高效无损医学图像压缩

沙特国王大学学报一种高速高效的感知无损医学图像体压缩莫哈末拉菲隆电子与通信工程系，Baba Ghulam Shah Badshah大学，Rajouri，JK 185234，印度阿提奇莱因福奥文章历史记录：收到2020年2020年3月27日修订2020年4月23日接受2020年4月29日网上发售保留字：医学图像压缩近无损编码峰值绝对误差编码复杂度空间方向分块树A B S T R A C T随着现代医学成像系统的进步，诊断图像数据呈指数级增长。未来的医学应用要求医学成像设备是便携式的。图像质量和实时处理是医学图像压缩的首要问题。因此，体积医学图像需要以感知无损的方式压缩。此外，在传输（或存储）之前压缩图像所花费的时间应该很短。本文提出了一种无损和感知无损医学图像压缩算法。该算法使用两个小列表和两个小状态表来编码图像。压缩效率与最先进的无损压缩技术相当。此外，计算复杂性和存储器要求对于便携式医学成像设备是现实的。结合所有这三个功能，很明显，该算法是一个更好的候选人的图像压缩相比，我们知道的所有国家的最先进的压缩算法，体积医学成像系统。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍1.1. 动机在现代医疗保健实践中，医学成像系统已成为诊断目的的重要组成部分。随着数字扫描技术的发展，医学成像系统变得非常重要。这些进步导致了医学图像的高精度，提高了质量，增强了空间分辨率和位深度。这种改进导致需要在本地存储或网络云中处理和存储的数字信息呈指数级增长在计算机断层扫描（CT）和磁共振成像（MRI）中，捕获一系列连续图像（切片），这进一步增加了生成的信息量电子邮件地址：mrlone@bgsbu.ac.in沙特国王大学负责同行审查制作和主办：Elsevier在医学成像中，为了减少与增加的信息相对应的数据，压缩起着重要的作用。医学图像压缩是一个图像质量至关重要的领域。此外，提供高质量，医学图像压缩器必须是存储器高效和实时的（Kim，1997）。医学图像通常在质量上没有任何损失的情况下存储。由于现代拍摄的大多数医学图像由图像帧序列（体积）组成实时存储、处理和传输信息变得不切实际（Placidi，2009）。 一些编码器已经揭示，他们花费数小时来编码体积医学图像数据（Matsuda等人，2004; Guarda等人，2017年）。医学图像编码器的计算复杂度必须足够小，以实时存储和传输信息 尽管无损信息在医学图像处理中是优选的，但是一些研究已经揭示，如果保持感知无损图像质量，则有损图像压缩将是有 用的并 且从 长 远来看是必要的（ Fidler 等 人， 2006年 ; Chen 和Ramabadran，1994年）。1.2. 相关工作医学数字成像与通信标准（DICOM）是医学图像管理和通信https://doi.org/10.1016/j.jksuci.2020.04.0141319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（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.comM.R. Lone/ Journal of King Saud University2965×（Pianykh，2007年）。DICOM在医学成像系统中推荐了许多压缩标准。这些包括JPEG（Pennebaker 和Mitchell，1993; InformationTechnology，1992）、无损JPEG（JPEG-LS）（Weinberger等人，2000; InformationTechnology，1998）、JPEG 2000（JPEG，2016;Pastuszak，2004）、行程长度编码（RLE）和一些视频编码标准，诸如 MPEG （ Information Technology ， 2013 ） 和 H. 264/AVC（Information Technology，2008; Wiegand等人， 2003年）。JPEG和JPEG2000都是基于变换编码，分别利用离散余弦变换（DCT）和离散小波变换（DWT）。由于JPEG2000是基于小波变换的，所以它具有JPEG所没有的许多优点，如：码率可伸缩性、感兴趣区域编码等。JPEG2000在医学图像压缩中的一个显著优点是它提供了压缩体积医学数据的扩展医学切片可以被编码为独立的图像，但是在这种情况下切片间冗余将不会被去除。考虑切片间冗余的JPEG2000的扩展包括多分量变换（MCT）（JPEG2000第2部分）（ JPEG，2004 ）和 三 维编 码器 JP3D （ JPEG2000 第 10 部 分）（JPEG，2011 a）。JP 3D是JPEG 2000核心技术向体数据的扩展，将离散小波变换扩展到三维（3D-DWT）。Song等人提出了另一种基于变换的算法。（2016年）。采用无损阿达玛变换（LHT）对视频内容进行JPEG-LS是一种广泛使用的无损压缩标准。它是基于预测编码使用低复杂度无损压缩图像（LOCO-I）算法。将体医学数据作为视频帧序列处理，然后应用MPEG 2和H.264/AVC等视频编码器 高效视频编码（HEVC）（Sullivan等人，2012;JPEG，2011 b）是用于有损视频压缩的最先进的标准，并且它也具有用于无损视频压缩的简档。在无损模式下，变换和量化步骤被跳过，这导致整体压缩效率的降低额外的编码特征被添加到其简档中作为范围扩展（RExt）（Sullivan等人， 2013年）。HEVC-RExt具有扩展的支持，端口高比特深度的内容和分辨率。还提出了对最小二乘预测（LSP）的改进以降低用于无损压缩的HEVC的比特率（Guarda等人， 2017年）。在（Bruylants等人，2015;Sanchez等人 ， 2010; Sanchez 等 人 ， 2009 年 ; Xu 等 人 ， 2016; Akman 和Cekli，2019; Aldemir等人，2018; Pathak等人， 2018年）。其他无变 换算法包括基于 上下文的自适 应无损图像编解 码器（CALIC）（Wu和Memon，1997）、边缘定向预测（EDP）（Li和Orchard，2001）和最小速率预测器（MRP）（Matsuda等人，2000年）。这些主要基于预测编码。虽然这些算法主要是针对静止图像压缩而设计的，但也提出了一些扩展来解决体积内容编码。这些扩展中的一些包括M-CALIC（Magli等人，2004）、3D-CALIC（Wu和Memon，2000）和3D-MRP（Matsuda等人，2004年）。基于预测的算法的主要缺点是它们的计算复杂度高，除了缺乏分辨率可伸缩性和感兴趣区域编码。对3D-MRP进行了修改，以使用三次迭代（3D-MRP-I3）和二十五次迭代来改进错误概率估计（3D-MRP-I25）（Lucas等人，2017年）。免费无损图像格式（FLIF）（Sneyers和Wuille，2016）是另一种无变换算法，基于熵编码、元自适应近零整数算术编码（MANIAC）。与流行的可移植网络图形（PNG）相比，FLIF算法提供了更好的压缩效率，但是显示出增加的计算复杂度。1.3. 本文件为无损体积医学图像压缩设计的算法的主要缺点是它们在计算上非常虽然一些编码器在较低比特率下提供无损图像质量，但是计算复杂度和存储器要求使得它们不适合于体积医学图像压缩。本文提出了一种与小波块树编码（WBTC）算法（Guo et al.，2014），因为两者都使用空间定向块树编码。图像被分成大小为2的块。块树编码有助于利用子带内的系数之间的冗余。在细化过程中使用广度优先搜索，而在排序过程中使用深度优先搜索模式利用两个小的状态表和列表来编码图像。这项工作的贡献可以总结如下：(i) 低记忆分数小波滤波器（FrWF）结合所提出的低复杂度和低记忆的编码算法。(ii) 该算法采用了降低编码复杂度的方法，具有实时性强的特点。(iii) 所提出的算法的动态内存已大大减少，这使得它适用于便携式医疗成像设备。(iv) 在对体积医学图像进行有损压缩时，压缩比适中.(v) 该算法能够在比其他近无损压缩算法更低的比特率下达到医学图像的第二部分介绍了分数阶小波滤波器和小波块树编码。第三节给出了算法的具体实现过程.第4节给出了该算法的内存需求及其与不同算法的比较。性能，复杂性和内存利用率的实验结果在第5节中介绍和讨论。最后在第6节中总结了本文。2. 背景在本节中，概述了用于计算图像小波变换的FrWF和WBTC算法2.1. 分数阶小波滤波器分数小波滤波器（FrWF）计算图像的DWT的技术已经在Rein等人中提出。（2008年）。三2966M.R. Lone/ Journal of King Saud University××勒沃埃尔×ð×Þ使用较小的缓冲器来存储非常少量的系数。对于大小为N N的图像，大小为N的一个缓冲器存储输入系数。另外两个大小相同的缓冲区用于临时存储目的地的系数。对于第一级分解，位置，输入线是从外部存储逐行读取。然后将分解的系数存储在不同的目的地存储器中的四个子带;LL/HL和LH/HH。对于下一级，LL频带系数被读取、分解并写回到外部存储器中。使用固定和浮点表示来计算大小为N N的图像的小波变换所需的存储器（以字节为单位）为：很好。然后将系数移动到LSP。一旦测试了所有四个系数，则从LIB中删除该块，并且恢复对LIB中的其他块进行一旦测试了LIB中的所有块如果一个集合及其后代被发现是无关紧要的，它仍然留在LIBS中。否则，类型类型“B”集合被添加在LIBS的末尾，而当在LIB中测试块时，立即测试子块。如果发现类型编码过程继续，直到LIBS中的所有集合都被编码了 完成排序过程后，已固定字节5 N;level¼ 1;6 N;level>1（9N;左心室1/ 4;勒沃埃尔ð1Þ2传球开始。除了在当前迭代中添加的系数之外，所有系数都用一位进行细化。将阈值减小2倍，并重复上述编码过程算法迭代浮动¼12 N;level>1重复直到达到所需的比特率。2.2. WBTC算法和WBTC一样，该算法也是基于空间方向块树编码的。因此，在这里简要介绍WBTC算法是很重要的。WBTC是基于小波的编码器，从最高位平面开始逐位编码小波系数。与SPIHT一样，利用了不同层次子带间的冗余然而，与SPIHT不同，系数被分组为m n个系数块，然后对块树进行编码。通过这种方式，SPIHT的多个空间方向树（SOT）被组合在WBTC中的单个块树块树由位于最高子带（LL）处的根块的所有后代块组成。编码的块树性质也帮助WBTC部分地利用子带内的冗余。除了位于第一级和最高级（LL）的子带之外，每个块在下一个较低分解级中具有四个后代块。LL带中的块在LH、HL和HH子带中仅具有位于相同分解水平的三个后代类型'A'由所有后代块的集合组成，而类型'B'由所有的后代块的集合组成（所有后代减去后代）。WBTC使用三个有序列表来存储重要性信息：无意义块列表（LIB）、无意义块集列表（LIBS）和重要像素列表（LSP）。在初始化时，LL带中的块被添加到LIB，并且LL带中具有后代的块被添加到LIBS作为类型“A”条目。LSP初始化为空列表。WBTC中的编码编码过程从排序过程开始。从最高有效位平面到最低有效位平面对系数进行编码。编码器首先遍历LIB在当前阈值下，测试块的显著性。如果发现该块是无关紧要的，则仅输出'0'比特以编码m的零块n系数。该块保留在LIB中，以便在下一个阈值处再次测试。如果块是有效的，则将其细分为四个相等大小的块（四叉树分割），并且输出“1”位。这个四叉树分割的过程继续，直到达到最小尺寸的块（单个系数）。当达到最小块大小时，测试四个系数的显著性。如果发现系数相对于当前阈值不显著，则输出“0”位，并且系数被移动到LIB。否则，3. 该算法3.1. 概述该算法基于空间方向块树编码.编码的组织和过程与WBTC完全不同。对于低比特率，WBTC表现出更好的压缩性能相比，SPIHT。这是因为块树在较低比特率下通常是零树。然而，随着比特率的增加，压缩性能WBTC下降。这是因为，用于寻址有效块的位数也增加了。此外，存储列表所需的存储器随着比特率的增加而增加首先使用Cohen-Daubechies-Wavelet 9/7对输入图像进行小波变换，该小波变换也用于JPEG 2000中的有损模式。采用分数阶小波滤波器（FrWF）的变换方法将FrWF与新的压缩算法相结合，减少了图像变换的内存需求。在每个分解级别期间，使用低通和高通滤波器对低频子带进行滤波，以产生四个子带，低-低（LL）、低-高（LH）、高-低（HL）和高-高（HH）。在Fig. 1.空间方向树和父子依赖关系。（¼M.R. Lone/ Journal of King Saud University2967××××¼在随后的分解级别中，LL带被进一步滤波成四个子带，依此类推，如图1所示。1.一、在相同类型的子带之间存在空间相关性（例如，LH3、LH2、LH1）。当我们从更高的水平移动到更低的水平时，系数是按大小排序的。DWT系数以莫顿扫描顺序排序。不同分解层次的类子带系数之间存在相关性一个系数有四个后代系数，这些系数在低于系数本身的一个分解水平上与它高度相关变换后的图像被划分为大小为（2 2）的块。最高级别子带中的每个块是空间方向块树的根任何父节点'x'的四个后代的地址最低级别的分解子带没有任何后代。此外，最高级别中的LL频带的节点块仅具有三个后代，每个子频带中一个; LH、HL和HH。3.2. 提出的图像编码算法该算法将小波变换后的图像分割成大小为2 - 2的块。对于大小为M N的图像，块的数量由M N/4给出。与SPIHT算法和EZW算法以块为节点的空间方向块树不同，该算法以块为节点。与WBTC不同，块大小保持固定，以加快编码过程在图1中，每个节点由四个系数的块组成。这里认为LL带中的节点块在最高分解级别子带中具有三个后代节点两个状态表存储器，块重要性存储器（BSM）和后代重要性存储器（DSM）用于存储每个节点的重要性信息。所提出的算法包括两个通道，即细化通道（RP）和排序通道（SP）。对炼图二. 执行拟定算法的流程图。通过，仅对在先前阈值处变得重要的块进行编码或细化。然而，在先前的阈值下没有变得显著的块在排序过程中被编码。BSM给出了图像中每个块的重要性如果BSM（x）=“1”，则块所有节点（具有后代）的后代的重要性信息存储在DSM中。如果节点“x”的所有后代都DSM（x）=除了两个状态表之外，还使用了两个小列表，它们是：子块列表（LCB）和父块列表（LPB）。这些列表用于在SP中编码。变换图像的编码如图2所示进行。在编码时使用三个阶段：搜索、优化过程和排序过程。编码器从初始化遍历到排序通过细化通过。一旦所有系数都针对当前阈值进行了编码，则更新阈值把它除以2连续地比较编码比特流中的比特数和比特预算。 一旦达到比特预算，编码过程终止并且比特流被截断。3.2.1. 初始化从最高有效位平面“t”开始逐位平面地执行编码最高阈值t的计算公式为t1/4 blog2Maxcoeff c。阈值的大小由T2t给出.通过将当前位平面递减1来获得后续阈值。在解码时，系数被分配的初始幅度是系数变得有效的阈值的1.5倍。在随后的阈值处，取决于细化位，将其加上或减去0.5倍阈值。对于DWT的最高级别（级别L）中的块，BSM被分配为所有其他块在BSM存储器中被分配DSM在第一个RP的开始处被分配两个列表都被初始化为空。3.2.2. 精细途径完整算法的伪代码在Algo- rithm 1中给出。那些在前一个阈值上有意义的块在细化过程中被编码。换句话说，所有那些块在BSM =每个系数被编码在有效块内。如果系数已经有效，则仅发送细化位。然而，如果系数在当前阈值处变得有效，则也发送符号位，如算法2所示。块以宽度优先方式编码，从最高分解级别（级别= L）中的块开始到最低分解级别（级别= 1）。 只有当所有L级块的编码完成时，才对L-1级块进行编码，依此类推。这是因为与较低级别相比，变换图像中的大部分信息存在于较高级别中。在宽度优先方法中，可能更重要的系数被提前编码在编码过程中。2968M.R. Lone/ Journal of King Saud University算法1所提出的图像编码器算法2编码块（x）M.R. Lone/ Journal of King Saud University2969××XnP-XnnðÞ0;if max_j_c_i;j_j_T;i;jn0;if max_j_c_i;j_j_T;3.2.3. 遍分检那些在细化过程中被遗漏的块在排序过程中被排序过程中的编码以块树方式进行。每棵分块树的根都在LL带中。只有当第一块树完全编码时，才采用第二块树进行编码。这在很多方面都有助于算法。首先，保持寻址所需的列表存储器显著减少。这是因为只需要存储来自一个块树的节点。其次，计算复杂度降低，因为编码器不必在编码过程中一次又一次地计算块或块树的重要性算法1中给出了排序过程中涉及的完整步骤块“B”的显著性检验两个阶段使用的最大存储器。编码器使用的存储器是两个状态表和两个列表的形式。状态表存储器是图像大小的函数，而列表存储器是所使用的级别的函数4.1. 编码器存储4.1.1. 状态表存储器状态表BSM存储系数的每个2 2块的状态。需要一个位来保存每个块的状态对于大小为MN的图像，BSM的大小由MN/4（比特）给出。第二状态表DSM存储后代块的状态。最低分解级别（级别= 1）中的块节点没有任何后代，因此不需要DSM状态位。因此，DSM所需的存储器大小为MN/16（位）。S.B.1;如果T6max≤ jc i;j≤<2 T;C2 B3000这些状态表所需的总内存（位）为BSM和DSM内存的计算公式如下：类似地，如下获得从块“x”出现的块树“BT”的显著性检验MStateTables1/4/5= 16×MN1/5我的天啊1;如果T6maxjci;jj2T;c2BT4004.1.2. 表存储器这两个列表包含块树的节点只有一个街区-在该算法中，d（x）和O（x）表示块'x'的后代排序过程使用两个列表LCB和LPB。如果发现节点“x”的后代在当前阈值下是有效的，则将后代块节点的地址插入LCB中LCB用于对块树中的系数进行编码和更新BSM存储器。LCB执行的一些亮点如下：(1) 假设一个块是无关紧要的。如果从该块出现的整个树在当前阈值处保持不重要，则仅输出位否则，输出位如果所有后代在当前阈值处保持不重要，则输出位否则，输出位(2) 如果一个块是显著的，而它的所有子块都是不显著的。然后，如果后代在当前阈值下保持不重要，则仅输出位否则，输出比特(3) 通过输出“1”，随后对每个系数的比特进行编码，对在当前阈值处变得重要的后代块进行编码当LCB的所有条目都被删除时，执行LPB。LPB的唯一目的是从更新的BSM更新DSM算法2用于对图像的块“x”内的实际系数进行这里，3.2.4. 阈值更新SP完成后，阈值减半。在更新阈值之后，如果未达到比特预算，则编码器进入细化通道。重复该过程直到达到期望的比特预算。根据峰值绝对误差（PAE）的任何期望的图像质量由阈值的值保证。在针对阈值“z”的PAE的详细描述见第5节。4. 内存分配该算法由两个阶段组成，一个接一个地工作。这些阶段是小波变换和编码器。整个图像编码器使用的有效存储器是树在任何给定的时间被处理。某些节点可能同时出现在两个列表中。LCB和LPB中的节点数量取决于DWT层L。实验上，观察到LCB和LPB中的最大条目数由下式给出：43 L2和1L-24n分别的数量n1每个条目所需的寻址位由log2MN给出。因此，这些列表所需的总存储器大小（位）是如下所示的两者之和：L-2MLists¼log2MN× 53L-246n14.1.3. 编码器总内存总的编码器存储器是状态表存储器和列表存储器的总和。总内存（以位为单位）如下所示L-2M总计1/4/5 = 16 μ g ×MNlog2μg× MN 5 μ g 3 μL-2 μ g4Þ ð 7Þn14.2. 变换存储器图像使用FrWF进行转换，这是非常高效的内存。具有多级分解的固定点FrWF所需的存储器在等式2中给出（1）和（2）。4.3. 总有效存储器图像编码器的总有效内存是FrWF内存和编码器内存的最大值。编码器需要更多内存。因此，有效内存与编码器内存相同。5. 结果和讨论本文提出了一种高速、高效的无损和感知无损医学图像压缩算法。如表1所列，考虑了两种类型的医学图像数据集用于评价所提出的算法。测试集1仅由8个比特深度图像序列组成，并且取自图像处理研究中心（CIPR）（图像处理研究中心，2018）数据库。测试集2由两个数据库源组成，具有更高的位深度（=i;j2970M.R. Lone/ Journal of King Saud University表1医学图像测试集的详细信息。测试集1（位深度= 8）测试集2（位深度= 16）序列帧分辨率序列帧分辨率CT_头97 256×256 CT_头99 256 × 256CT_颈动脉74 256× 256CT_肺_R468 512 ×512CT_颅骨203 256× 256CT_肺_R1367 512 ×512CT_腕部183 256×256 MR_脑部99 256 × 256MR_肝脏_T158 256× 256MR_神经176 256× 256MR_肝脏_T1E158 256×256 MR_乳腺60 288 × 288MR_儿科_胸部77 256× 256MR_下垂_头部58 256 ×256表2针对测试集1，在比特率（bpp）方面与不同无损压缩算法比较所提出的算法图像集1CALICJPEG-LSJPEG2000歌曲2016JP3DM-钙3D-CALICHEVC-RextLSPFLIF提出联系我们0.9981.0581.2711.5620.9411.2050.9940.7280.6190.8480.751CT_颈动脉1.6841.7782.0302.4061.5471.8001.5171.4251.2011.5681.749CT_颅骨2.6282.7613.0013.3562.0882.5852.1531.7661.5583.2512.248CT_腕关节1.5511.6271.7672.3641.2381.4351.1271.0020.8261.4361.250MR_Liver_T13.0223.1603.2664.0901.7452.8322.3232.0521.7623.4522.482MR_liver_T2E12.2692.4182.5823.0042.3562.1791.8281.5091.1922.2942.097MR_儿科_胸部2.7982.9373.0313.7242.0712.2131.8601.5341.3642.5661.780MR_下垂_头部2.5192.5822.9153.4282.1602.6052.3291.7481.6162.4322.446平均2.1832.2902.4832.9861.7682.1071.7661.4701.2672.2311.850表3针对测试集1，PAE = 2和PAE = 8，在比特率（bpp）方面与JPEG2000和Song2016进行比较图像集1PAE = 2PAE = 8歌曲2016JPEG2000提出歌曲2016JPEG2000提出联系我们1.2691.1030.2141.0540.3520.082CT_颈动脉1.9351.8920.7261.5460.7540.204CT_颅骨2.7252.8390.9812.1601.2530.222CT_腕关节1.8551.5720.3021.4580.4720.047MR_Liver_T13.2103.0570.7042.5350.9680.159MR_Liver_T2E12.4942.2461.2061.9991.2070.277MR_儿科_胸部2.8672.8810.1942.2500.7180.041MR_下垂_头部2.8142.6850.3122.3140.9730.296平均2.3962.2840.5791.9490.8370.166第16段）。CT_Head和MR_Brain医学图像序列取自Stanford体积数据存档（The Stanford，2018）。其余序列取自癌症影像档案（TCIA）（癌症影像档案，2018）。来自测试集1的所有图像的分辨率为256×256，而测试集2由分辨率为256× 256、288× 288和288 × 288的序列组成。512 ×512。5.1. 医学图像体积集的编码效率医学图像压缩算法的编码效率通常用峰值绝对误差（PAE）来评价两个图像的对应像素之间的最大差异由PAE给出PAE¼maxjIx;y-I0x;yj8其中I（x，y）和I0（x，y）是原始图像和重建PAE给出了原始图像和重建图像的任何两个像素之间的峰值误差错误没有被平均，因此没有任何错误尖峰被忽视。对于无损图像压缩，PAE = 0。对于感知无损图像压缩，PAE应尽可能接近零。当涉及到具有不同位深度的图像时，感知无损质量评估的PAE值会发生变化。这是因为，具有位深度8和16的图像在绝对黑色和绝对白色之间分别具有256和65536个级别。具有位深度16的图像中的步长更小，因此与具有位深度8的图像中的相同PAE值相比，PAE表示更小的误差。从技术上讲，假设图像采用各个位深度的全对比度，则8位深度图像中的PAE = 1对应于16位深度图像中的PAE = 256。在表2中，针对测试集1，将所提出的算法与不同的最先进的无损压缩算法进行比较。该表示出了实现无损质量的比特率（PAE = 0）。可以观察到，所提出的算法优于CALIC、M-CALIC、JPEG-LS、JPEG2000、FLIF和Song 2016。此外，该算法的性能低于但非常接近的JP3D和3D-CALIC。然而，HEVC-Rext和LSP提供更好的压缩效率相比，所提出的算法。在表3中对PAE = 2和PAE = 8的感知无损图像压缩进行比较。当PAE = 2时，该算法所需码率分别为Song和JPEG2000的24.17%和25.35%。也可以看出，69%M.R. Lone/ Journal of King Saud University2971图3.第三章。来自测试集1的MR_Sag_Head_006（顶部）和CT_Wrist_020（底部）的目视质量，（a）原始，（b）PAE = 1，（c）PAE = 2和（d）PAE = 8。可以通过在PAE = 2处从无损模式转到感知无损模式来节省比特率的1在PAE = 8时，与无损模式相比，该算法节省了图3示出了PAE值为1、2和8时的MR_Sag_Head和CT_Wrist即使PAE = 8，也没有可见的视觉伪影然而，PAE = 8有时可能高到足以导致错误的诊断。对于小于8的PAE，8位图像的感知质量在大多数情况下可以是可接受的。表4显示了针对测试集的无损压缩（PAE = 0），所2（16位深度）。随着位深度的增加，M-CALIC和3D-CALIC与CALIC相比表现出较低的性能。该算法的性能优于JP 3D和HEVC-Rext以及CALIC、JPEG-LS、JPEG 2000、M-CALIC和3D-CALIC。然而，3D-MRP-I25相比，所提出的算法表现出更好的性能。表4针对测试集2，在比特率（bpp）方面，将所提出的算法与不同的无损压缩算法进行比较图像集2CALICJPEG-LSJPEG2000JP3DM-钙3D-CALICHEVC-Rext3D-MRP-I25提出CT_头部4.8474.9965.1854.9155.2104.9604.7454.1084.530CT_Lung_R45.8125.8006.0115.9685.9695.8965.7435.2505.512CT_Lung_R135.4375.6555.5365.6236.0985.7295.8374.7644.983MR_脑6.6256.6516.9347.0076.9026.8426.5306.2336.521MR_神经5.1195.2955.3675.1625.3835.3415.0664.6104.818MR_乳腺4.1113.9324.1634.0704.2884.2273.9443.4953.798平均5.1585.3885.5325.45755.6415.4995.3114.7435.027表5使用针对测试集2（16位深度）的建议算法在不同PAE值下实现的比特率（bpp）测试组2PAE8163264128CT_头部3.612.601.500.920.32CT_Lung_R44.833.902.741.690.62CT_Lung_R133.642.391.230.650.32MR_脑5.254.102.401.810.60MR_神经4.283.812.331.410.81MR_乳腺3.212.552.011.200.51平均4.133.222.051.280.532972M.R. Lone/ Journal of King Saud University从表2和表4可以看出，3D-MRP-I25和LSP具有比所提出的算法更好的性能。原因似乎是与所提出的算法相比，3D-MRP-I25和LSP使用更多数量的连续帧来预测当前帧与现有的一些算法相比，该算法具有更好的压缩效率，其原因然而，不能指出确切的原因，因为与表2和表4中提到的大多数算法相比，所提出的算法具有完全不同的编码机制。表5示出了对应于不同PAE值的所提出的算法的比特率。与无损压缩相比，在PAE值为8、16、32和64时，可以分别节省18%、36%、60%和75%的比特率。 图 4显示CT_Lung_R13_025，其重构版本分别在PAE值16、32、64和128处。此外，图像被缩放以可视化重建图像中的任何失真。如前所述，高位深图像可以维持较大的PAE值，而没有任何视觉失真。图像在这些PAE值下是感知无损的。5.2. 算法的编码复杂度所提出的算法的编码复杂度是衡量其编码器和解码器的执行时间计算复杂度的结果是通过在具有Intel Core i7 CPU的计算机上运行MATLAB R2014b中的算法获得的。3.60 GHz和24 GB RAM。表6示出了针对测试集1，所提出的算法与JP 3D、HEVC-Rext、LSP和FLIF的 从表中可以看出，JP3D编码器和解码器分别比所提出的编码器和解码器快7.7倍和1.35倍。HEVC-Rext编码器比提出的算法慢7.3倍，而HEVC-Rext解码器比提出的算法快9.6倍对于FLIF编解码器，计算复杂度约为所提算法的而LSP编码器和解码器的速度分别是原算法的219.39倍和24.88倍.此外，所提出的编码器和解码器在PAE = 2时比其各自的无损模式快2.2倍和2.23倍。表7示出了测试集2的编码复杂度。JP 3D和HEVC-Rext显示出与所提出的算法类似的关系，如见图4。来自16位深度Lung_CT_R13序列的第25个图像帧的视觉质量，（a）原始，（b）在PAE = 16时重建，（c）在PAE = 32时重建，（d）在PAE = 64时重建，（e）缩放原始，（f）缩放PAE = 16，（g）缩放PAE = 32，以及（h）缩放PAE = 64。表6针对测试集1（8位深度），在编码器/解码器执行时间（以秒为单位）方面，与不同算法相比，所提出算法的编码复杂度测试集1 JP 3D HEVC-Rext LSPFLIF建议建议公司简介ENCDecENCDecENCDecEnc + DecENCDecENCDec联系我们1.781.9878.490.282356.5065.35348.235.971.462.380.61CT_颈动脉1.661.8369.000.292068.8069.31255.39.972.684.791.16CT_颅骨5.325.62211.630.746348.98172.30726.7434.579.3420.305.11CT_腕关节3.744.02163.790.484913.85112.88633.1817.184.448.691.78MR_Liver_T11.421.5470.970.282129.2565.35207.0611.583.183.540.85MR_Liver_T2E11.341.4554.160.221624.8651.49201.849.102.517.091.74MR_儿科_胸部1.781.9186.800.282604.0671.29266.4210.102.641.410.34MR_下垂_头部1.501.6067.210.272016.5462.90262.2411.143.071.480.48平均2.312.49100.250.353007.8583.85362.6213.713.376.211.51M.R. Lone/ Journal of King Saud University2973×××表7针对测试集2（16位深度），在编码器/解码器执行时间（以秒为单位）方面，与不同算法相比，所提出算法的编码复杂度测试组2JP3DHEVC-Rext3D-MRP-I25提出拟议（太平洋建筑工程师学会）= 32）编码器解码器编码器解码器编码器解码器编码器解码器编码器解码器CT_头部4.495.01137.830.7215357.542.6530.268.7113.633.76CT_Lung_R413.6514.00378.481.8083593.596.0988.6624.1051.1014.96CT_Lung_R1312.5112.88427.992.0484142.206.3086.5724.5628.337.60MR_脑5.545.65148.500.7015705.363.0532.048.2716.754.63MR_神经8.438.40231.431.1128628.263.4847.8913.0928.927.89MR_乳腺3.243.3274.480.4013807.163.1413.373.668.802.52平均8.068.21233.061.1340205.684.1149.8013.7324.616.89表8压缩与每个分辨率对应的测试集所需的平均最大内存（MB）测试集分辨率JP 3D HEVC-Rext 3D-MRP-I25建议编码器解码器测试集1 256×256 294. 77 272. 12 42. 05 13. 69 230. 55 92. 19 0. 0031 0. 0031测试集2 256×256 313.67 293.25 74.98 21.00 591.50 126.88 0.0031 0.0031288× 288 303.23 288.06 95.23 27.35 1692.79 126.18 0.0038 0.0038512× 512 473.66 429.58 217.22 59.92 985.64 259.80 0.127 0.127表9比特率，计算复杂性（平均编码器和解码器）和内存要求（平均编码器和解码器）的比较，提出的算法与国家的最先进的算法的无损体积医学图像压缩平均在数据集中的所有图像测试集参数JP3DHEVC-Rext3D-MRP-I25LSP提出测试组1比特率（bpp）1.771.471.081.2671.85复杂性2.450.38636.511545.858.54内存（MB）283.4427.8