉进行机器人轨迹规划。在：计算机科学讲义第二部分。LCNS。施普林格，海德堡，pp. 244- 253Rodrigues，M.，Kormann，M.，Schuhler，C.，Tomek，P.，2013.机器人任务中用于3D表面重建的结构光技术。 施普林格，海德堡，pp. 805- 814Rodrigues，M.，奥斯曼，A.，罗宾逊，A.，2013年。 三维数据压缩与重建的偏微分方程。动力学进展杂志12（3），371-378。Rodrigues，Marcos，Robinson，Alan，Osman，Abdulsslam，2011.通过自由曲面片的参数化实现高效的3D数据压缩。在：信号处理和多媒体应用（SIGMAP），2010年会议记录IEEE International Conference on IEEE，pp. 130比135Rodrigues，Marcos，Osman，Abdusslam，Robinson，Alan，2013.偏微分方程用于三维数据压缩与重建。Adv. 动力学系统Appl. 8（2），303-315。Salomon，David，2007.数据压缩：完整的参考。斯 普林格。Sayood，K.，2003年。无损压缩手册。中国科学出版社.国际标准书号：9780126208610。谢菲尔德哈勒姆大学，Siddeq，M.M.，Rodrigues，文学硕士，2016.基于最小尺寸矩阵算法的图像数据压缩与解压缩。WO 2016/135510 Al。Siddeq ， M.， 2010. 采用JPEG和顺序搜索算法对图像低频子带进行压缩.J.INF.Comput. Sci. 5（3），163-172。Siddeq，M.，2010. JPEG和顺序搜索算法应用于图像的低频子带压缩（JSS）。 J. INF.Comput. Sci. 5（3），163-172。Siddeq，M.M.，Rodrigues，文学硕士，2014年。一种新的用于三维表面重建的二维图像压缩技术，第18届电路，系统，通信和计算机国际会议，Santorin Island，希腊：37Siddeq，M.M.，Rodrigues，Marcos，2014.一种新的高分辨率三维重建图像压缩算法。3D Res. 5、7.Siddeq，M.M.，Rodrigues，Marcos，2015. 针对高分辨率结构光三维表面重建问题，提出了一种基于两级离散小波变换和离散余弦变换的二维图像压缩算法。3DRes. 6（3），26.Siddeq，M.M.，Rodrigues，文学硕士，2016.三维点云数据和三角形面压缩的一种新的几何。程序国际会议计算Meth. 3，379-394。Siddeq，Mohammed，Rodrigues，Marcos，2017.基于DCT和DST的三维重建图像压缩。3D Res. 8（5），1-19.Siddeq，Rodrigues，2017.一种新的图像压缩高频编码算法。EURASIP J. Adv.信号处理。2017年，26。华莱士，格雷戈里K.，1992. JPEG静止图像压缩标准。IEEETrans.消费38（1）.Zhang，Yongjie Jessica，2016.扫描图像的几何建模和网格生成。Press. ISBN 13：978-1-4822-2777-2。