面向同步辐射光源图像的可并行智能压缩方法

作     者：符世园 张敏行 高宇 汪璐 程耀东 FU Shiyuan;ZHANG Minxing;GAO Yu;WANG Lu;CHENG Yaodong

作者机构：中国科学院高能物理研究所北京100049 中国科学院大学北京100049 中国科学院高能物理研究所天府宇宙线研究中心成都610041 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2023年第49卷第1期

页      面：234-241,249页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金“面向多数据中心的LHAASO科学大数据管理系统及关键技术研究”(12075268)。 

主　　题：无损压缩 同步辐射光源图像 深度学习 可逆量化 概率距离 

摘      要：在建的高能同步辐射光源预计会产生海量原始数据,其中硬X射线实验线站产生的图像数据占比最高且具有高分辨率和高帧率的特点,亟需有效的无损压缩方法缓解存储和传输压力,然而现有通用无损压缩方法对该类图像压缩效果不佳,基于深度学习的无损压缩方法又耗时较长。结合同步辐射光源图像的特点,提出一种在保证图像压缩比前提下的可并行智能无损图像压缩方法。通过参数自适应的可逆分区量化方法,大幅缩小图像经过时间差分后的像素值分布范围,能够节省20%以上的存储空间。将以CNN为基础架构的时空学习网络C-Zip作为概率预测器,同时以数据集为单位过拟合训练模型进一步优化图像压缩比。针对压缩过程中耗时较长的算术编码过程,利用概率距离量化代替算术编码,结合深度学习进行无损编码,增加编码过程的并行度。实验结果表明,该方法的图像压缩比相比于PNG、FLIF等传统图像无损压缩方法提升了0.23~0.58,对于同步辐射光源图像具有更好的压缩效果。