信息压缩（精选11篇）
信息压缩 篇1
所谓压缩, 本质上讲就是借助特定的编码, 对文件数据进行重新组织, 去除信息中的冗余, 以实现文件“瘦身”的效果。在教学过程中, 学生会对无损压缩的原理产生困惑, 归结起来主要有两个方面:①字符信息在无损压缩的过程中究竟是如何处理的呢?②压缩既然是编码方式的调整, 那何以说这种调整能够实现去除冗余信息的目的呢?
● 课堂实验的引入
为了帮助学生进行理解, 笔者借鉴了陈凯老师在《中国信息技术教育》杂志上开设的栏目“信息技术课程内容设计集锦”系列文章中《更多信息, 更少容量》一文的内容, 在课堂上引入了这个实验:先打开附件中的记事本, 利用键盘输入并保存一个含有全部不重复英文大小写字母的文本文件, 其大小为26个字节 (每个字母占一个字节) , 使用计算机中安装的Win RAR压缩软件对其进行无损压缩, 再观察其压缩后文件的大小。学生就会发现, 压缩完之后文件所占空间不仅没有缩小, 反而增大了许多。其原因学生很容易理解, 压缩一个文件不仅是转换一种编码方式, 同时文件还被做了一个“加壳”操作, 新格式的文件中含有描述自身特性和编码方式的相关内容, 而这些必要的信息描述本身则会占去相对较多的文件容量。
接下来让学生尝试进行若干实验, 从观察中发现问题, 从而引出他们对压缩编码的一些思考。
按照操作要求, 在原始文件内增加字符信息, 然后观察文件压缩前与文件压缩后容量的变化情况。尝试的操作有:将某个字母重复多次;添加重复的单词;将整个字母表复制、粘贴多次等。使用Win RAR软件进行压缩, 压缩前后文件大小的对比如表1所示 (内容仅作参考) 。
对比观察后, 学生可以得出如下结论:①在一定次数的整体复制后, 压缩软件会将重复的字母过滤掉, 无论多少次操作, 压缩文件的大小基本不变;②若在字母表中添加不重复字符, 则压缩软件在压缩时就显得力不从心了。
● 实验以及现象的解释
为了更深入地了解字符压缩的方法, 笔者又让学生继续尝试新的实验。
首先, 还是使用记事本文件新建两个纯字符的文本文档, 使用键盘在第一个文档中输入一整句英语绕口令“canyoucanacanasacannercancanacan” (你能够像罐头工人一样装罐头吗?) , 并去掉其中的大小写、空格和标点符号, 完成后保存。在第二个文档中输入26个英文小写字母外加“123456”, 完成后保存 (字符数和第一个文档完全相同) 。然后, 分别对这两个文件使用Win RAR进行压缩, 结果如上页表2所示。
实验结果和学生想象的有很大出入, 大家都以为第一个记事本文件压缩后会更小, 因为其中存在很多反复出现的单词 (即所谓的冗余信息) , 而第二个记事本文件中未出现一个重复字符, 可最终压缩后的文件大小竟然是一样的。若要解释这个问题, 就必须对压缩机制作更深入的分析。
其实, 压缩软件在对文件进行压缩前, 首先会对将要被压缩的文件进行检索。检索过程中压缩软件会将一部分字符挑选出来, 放到一个指定的位置, 称之为“搜索缓冲区”或者“字典库”。之后在进行字符压缩时, 若检索到出现的字符在字典库中已经存在, 就用对应关系来替换字符本身, 以达到缩小空间的目的。
上述实验中之所以两个文件在压缩后大小都一样, 主要是因为两个文件中的内容都被整体当作字典放入了字典库中, 也就是说只有当字典库中放入了一定规模的字符信息后, 压缩软件才真正开始表现出压缩功能。
● 字典法压缩实践
初步介绍了压缩软件的工作机制之后, 笔者又尝试让学生进行如下小实验:用人脑, 而不是用计算机来对文本进行压缩。希望学生能在这个过程中, 体会字典法压缩的原理。
先打开记事本文件, 输入一段英语绕口令 (A writer writes:Don’t write write as rite.) , 保存并查看文件大小 (42个字节, 其中包含空格和标点符号) 。然后取其中若干个字符作为字典, 以字典法来进行信息的压缩, 将压缩后的信息内容保存到另外一个记事本文件中, 并观察对比文件大小的变化。压缩时, 以前面的几个字符作为字典, 具体字典信息如表3所示。
若在压缩时, 绕口令中有连续两个字符与字典库中所存在的字符相符, 那就用两位数字表示从第几个字符开始取几个字符, 如35表示write。如果字符并没有在字典中出现过, 则要标注上0, 如0s就表示s这个字符不在字典中, 以免解压缩时产生混淆。另外, 有些字符虽然出现在字典中, 但只有一个字符与字典相符, 这样也就未必需要使用到字典。
根据规则, 压缩后的信息如表4所示。
通过对比, 发现压缩前后文件缩小了1个字节, 字典法在压缩过程中起了一定的作用。
以此作为基础, 笔者又让学生尝试对之前使用过的英语绕口令 (加入空格字符) 使用字典法进行压缩 (如表5) , 让学生先讨论并寻找适合的字典放入字典库中, 然后根据自己所选择的字典进行相应的压缩。
如表6、下页表7所示, 是学生讨论探究后尝试使用的部分字典以及使用该字典进行压缩后的信息及信息大小, 针对不同的字典笔者发现有很多值得和学生探究的地方。
使用这个字典后, 学生发现压缩率的高低与字典有很密切的关系, 如果使用了不合理的字典, 字符在压缩后, 空间不仅不会缩小, 反而会变大。
使用这个字典后, 学生会发现压缩后文件的大小明显减小了。因此, 笔者又提出问题:压缩后信息中的“126”代表什么意思?还原时是否会出现问题?学生会发现其中有歧义:是从12位置取6个字符, 还是从1位置取26个字符。所以如果使用字典内容过多需要用两位来标识的话, 那么压缩时所有涉及的内容都应用两位来标识。于是, 为了能够压缩信息, 字典选取和编码方式都要有所调整, 这一次, 不仅扩大了字典, 而且规定用2个字符来索引字典的位置, 用2个字符来存放字符的长度 (如表8) 。
学生尝试以后发现, 如果文件中数据本来就不多, 想要对它进行压缩, 是相当困难的事情。
在探索的过程中, 有部分学生尝试使用“can a”或“can a can”作为字典进行压缩, 所得文本大小相较原文本也有所减小。然而, 对这种方法笔者又提出了质疑:在编码过程中是否遗漏了什么因素?学生思考后提出了问题:这两个字典本身并不处在压缩语句的首部, 而是从中间开始节选的, 除非在编码过程中另外补充信息说明, 否则不能简单拿来使用, 如果要使用文件中间的内容来作为字典, 则在压缩时还需要考虑字典本身的偏移量, 这样一来, 又需要额外增加压缩后文件的大小。讨论到这里, 笔者引出当前很流行的LZ压缩编码, 建议有兴趣的学生可以研究一下:编码的设计者是如何将字典本身所占容量尽可能减少的?这又是一个值得自主学习探索的好课题。
带领学生研究字典法压缩的过程, 实际上是一个不断完善细节的过程, 只有亲自实验, 学生才能体会到将一个看上去简单的理论落实为可应用的实际方案, 过程中需要克服很多困难!
信息压缩 篇2
压缩文件时，CPU需要执行复杂的压缩算法，通常在压缩一个大文件时会导致系统整体性能变慢很多，有时甚至无法打开其他程序，使用进程管理器就可以看到WinRAR的CPU占用率了。而解压缩时需要硬盘读写大量的数据，因此，硬盘的缓存、转速都会影响解压缩速度。另外，硬盘中含有大量碎片的话，也会降低解压缩的速度。
问：我有一台笔记本电脑和一台台式机，配置如下，台式机：赛扬2.0GHz，内存512MB，硬盘是Sata120GB、7200转/分钟，笔记本：赛扬2.0GHz、内存768MB，硬盘是80GB、5400转/分钟。WinRAR同样的参数设置情况下，在压缩和解压缩同一个文件时，所花的时间相差近四倍。请问，对于WinRAR压缩、解压缩时，什么因素制约着压缩、解压缩速度？
答：在压缩时，压缩速度主要取决于CPU，同时也受内存大小的影响，但最主要是CPU，很多情况下CPU成了压缩工具压缩速度的瓶颈，即使其他配置非常好，如果CPU速率低的话，同样不会提高压缩速度。而解压缩时，解压速度一般受硬盘读写速度、内存大小的限制，解压缩时CPU使用率不如压缩时高。
打开暴风影音提示脚本引擎初始化失败
问：今天使用Ghost恢复系统后，再从网上下载了新版本的暴风影音播放器，所有媒体文件的图标都变成了暴风影音的新图标，但双击后却不能打开，提示“脚本引擎初始化失败”。请问这该如何解决？（读者论坛提问）
答：首先到http://www.microsoft.com/downloads/details.aspx?FamilyID=d7e31492-2595-49e6-8c02-1426fec693ac&DisplayLang=en下載“ sct10en.exe”，直接用WinRAR打开此文件，然后提到里面的“msscript.ocx”文件，再将其拷贝到c:Windows目录下。单击“开始/运行”，在打开的运行对话框中输入“regsvr32 c:windowsmsscript.ocx”并回车，重新运行暴风影音播放器即可。
如何在TC中使用字母快速定位
问：在资源管理器中，可以通过键入文件名的前几个字母来快速定位，现在改用TotalCommander（简称TC）了，如何让TC也能像系统资源管理器那样能够直接通过字母来快速定位文件？
答：不知道你安装的是什么版本，最新版本的TC默认就支持使用字母来快速定位文件。你可以单击菜单“设置/选项”，在打开的窗口中选择“快速搜索”，然后选择右侧窗口中的“快速搜索”下面的“仅字母”项，最后保存设置即可（见图）。
千千静听为何无法物理删除文件
问：在千千静听中我已经将硬盘中的所有歌曲添加到播放列表中了，在欣赏音乐过程中，对于一些不好听的歌曲我想直接将其从硬盘中删除，但右击播放列表中的歌曲时，弹出的快捷菜单中的物理删除选项是灰色不可用状态。请问如何才能实现物理删除音乐？（读者论坛提问）
答：右击千千静听播放器主窗口标题栏，选择“千千选项”，在打开的窗口中选择“播放列表”选项，再取消选择右侧窗口中的“禁用物理文件删除功能”选项，最后保存设置即可（见图）。
金山词霸显示音标为乱码
问：我刚下载了金山词霸程序，其他使用一切正常，只是在翻译单词时音标显示为乱码。请问这是什么原因，应该如何解决？
答：这是由于金山词霸音标字体“ksphonet”不能被系统正常调用而导致的，解决方法：
将词霸安装目录中的“ksphonet”文件安装到fonts文件夹中即可：先将fonts文件夹打开，然后使用“文件”菜单下的“安装新字体”进行字体安装。
想了解更多精彩电脑问答？请登录
信息压缩 篇3
压缩感知 (Compressive Sensing, CS) [1,2,3]是一种新的信息获取理论。压缩感知理论建立在Candès, Romberg和Tao以及Donoho的工作上, 他们提出并证明一个在某一种基下可以稀疏表示的信号可以通过一部分投影信息重构出来。与传统的奈奎斯特采样定理不同, 该理论指出, 只要信号是稀疏的或者在某个基下可压缩, 就可以利用随机测量矩阵把高维空间上的信号稳定的嵌入到低维空间上。信号在低维空间上的投影包含了重构信号所需要的足够信息, 可以用低维空间上的少量采样值精确重构出原始信号。
当前, 对压缩感知理论的研究大多是以精确重构信号为目的。然而, 在许多信号处理应用中, 信号获取的最终目的并不是重构原始信号, 而仅仅是完成一个检测决定[4,5,6,7,8,9], 像在许多通信系统或者雷达系统中的信号检测任务[10]。在许多情况下, 由于压缩感知的采样值已经保持了原始信号的结构和相关信息, 即使不精确重构信号也可以通过处理压缩感知的采样值完成信号的检测[6,8]。
在基于压缩感知的稀疏信号检测具体算法方面, 一种基于匹配追踪 (Matching Pursuit, MP) 的非相关检测和估计算法[5]已经被提出。该算法通过比较利用部分重构算法得到的最大稀疏系数和利用蒙特卡洛模拟[5]获得的最优门限之间的大小来完成检测任务。本文提出一种基于稀疏信号结构信息的检测方法, 该方法可以分为两部分, 包括一种基于压缩采样匹配追踪 (Compressive Sampling Matching Pursuit, Co Sa MP) [11]的部分重构算法和一种新的检测判定方法。
本文内容安排如下。第二部分介绍压缩感知基础理论。第三部分我们提出并分析基于稀疏信号结构信息的压缩检测方法。第四部分我们通过仿真实验结果来验证提出方法的有效性。最后, 第五部分总结工作并为以后的工作提出方向。
压缩感知理论
压缩感知理论主要包括信号的稀疏表示、编码测量和重构算法三个方面。对于一个信号x∈RN, 假设其稀疏度为k (k
式中:Φ满足约束等距性条件 (Restricted Isometry Property, RIP) [6,11]。现在考虑由采样值y重构原始信号x, 首先应基于采样值y获得x在其变换域Ψ上的稀疏表示θ, 然后在此基础上结合相应的变换基获得原始信号。这可以通过0l范数优化问题找到具有稀疏结构的解:
式中, , 由于式 (2) 的优化问题是一个难求解的NP-hard (Nondeterministic Polynomial-time hard) 问题, 所以可以用1l约束[4,5]取代l0约束:
基于稀疏信号结构信息的压缩检测算法
假设信号s是一个确定的已知的稀疏信号, 我们考虑以下两种假设:
式中:s∈RN, 且稀疏度为k (k
检测的任务就是通过处理采样值y来判断感兴趣的已知信号s的有无。假设信号s在变换域内满足稀疏度为k, 即:
式中:Ψs和θs分别表示变换基和相应的稀疏系数。根据部分重构的思想我们可以通过采样值获得信号在变换基Ψs上的稀疏系数估计值 。本文中我们采用基于压缩采样匹配追踪[11] (Compressive Sampling Matching Pursuit, Co Sa MP) 的部分重构算法来获得估计值。与基于匹配追踪的重构算法相比, 基于压缩采样匹配追踪的重构算法性能更好。由于我们不需要精确重构出原始信号, 我们调整压缩采样匹配追踪算法为部分重构算法, 具体算法如下:
令 , 迭代次数设为T, T值应小于精确重构所需要的迭代次数。设信号s在变换域Ψ内的稀疏度为k, 则算法具体步骤如下:
(3) 合并:Z=Ω∪sup (qt-1) 。
(6) 更新采样: 。
(7) 迭代次数t加1, 若t
(8) 输出部分重构信号 。
获得估计值 后, 我们就可以利用提出的新的判定方法来完成检测任务。具体的判定方法会在下面详细介绍。
θs可以用下面的集合方式表示:
对于目标信号s, 对应稀疏系数值越大, 其可重构出来的概率越大, 反之, 越小的稀疏系数越容易淹没于噪声中, 从而无法重构出来。因此, 我们引入可重构率的概念, 具体定义如下式:
当位置相似度小于某一值时, 我们可以认为位置信息相似度太低, 目标信号不存在。本文中, 我们定义位置相似度门限为目标信号的最大稀疏系数对应的可重构率与最小稀疏系数对应的可重构率之和, 即:
表示位置相似度门限。若位置相似度大于所设门限, 这时, 需要通过幅值信息来判断目标信号的有无。文献[4]通过比较部分重构算法所得的最大稀疏系数与所设门限的大小关系来判断目标信号的有无。在该算法中, 门限是通过模特卡洛模拟的方法得到的, 然而, 实际中门限的设置比较困难, 门限对噪声比较敏感, 门限设置不恰当会严重影响检测性能。在本文中, 我们提出一种新的方法来完成检测判决, 该方法避免了门限的设置, 同时仿真结果表明该方法具有很好的检测性能。具体方法如下:
在位置信息满足一定相似度的基础上, 我们利用部分重构出的估计值 中具有最大可重构率的稀疏系数的幅值信息, 假设这一稀疏系数对应的位置信息为, 对应的幅值信息为
当假设H1成立时, 估计值 中的 与对应的θs中的 在数值大小上是近似的, 在一定SNR下 的统计特性满足如下分布:
我们可以得到:
当假设H0成立时, 部分重构出的信息满足一定的位置相似度的概率很低, 当位置相似度满足条件时, 我们可以根据幅值信息差异来完成判决。对应于H1情况, 在一定SNR下, H0情况下 统计特性满足如下分布:
我们可以推导出:
综合以上分析, 我们可以得到如下的判决方法:
仿真结果和分析
设s是一个长度N=25 6稀疏信号, 其稀疏度k=6。Φ是一个大小为M×N的测量矩阵, 其元素满足高斯分布, M为压缩感知采样点数。实验中假设H1和H0出现的先验概率为Pr (H1) =Pr (H0) =.05, 检测成功率为2000次检测实验的统计结果。同时规定, 检测成功率高于95%时, 检测才有意义[7], 在实验结果中表现为标准线这一条直线。
首先我们验证本文提出的判决方法的有效性。我们对比不同信噪比下本文提出方法与文献[4]采用的方法的检测成功率, 这里部分重构算法我们分别采用文献[4]提出的匹配追踪 (MP) 算法和改进的压缩采样匹配追踪 (Co Sa MP) 算法, 判决方法也分别采用文献[4]的门限判决方法和本文提出的基于信号结构信息的判决方法。令采样点数M=80, 信噪比SNR的变化范围为[-10, 10], 步进为1。实验结果如图1所示。
从图1可以看出, 本文提出的基于结构信息的判决方法更具优势, 同时, 采用Co Sa MP的部分重构算法比采用MP的部分重构算法获得的结构信息更可靠。下面我们研究测量点数对检测性能的影响。在仿真实验中, 我们设迭代次数T=6, 固定信噪比SNR=-2d B, 图2为仿真实验结果。
从图中可以看出, 提出方法比原有方法更有优势, 即使采用原有的部分重构算法, 在判决部分采取本文提出方法, 检测性能也有所提升。另外, 从性能曲线的变化趋势, 我们可以看出检测性能随测量点数的增加变得越来越好, 这是由于测量点数增多, 测量信号中包含的目标信号的结构信息越丰富, 部分重构得到的估计信息更可靠。
然后, 我们验证迭代次数对检测成功率及检测时间的影响。实验结果如图3和图4所示。
仿真实验中, 对于图3所示的实验, 我们考虑了SNR=-2d B和S N R=3 d B的情况, 测量点数为100;对于图4所示的实验, 我们设置SN R=1 0 d B, 测量点数为100, 检测时间定义为1000次检测所用的时间。从图3可以看出, 本文提出方法检测性能很稳定, 迭代次数对检测性能的影响很小, 这是由于采用Co Sa MP的部分重构算法在迭代次数很少的情况下就能获得足够的用于判决的结构信息, 而采用MP的部分重构算法需要迭代次数达到一定程度时, 才能获得可靠的结构信息。另外, 从图4可以看出, 采用Co Sa MP部分重构算法检测方法要比采用MP部分重构算法的检测方法在时间上更有优势, 速度更快。综合图3和图4, 我们可以得出, 本文提出方法在迭代次数很小的情况下也能快速、可靠地检测出目标信号的有无。
为了进一步验证算法的有效性, 下面针对应用于雷达系统中的线性调频信号进行检测。在雷达系统中, 线性调频信号是一种非常重要的信号形式, 信号瞬时频带宽的特性虽然提高了雷达系统的目标检测及识别能力, 却给信号采集及数据处理带来极大压力, 如何使用较少的采集数据完成检测是一个关键技术[7]。在这里, 我们使用文献[12]中的四参量chirplet字典来生成线性调频信号。设生成的线性调频信号的信号长度为1024, 相对chirplet字典的稀疏系数满足正态分布[4], 这里稀疏度设为5, 信噪比为10d B。下面验证本文所提算法与MP检测算法在不同测量点数下的对线性调频信号的检测性能。
从图中可以看出, 本文所提算法能使用较少的测量点数获得较高的检测性能, 这可以减轻接收系统系统在采样和数据处理方面的压力。
结束语
本文基于稀疏信号的结构信息提出一种新的压缩检测方法, 该方法利用改进的压缩采样匹配追踪 (Co Sa MP) 部分重构算法获得目标信号的估计, 通过对比位置与幅值信息的相似度来完成检测。与原有的检测方法相比, 本文提出的方法更高效、更快速、更稳定。实验结果表明, 在低信噪比时, 本文方法在较少的迭代次数下, 可以使用较少的采样数据获得较高的检测成功率。
参考文献
[1]E.Candès, J.Romberg, and T.Tao, Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information[J], IEEE Trans.Inf.Theory.2006, 52 (2) :489–509.
[2]D.Donoho, Compressed sensing[J], IEEE Transaction on Information Theory, 2006, 52 (4) :1289-1306.
[3]Y.Tsaig, D.L.Donoho, Extensions of compressed sensing[J], Signal Processing.2006, 86 (3) :549–571.
[4]M.F.Duarte, M.A.Davenport, M.B.Wakin, R.G.Baraniuk, Sparse signal detection from incoherent projection[C], IEEE Int.Conf.Acoustics Speech and Signal Processing (ICASSP) , Toulouse, France, May 2006, 305-308.
[5]Jun Wu, Naian Liu, Yanfei Zhang, Changlin Shen.Blind detection of frequency hopping signals based on compressive sensing[C].Consumer Electronic, Communication and Networks (CECNet) , 2012, 1691-1694.
[6]J.Haupt, R.Nowak, A.Yeh, Compressive sampling for signal classification[C], In 2006 Asilomar Conf.on Signals, System&Computer, Oct.2006, 1430-1434.
[7]刘冰, 付平, 孟升卫.基于正交匹配追踪的压缩感知信号检测算法[J].仪器仪表学报, 2009, 31, (9) :1959-1964
[8]J.Haupt, R.Nowak.Compressed sampling for signal detection[C].IEEE Int.Conf.on Acoustics, Speech, and Signal Processing (ICASSP) , Honolulu, Hawaii April 2007, 1509-1512
[9]刘冰, 付平, 孟升卫.基于采样值数字特征的压缩感知信号检测算法[J].仪器仪表学报, 2011, 32, (3) :577-582
[10]Joachim H.G.Ender, On compressive sensing applied to radar[J], Signal Processing.2010, 90 (5) :1402–1414.
[11]D.Needell and J.A.Tropp.CoSaMP:Iterative signal recovery from incomplete and inaccurate samples[J], Applied and Computational Harmonic Analysis, 2009, 26 (3) :301–321.
信息压缩 篇4
文件后缀解压/解包压缩/打包备注*.tartar xvf file.tartar cvf file.tar srcDirtar*.gzgunzip file.gzgzip -d file.gzgzip filegzip*.tar.gz
*.tgz
tar zxvf file.tar.gz
tar zxvf file.tgz
tar zcvf file.tar.gz srcDirtar & gunzip*.bz2bzip2 -d file.bz2bunzip2 file.bz2bzip2 -z file-or-dirbzip2*.tar.bz2tar jxvf file.tar.bz2tar jcvf file.tar.bz2 srcDirbzip2*.bzbzip2 -d file.bz
bunzip2 file.bzbzip2自动创建bz2格式文件，无法创建bz格式bzip2*.tar.bztar jxvf file.tar.bz同上bzip2*.Zuncompress file.Zcompress file-or-dircompress*.tar.Ztar Zxvf file.tar.Ztar Zcvf file.tar.Z fileOrDircompress*.tar.xzxz -d file.tar.xz
tar -xvf file.tar (两条命令一起）
或者
tar -Jxvf file.tar.xz
tar -cvf file.tar fileOrDir
xz -z file.tar
或
tar -Jcvf file.tar.xz fileOrDir
xz*.lzmalzma -d file.lzmaunlzma file.lzmalzma fileOrDirlzma*.tar.lzmalzma -dkf file.tar.lzmalzma -kf file.tarlzma*.zipunzip file.zipzip file.zip fileOrDirzip*.7z7za x file.7z7za a file.7z fileOrDir7zip*.rarrar x file.rarrar a file.rar fileOrDirrar/unrar, unrar不能创建压缩包*.lhalha -e file.lhalha -a file.lha fileOrDir*.rpmrpm2cpio file.rpm | cpio -div*.debar p file.deb file.tar.gz|tar zxf -
*.tar
*.tgz
*.tar.gz
*.tar.Z
*.tar.bz
*.tar.bz2
*.zip
*.cpio
*.rpm
*.deb
*.slp
*.arj
*.rar
*.ace
*.lha
*.lzh
*.lzx
*.lzs
*.arc
*.sda
*.sfx
*.lnx
*.zoo
*.cab
*.kar
*.cpt
*.pit
*.sit
*.sea.tar
*.tgz
*.tar.gz
*.tar.Z
*.tar.bz
*.tar.bz2
*.zip
*.cpio
*.rpm
*.deb
*.slp
*.arj
*.rar
*.ace
*.lha
*.lzh
*.lzx
*.lzs
*.arc
*.sda
*.sfx
*.lnx
*.zoo
*.cab
*.kar
*.cpt
*.pit
*.sit
*.sea
sEx x file.*sEx a file.* fileOrDirsEx本身没有实际功能，只是根据文件名后缀调用对应的程序完成相应功能，具体的后缀名需要的程序还需要另外安装，Linux中常用的压缩和解压缩命令汇总
。参考文章：
Tar online document
Compressing files under Linux or UNIX cheat sheet
LZIP
Z:simple tar &feathering
XZ
神奇的Google:Linux 压缩解压
文件类型执行动作命令.tar解包tar xvf FileName.tar.tar打包tar cvf FileName.tar DirName.gz解压1gunzip FileName.gz.gz解压2gzip -d FileName.gz.gz压缩gzip FileName.tar.gz 和 .tgz解压tar zxvf FileName.tar.gz.tar.gz 和 .tgz压缩tar zcvf FileName.tar.gz DirName.bz2解压1bzip2 -d FileName.bz2.bz2解压2bunzip2 FileName.bz2.bz2压缩bzip2 -z FileName.tar.bz2解压tar jxvf FileName.tar.bz2.tar.bz2压缩tar jcvf FileName.tar.bz2 DirName.bz解压1bzip2 -d FileName.bz.bz解压2bunzip2 FileName.bz.tar.bz解压tar jxvf FileName.tar.bz.Z解压uncompress FileName.Z.Z压缩compress FileName.tar.Z解压tar Zxvf FileName.tar.Z.tar.Z压缩tar Zcvf FileName.tar.Z DirName.zip解压unzip FileName.zip.zip压缩zip FileName.zip DirName.rar解压rar x FileName.rar.rar压缩rar a FileName.rar DirName注意：rar请到：www.rarsoft.com/download.htm 下载并解压后，请将rar_static拷贝到/usr/bin目录(其他由$PATH环境变量指定的目录也可以)：
复制代码
代码如下:
[root@www2 tmp]# cp rar_static /usr/bin/rar
其他压缩和解压缩命令：
.rpm (解包：rpm2cpio FileName.rpm | cpio -div);
.deb(解包：ar p FileName.deb data.tar.gz | tar zxf -)
.tar
解包： tar xvf FileName.tar
打包：tar cvf FileName.tar DirName
(注：tar是打包，不是压缩!)
---------------------------------------------
.gz
解压1：gunzip FileName.gz
解压2：gzip -d FileName.gz
压缩：gzip FileName
.tar.gz
解压：tar zxvf FileName.tar.gz
压缩：tar zcvf FileName.tar.gz DirName
---------------------------------------------
.bz2
解压1：bzip2 -d FileName.bz2
解压2：bunzip2 FileName.bz2
压缩： bzip2 -z FileName
.tar.bz2
解压：tar jxvf FileName.tar.bz2
压缩：tar jcvf FileName.tar.bz2 DirName
---------------------------------------------
.bz
解压1：bzip2 -d FileName.bz
解压2：bunzip2 FileName.bz
压缩：未知
.tar.bz
解压：tar jxvf FileName.tar.bz
压缩：未知
---------------------------------------------
.Z
解压：uncompress FileName.Z
压缩：compress FileName
.tar.Z
解压：tar Zxvf FileName.tar.Z
压缩：tar Zcvf FileName.tar.Z DirName
---------------------------------------------
.tgz
解压：tar zxvf FileName.tgz
压缩：未知
.tar.tgz
解压：tar zxvf FileName.tar.tgz
压缩：tar zcvf FileName.tar.tgz FileName
---------------------------------------------
.zip
解压：unzip FileName.zip
压缩：zip FileName.zip DirName
---------------------------------------------
.rar
解压：rar a FileName.rar
压缩：r ar e FileName.rar
rar请到：www.rarsoft.com/download.htm 下载!
解压后请将rar_static拷贝到/usr/bin目录(其他由$PATH环境变量指定的目录也可以)：
[root@www2 tmp]# cp rar_static /usr/bin/rar
---------------------------------------------
.lha
解压：lha -e FileName.lha
压缩：lha -a FileName.lha FileName
lha请到：www.infor.kanazawa-it.ac.jp/.../lhaunix/下载!
>解压后请将lha拷贝到/usr/bin目录(其他由$PATH环境变量指定的目录也可以)：
[root@www2 tmp]# cp lha /usr/bin/
---------------------------------------------
.rpm
解包：rpm2cpio FileName.rpm | cpio -div
---------------------------------------------
.tar .tgz .tar.gz .tar.Z .tar.bz .tar.bz2 .zip .cpio .rpm .deb .slp .arj .rar .ace .lha .lzh
.lzx .lzs .arc .sda .sfx .lnx .zoo .cab .kar .cpt .pit .sit .sea
解压：sEx x FileName.*
压缩：sEx a FileName.* FileName
sEx只是调用相关程序，本身并无压缩、解压功能，请注意!
sEx请到： sourceforge.net/projects/sex下载!
解压后请将sEx拷贝到/usr/bin目录(其他由$PATH环境变量指定的目录也可以)：
[root@www2 tmp]# cp sEx /usr/bin/
参考文献：Linux 文件压缩工具指南
果蔬变成压缩糖 篇5
河南水果产业有很多自己的名牌产品，如灵宝的苹果、开封的西瓜等，每年都遇到销售难题，如果让消费者换一种方法吃水果，就可以为农民找到新的销售市场。有了这个想法，魏幸福就和在美国搞食品科研工作的朋友取得联系，获得了水果制成浓缩果蔬产品的技术资料和配力。经过反复试验，魏幸福成功生产出了第一批浓缩果蔬产品。他带着产品参加了上海中国国际食品展览会，结果竟获得创新人奖。会后，上海一家食品厂主动与魏幸福联系合作，双方达成协议，由魏幸福负责产品技术、原料，对方负责产品销售。2005年年底，浓缩果蔬产品成功走进上海市场，每周销量在300～500件左右。下一步，老魏打算推出更多新产品。
鄂小学生发明“带电吹风的拖把”
湖北由漳县实验小学学生邹吴洋发明了一种“带电吹风的拖把”，近日，获得中国实用新型专利。这是该县开展发明创造素质教育以来，第一位小学生获得中国专利。
邹吴泽是南漳县实验小学六年级(二)班学生，看到妈妈每次拖地湿水不易干，特别是冬天潮湿的地面很滑，更答易引人滑倒摔跤。于是，萌生发明的念头。
现在市面上使用的拖把，有海绵吸水式和布条拖把等各种各样形式，但拖湿地而后，要马上让地面干燥却没有办法。为了解决这问题，邹吴洋灵机一动设计了一种带电吹风的拖把，即可用水拖地面，又能使用电吹风即刻吹干地面。
据了解，南漳县科技局知识产权局在全县企业和中小学校，人力开展了科技创新和鼓励发明创造活动。特别是在中小学校的素质教育中，广泛开展了发明创造活动，激发了青少年的发明创造热情。
水生蔬菜市场前景看好
信息压缩 篇6
数据压缩存储主要应用于多媒体、数据传媒、数据通信领域, 而制造业企业信息化应用得较少。例如:1992年MPEG (Moving Picture Experts Group) 提出了多媒体数据压缩的行业标准-MPEG-1:支持家庭电视播放级的视、音频数据;1994年又通过了面向演播级的2Mbps-30Mbps的MPEG-2标准。随着多媒体数据技术及压缩方法的改进, MPEG-4随后也被提出来, MPEG-4的研究分为基于数据和基于模型两种。基于数据的研究方法主要有:边缘检测、区域生长、聚类法、松弛法;基于模型的方法主要有:Kass提出的Snake模型、Bhandarkar提出的组合优化模型、Klinker提出的物料模型和MRF统计模型。
针对数据库存储背景下的数据压缩算法, 基于小波理论的数据压缩研究成为热门的研究领域之一, 因为小波Mallat算法不仅可以把数据按多尺度方式进行分解, 形成较为简单的形式存储, 而且还可以减少空间的利用率。其主要思想是:把要存储的原始数据按小波Mallat方法进行分解, 把分解的结果按MainPart和Relationship进行存储;然后再对第一次分解的结果MainPart再重复Mallat分解, 直到满足原先既定的要求为止。
小波Mallat分解首先定义数据源:Date={xi|xi∈ (x1, x2, x3...) }, 数据关系函数:DateRelation={xi, xj}以上i, j∈N;再定义数据源与Mallat分解方法的参数集的小波函数, k为任意的整数。Mallat算法把数据源加在尺度方程和构造方程上, 对于任意的数据源函数:Date={xi|xi∈ (x1, x2, x3...) }, DateRelation={xi, xj}, 变换成以下方程组的形式:
通过变换后的方程, 利用小波的变换形成正交和分解关系, 最后建立数据源与变换系数和小波系数的关系。
2、问题模型
首先假设数据流函数f (x1, x2, x3...) , 先将数据流信号进行小波变换, 按以下的形式把数据流函数进行分解:
根据多分辨分析思想, 数据流的分解过程实际上是尺度变换fk (ta, tb, tc...ti) 和小波变换gk-1 (ta, tb, tc...ti) 之间的关系, 它们具有相互依赖的关系, 具体的依赖关系如下所示 (参数ti为时间) :
第二步, 对数据流进行空间的分解, 所谓空间分解即是把数据流的复杂度从高阶空间逐步分解到低维空间进行解析, 这样不仅可以把问题的空间复杂度降低, 另一方面是把解决该问题的时间复杂度降低。按Mallat算法空间分解思想, 可以得到分解过程和空间分解关系如下, 其中Date Relation是数据流关系集, 表示数据流中数据与数据之间各维关系, 比如时间先后、因果、逻辑推理等等:
第三步进行系数的分解过程, 系数的分解过程是其中最重要的一步, 所有的数据通过实时动态的关系联系在一起, 系数一方面用来说明这些数据的内在联系, 另一方面, 通过对系数的分解来压缩存储的数据量, 最重要的是通过系数的分解后, 数据的逻辑性更强, 数据显性更突出。具体的分解过程如图Ⅰ所示, 图中, Cj={cj, n;n∈Z}表示原始数据的系数关系, Dj={dj, n;n∈Z}表示须分解到的低级空间, H, G分别表示Cj和Cj-1, Dj和Dj-1之间的关系信号:
这样分解以后, 我们可以得到分解算法的公式, 如下, 其中condition () 是关系信号集, 表示转换之间的信号, 当还原时须按此信息将数据进行还原:
3、求解方法及分析结果
3.1 模型求解
该模型的求解分为以下几个步骤: (1) 信号的重建; (2) 空间的重建; (3) 系数的重建;模型的求解过程其实是分解的逆向过程, 即:用小波变换对原始数据流进行变换后, 主要的信息通过分解后存放在不同的分解空间里, 对这些分解空间的信息进行还原是该模型解的关键, 因为小波分解后的存储信息大大减少, 其中数据与数据之间的关系另存在关键集中DateRelation={xi, xj}, 因此模型求解的过程就是结合数据关系集, 然后通过重建还原fj-k (x1, x2, x3...) , 变成原始的数据流fj (x1, x2x3...) , 以达到数据压缩存储的目的。大数据量通过小波变换后可以存储主要的信息及信息之间的关系DateRelation={xi, xj}, 重建的过程也就是数据关系的重建及数据的释放, 基于该模型的求解如下所示:
(1) 信号的重建过程:
(2) 空间重建过程:
(3) 系数重建过程, condition (H, G) :
3.2 实验结果及分析
先对测试数据进行整理, 对原数据流小波分解后的系数进行排序, 其中发现, 大多数的小波能量都集中在少数的小波系数上。因此分别采用取所有分解尺度和按多尺度的方法, 按上面的模型进行压缩和分解。
分析结果如下表所示:
由上表可知, 对于大数据量的压缩, 通过多尺度的分解实验表明, 在相同的数据量下, 通过多层的小波分解对于压缩的结果是不同的, 四层的小波分解后得到的压缩比是最高的, 但是随着分解层次越来越大, 压缩比反而越小, 因此最合适的分解层数是四层, 按以上的数据模型可以得到最佳的压缩比和最小的数据存储容量。下图1利用MABLAB仿真对测试数据进行分析, 在实时动态数据传输量为1G的情况下, 分别对数据进行一层, 二层, 四层, 四层, 五层, 六层Mallat小波分解, 分解后的数据存储如图1左图所示, 存储量有一定的压缩比。图Ⅱ右图显示存储关系集所需要的空间增长, 随着分解次数的增加, 关系集也越来越大, 但是与算法压缩后的数据存储量比, 存储关系所花的空间开销并不算特别大, 因此, 该算法具有一定的应用意义。
4、结束语
本文就制造业企业信息化系统数据存储这一问题展开讨论与研究, 采用小波变换多层分解的形式, 提出一种通用数据压缩算法, 该算法通过对数据流的多层分解、空间多层分解、参数多层分解后, 形成按时间为线索的数据压缩流, 保存数据。通过实验表明, 该算法在有限的空间内分解结果良好。但是本算法还存在一些不足, 例如算法的健壮性、实际应用中参数的考虑问题及数据流形式的表示中参数的选择问题, 这些问题在实际的应用过程中可能更加复杂, 因此, 通过改进函数的参数及表达式, 都可以把这类问题进行扩展, 为后续的研究工作作基础。
参考文献
[1]Gilles Debunne, Mathieu Desbrun, Marie-Paule Cani et al.Dy-namic Real-time Deformations using Space&Time AdaptiveSampling, ACM SIGGRAPH, 2001, Page 12-17.
[2]Arabie, P.;Hubert, L.J.;De Soete, G.;Eds., Clustering andClassification, World Scientific, Singapore, 1996.
[3]Fionn Murtagh.Clustering in Massive Data Sets.Chemical DataAnalysis in the Large, 2000, Bozen, Italy.Page 28-51.9.
[4]F.Wang and P.Liu, "Temporal Management of RFID Data", InProc.31st VLDB Conf., 2005, Page 1128-113
信息压缩 篇7
基于电力系统数据压缩,近年来很多学者只重视故障数据的压缩,而实际上,随着电力系统自动化提高,在线监控信息系统、集散控制系统的不断完善,海量过程数据的存储越来越受到人们的重视。离散小波变换有效电力样本采样信号进行多分辨率处理分析,在精度要求细节信息设立门限值,从而得到较高的数据压缩率。
1 电力系统采样数据冗余分析
数据压缩技术指对数据表达式一种压缩式编码,其目的是减少数据的冗余或相关。数据压缩的基础在于数据是信息和冗余度的融合和减少或去除冗余度就可以压缩数据。基于录波数据是以周期正弦信号为基础构成的,所以数据之间存在较强的关联性。通常一般情况下,不但其相邻两个采样点数据之间变化小,同时相邻两周波对应点以及相邻通道对应点之间数据的变化也较小。这时如果记录或传输的不是每个采样点数据本身,而是相邻采样点,或者相邻通道对应采样点之间的数据的变换形式,则数据量会大大减少。或者说减少了数据之间的相关性,从而使数据有效的压缩。而冗余度压缩的简单例子是去除重复数据,稳态采样数据在一段时间内变化很小,则许多连续采样值是重复的,也就是说采样数据有一定的冗余度,采用基于二维提升格式小波变换的数据压缩算法来处理小波变换同时降低信号循环内和循环间的冗余。
2 电力系统超长采样序列二维压缩算法
2.1 电力系统周期性信号二维转换
数据的维数转换,其实质就是无失真信息重组变换的一种形式,具体表现为多媒体数据集合在不同维数的数据空间坐标之间的映射变换。所谓“信息重组”指数据的重新排列与组合,信息重组变换即数据集合上的一个置换。无失真信息重组过程中是没有任何数据丢失的,是无失真的可逆过程,因而可以安全地作用于数据集合,然后无失真地恢复原有数据排列。
2.2 电力系统数据压缩与解压缩算法
在小波变换的数据压缩方法中的应用研究。集成小波变换与神经网络对电能质量数据进行压缩与解压缩,获得了比基于余弦变换和小波变换更高的压缩效果。研究了基于小波包算法的压缩方法。在分析电力系统故障信号成分与特点的基础上探讨了压缩此类数据的小波基选择问题。应用多小波理论对电力系统故障暂态数据进行压缩,获得了比传统小波更好的压缩效果。提出了基于整数小波变换的实时数据压缩和解压缩算法,提高了算法运算效率,更加适合于工程应用。因此提出小波变换过程可以分为分裂、预测、更新和优化提升步四个步骤:
分裂:将输入序列Sj分裂成偶数序列Sj+1和奇数序列dj+1,即把Sj={Sj,0,Sj,1,…,Sj,2K-1}分解成
使得Sj+1,k=Sj,2k,dj+1,k=Sj,2K+1(K∈Z,0≤k≤K)
预测(对偶提升步):针对数据间的相关性,可用Sj+1,k去预测dj+1,k,利用一个预测算子P,求得预测值的差值代替dj+1,k,得:
更新(更新提升步):经过以上两个步骤产生的系数子集Sj+1,k的某些整体性质(如能量、均值、消失矩等)并不和原始数据中的性质一致,因此采用更新过程使其一致,即使得:
更新提升步骤通过一个算子U产生Sj+1,k的一个更好的数据集,定义如下:
优化提升步:可以根据实际情况多次交替的使用对偶提升步和更新提升步来改善小波变换的性质。在上述算法中,只在横轴方向进行小波分解,大大降低了循环间数据冗余,而完整保留了循环内数据的信息量,而且在横轴方向可以压缩任意长度的数据。
3 同步采样法对数据压缩效果的改进研究
上述算法解决了循环间信息与循环内信息耦合故障,但是样条插值计算量很大,采样率越高,计算量也越大,因此本章提出另外一种方法,采用二元线性回归算法对智能电网频率进行实时检测预测,然后进行同步倍频实现等相位同步采样和电力系统数据压缩。
3.1 电力系统同步采样数据采集方法应用研究
基于循环间信息与循环内信息耦合的故障,同步采样技术也是一种新预测方法,采用同步采样法实现整周期采样,可以产生等相位采样时间序列。目前主要有锁相同步法和软件同步采样法。用锁相技术实现了同步采样,但应用锁相技术造成不确定性采样间隔,使得每个采样点的时间信息保存,对电力数据压缩会造成影响。提出了一种双速率采样新方法,这种技术采用软件方法调整采样间隔序列,每个周期内有两种采样间隔,平均效果趋于整周期采样,但该方法的缺点是相位累计误差很大。另外,分析与总结了各种周期性信号软件同步采样方法,并有重要的改进。同步采样大大减弱了循环间数值与循环内数值之间的信息耦合,使得循环间冗余更容易消除,从而容易通获得大的压缩比。
3.2 二元线性回归方法的频率实时预测新方法
智能电网电压在正常条件下,电网频率存在缓慢的变化,在局部范围内可以近似为非常线性与线性变化的,但存在较大测量误差,用内部时钟计时,实时跟踪过零点脉冲信号,采用数理统计原理的方法估计出精度准确的过零点时间,进一步高精度等相位同步采样。
4 结束语
多层电力系统采样数据压缩基于插值的预处理方法,采用快速插值方法,并能够进一步减小插值误差,同时采用同步采样法能够解决插值误差与计算速度的矛盾,但是需要硬件改动,而且在故障情况下采样模式需要特殊处理,数据压缩编码能够跟加密技术同步相结合,提高电力系统数据压缩的质量。
参考文献
[1]张延冬,焦彦军,张举.基于嵌入式系统的故障录波器设计[J].继电器.2005,33(3):62-65.
信息压缩 篇8
与传统网络相比，多媒体传感器网络的主要特征包括[1,2,3]:电池能量有限、通信能力有限、信息类型多样、计算和存储能力有限、以数据和应用为中心等。国内外科研人员高度重视多媒体传感器网络的研究，且在相关技术领域取得了一定进展，但仍然存在大量问题亟待解决。本文分析讨论了多媒体传感器网络中的信息压缩技术，归纳总结了多媒体传感器网络中的音、视频信息以及图像信息的压缩处理方法;在此基础上，给出了多媒体传感器网络中信息压缩处理的整体框架。
1 多媒体传感器网络中的信息压缩技术及整体框架
多媒体传感器网络主要用于场景监测，和传统的传感器网络最大的不同在于引入了音、视频及图像等多媒体信息，从而使场景的监测数据更为丰富际。然而多媒体信息处理的一个重要问题就是数据量巨大，面对多媒体信息的传输、存储、处理和交换等问题以及多媒体传感器网络中节点电源能量、通信能力、计算和存储能力受限的情况，对采集的信息数据进行压缩处理是必需的，下面分别讨论。
1.1 音频信息的压缩处理
现有的语音压缩编码方法归纳起来大致分为三类：波形编码、参数编码和混合编码，具体的压缩标准有：G.7 1 1、G.7 2 6、G.723.1、G.729以及G.729A等等。文献[4]针对多媒体传感器网络中的语音传输，设计了一种在G.726基础上改进的ADPCM编码算法，其主要包括：语音信号输入、计算差分信号、自适应量化、自适应逆量化器、比例因子调整、预测参数调整及重构信号计算几个部分。另外一种思想是在多媒体传感器网络中采用MPEG-4 ALS的编解码技术来实现音频信息的压缩。
1.2 视频信息的压缩处理
已有视频压缩一般采用H.26X等压缩标准[5]。视频信息是多媒体传感器网络中数据量最大的信息，由于节点能量和处理能力的限制，传统针对视频的H.26X和MPEG方法不再适用。分布式编码作为一种全新的视频压缩框架，为解决在多媒体传感器网络视频信息的压缩处理提供了切实可行的解决方案。在多媒体传感器网络中，基于分布式编解码的视频压缩采用对多个具有相关性的信源使用相互独立的编码器进行编码，而在解码时进行联合解码。其最早是分别由Slepian和Wolf在信息编码理论上提出来，其主要包括编码中的变换、量化、二进制化、基于纠错码编码器的编码以及边信息生成和解码等关键步骤。由于分布式视频编码只在解码端使用所有信源的信息，因此编码端的复杂度大大降低，从而可以解决多媒体传感器网络中节点能力受限的问题，同时信道编码思想的采用使得该编码方式从本质上还具有了抗传输错误的能力。在多媒体传感器网络中中基于分布式编解码的视频压缩机制得到了国内外学者们的广泛认可。
1.3 图像信息的压缩处理
现有静态图像编码方式主要包括：JPEG、JPEG2000等，而多媒体传感器网络节点处理能力有限，基于视频压缩处理中的分布式编码的基本思想，传感器网络中图像压缩一般基于分布式图像编码方法。即，通过将图像压缩传输任务分配到每个节点，每个节点运行小波变换进行压缩，再逐层递交，最终实现图像的高效传输。簇头节点将所采集到的图像分成若干个小尺寸图像块，在每个簇内所有节点按照簇头节点的指令，对子图像块执行相同的变换算法，然后簇头负责将本簇内处理结果传递给下一簇头节点，每个簇内节点只对传递过来图像数据的低频系数分块进行下一级频域变换。这样，图像压缩处理的任务分布在信息传输的各个节点上，从而实现图像压缩的分布式处理，降低节点间的通信能耗。
综上，我们可以得到多媒体传感器网络中信息压缩整体框架，如图1所示。
2 展望
作为一种以数据和应用为中心的多媒体传感器网络，信息压缩是数据处理的重要组成部分，现有的多媒体信息压缩算法不能直接使用。目前，传感器网络的信息压缩相关理论研究仍处于起步阶段，相应压缩处理是多媒体传感器网络领域一个重要的问题。
参考文献
[1]马华东, 陶丹.多媒体传感器网络及其研究进展[J].软件学报, 2006, 17 (9) :2013～2028.
[2]孙利民, 李建中, 陈渝, 朱红松.无线传感器网络[M].北京:清华大学出版社, 2005.
[3]李建中, 李金宝, 石胜飞.传感器网络及其数据价理的概念、问题与进展[J].软件学报2003, 14 (10) :1717～1727.
[4]刘翔.支持语音传输的无线传感器网络技术研究[D].武汉理工大学硕士论文, 2008.
信息压缩 篇9
1 高分辨率图像拆分与合并传输原理
由于ADV202[3]所能压缩的每幅图像最大样本数为1.048 M,即1 024×1 024分辨率的图像。所以4 008×5 344分辨率的图像进行传输必须要对图像进行分割压缩,然后在接收端合并恢复出完整的图像。
按照ADV202的技术手册,在采用低压缩比对图像进行压缩时,在解压端可以不考虑图像拆分时的边界效应,直接对图像进行合并。但是在本项目中,必须支持8～80倍的图像压缩。而在80倍图像压缩时,还是会明显感觉出图像间的拼接效果,所以必须要考虑图像的边界效应。
针对以上分析,将4 008×5 344分辨率的图像水平方向拆分成4幅图,垂直方向拆分成6幅图,总共拆成24幅1 024×1 024分辨率的图像进行传输。拆分方法如图1所示。
为了解决图像间水平方向的边界效应,水平方向上每幅图都需要和相邻的图像有一定的图像数据冗余。在接收端,通过冗余的图像数据来覆盖掉边界图像。例如Pic1和Pic2为水平方向相邻的两幅图像,在它们之间引入水平方向24个像素的图像冗余。在接收端,将Pic1每行的最后12个像素点用Pic2的对应像素点替换,这样就可以消除图像间的水平边界效应。每幅图像水平方向的起始像素点和结束像素点如图1(a)所示。
同理,也可以在垂直方向采用相同的方法,每幅图像垂直方向的起始像素点和结束像素点如图1(b)所示。
采用以上方法就可以将4 008×5 344分辨率的图像拆分成如图1(c)所示的24幅具有冗余度的图像。
对于任意一幅图像Pic(x)(x∈[1,24]),其第i行(i∈[0,1 023])和第j列(j∈[0,1 023])像素点对应于原始4 008×5 344分辨率图像的第y个像素点,y值的计算符合式(1)。
其中4 008是水平方向的分辨率;864是每幅图像相对于其垂直方向上一幅图图像的偏移量;,是对(x-1)/4取整数部分,代表Pic所在的行号;n∈[0,5];Bm为每幅图像水平方向的偏移量,B0=0,B1=1 000,B2=1 984,B3=2 984;m=(x-1)/4,对(x-1)/4取余获得。
例如对于Pic(10)中第5行第6列的像素点,其n=2,i=5,j=6,m=1,Bm=B1=1 000,对应于4 008×5 344图像中的第6 946 870个像素点。
2 系统整体设计方案
图像传输系统由数码相片压缩单元和数码相片解压缩单元组成[4,5]。数码相片压缩单元通过Camera Link接口连接数码相机接收数码相片原始数据,并对数码相片原始数据进行压缩,然后将要测数据与压缩数据合成为数码相片数据流,最后将数码相片数据流和码同步时钟通过RS422同步接口输出到下一个设备;数码相片解压单元接收到数码相片数据流后,通过RS422同步接口传送给解压卡,解压卡进行解压后,通过PCI总线把数据传输到PC机上,最后进行数据显示、存储和网络发送等。压缩与解压缩单元组成框图如图2所示。
3 系统工作原理
3.1 图像压缩单元工作原理
即使同时使用两片图像压缩芯片ADV202,也仅仅能够支持一路高清电视的分辨率的图像,与4 008×5 344仍然存在较大差距。因此,考虑采用将一幅图片进行拆分,分为多帧压缩传送,保证整幅照片的数据传送。工作逻辑框图如图3所示。
从Camera Link接收的数据在SDRAM[6,7]中缓存,当数据存满一张完整照片时,采用连续发送的方式将数据送入ADV202压缩,ADV202返回的数据与遥测数据混合成帧,然后发送到AHA4501[8]芯片完成信道编码编码的数据,在FPGA控制下,采用同步方式从RS422数据口输出。
3.2 图像解压缩单元工作原理
在接收端,采用如图4的结构。接收到的信道数据,首先在FPGA内部进行信道解码恢复成图像数据和遥测数据帧,将遥测数据从RS422接口输出,完成遥测数据的处理。
对于接收的图像数据,则通过ADV202进行解压缩,解压缩之后的数据在SDRAM中缓存,一张照片的数据完整后,通过PCI接口将数据发送给计算机主机。
4 图像传输演示
由于4 008×5 344分辨率的Camera Link接口数码相机价格十分昂贵,因此本设计无法采用该相机来进行演示验证。为了证明设备的工作状态,可以首先采用RS422串口来传递高分辨率(4 008×5 344)图像的方法来验证图像压缩和解压缩的功能和效果,如图5(a)所示;然后再利用低分辨率(782×582)的Camera Link接口相机来演示验证Camera Link接口功能,如图5(b)所示。
4.1 串口高分辨率图像传输演示方法
目前图像压缩模块除了Camera Link接口,只有RS422接口可用来接收图像数据。因此,可以利用接收遥测数据的RS422接口来进行高分辨率图像数据的接收,具体连接关系如图5(a)所示。
如图5(a)所示,利用电脑的RS232串口向图像压缩模块发送4 008×5 344分辨率的BMP格式图像,经RS232/RS422转换器变为RS422接口数据由图像压缩模块接收。接收后,图像压缩模块对图像进行分割压缩,然后通过另一个RS422接口传递给图像解压模块。图像解压模块将接收到的图像进行解压,然后通过PCI接口传递给电脑。最终由电脑进行图像的合并及储存显示。图6为图像传输效果图,其中图6(a)为原始图像,图6(b)为接收端解压后拼接恢复的图像。
4.2 Camera Link接口图像传输演示方法
采用串口进行高分辨率图像传输大约需要30 min,而且不能验证Camera Link接口的功能是否正常。所以在通过串口完成高分辨率图像演示验证后,需要利用低分辨率(576×768)的Camera Link接口相机进行Camera Link接口的功能验证。具体连接如图5(b)所示。
如图5(b)所示图像压缩模块通过控制Camera Link接口相机的参数和快门,可以实现对该相机的操作。相机在响应快门操作后,可以利用Camera Link接口将图像数据传递给图像压缩模块。然后图像压缩模块进行图像压缩和传输;图像解压模块在完成图像解压后将图像数据通过PCI接口传递给电脑,并由电脑进行图像存储和显示。图7为图像传输效果图,其中图7(a)为原始图像中拆分后的第一张图(分辨率1 024×1 024),图7(b)为经过8倍压缩/解压后合并回复后的图像(分辨率4 008×5 344)。
本设计实现了基于Altera公司的StratixTMⅡ系列FPGA EP2S30F484I5芯片和数码相机CV-A10CL的高分辨率数码照片的图像传输系统。通过FPGA对数码相机CV-A10CL、压缩/解压缩芯片ADV202、信道编码芯片AHA4501、存储芯片SDRAM和PCI总线的控制和数码照片图像数据的处理,完成数码照片的压缩、传输、解压缩及显示的全过程。高分辨率图像的拆分和合并技术解决了高分辨率数码照片传输难和芯片处理能力有限的问题,也利用冗余的图像数据消除了图像在拼接时的边界效应。串口高分辨率图像传输演示和Camera Link接口图像传输演示结果验证了本设计的可靠性和实用性。
摘要：应用Altera公司的Strati(TM)Ⅱ系列FPGA EP2S30F48415芯片和基于Camera Link接口的数码相机CV-A1OCL,设计实现了对高分辨率黑白数字图像进行拆分压缩、解压缩及PCI总线接入拼接恢复的系统。系统分为数码相片压缩单元、数码相片解压缩单元和基于MFC的图像拼接恢复程序。数码相片压缩单元完成对来自相机Camera Link接口数据的接收、缓存、图像数据压缩并发送,数码相片解压缩单元完成对接收到的已压缩的图像数据进解压缩,并将解压缩后的图像数据通过PCI总线传输至PC上显示。
关键词：FPGA,Camera Link,ADV202,PCI总线,图像的拆分压缩,解压缩拼接
参考文献
[1]PULNiX.Camera Link Specifications[S].2000.
[2]The Mechademic Company.Digital monochrome and color progressive scan cameras CV-A10CL and CV-A70cCL operation manual[S].2005.
[3]ANALOG DEVICES.ADV202 JPEG2000 Video Processor User's Guide(Revision 3.3)[S].2005.
[4]张德联,张帆.基于Camera Iink的高速数据采集压缩系统[J].科学技术与工程,2008,8(18):5253-5255.
[5]何中翔,杨世洪.基于Camera Link的实时显示技术研究[J].现代显示,2008(93):31-35.
[6]杨海涛,苏涛,巫蠓.基于FPGA的SDRAM控制器的设计与实现[J].电子技术应用,2007,33(1):8-12.
[7]Micron Technology.Synchronous DRAM[S].2000.
云朵压缩机 篇10
云云正在家里写作业，外面突然刮起强劲的南风。
沙尘暴又来了？
云云跑到门口张望，果然，南面的沙漠里先是出现了一个黑点，然后如同海里的波浪滚滚而来，越来越大，越来越快，不久便成了一座高达几十米的沙浪。
“快进屋，云云！”正在赶着羊群进圈的爸爸催促道。
可云云却丢下笔向外跑，“我要去保护我的罗布小红麻。”
“沙尘暴这么猛烈，跑到毫无遮挡的野外真是太危险了！”爸爸一把拉住了云云。
眨眼间黄沙漫天。
云云生活在塔里木河下游的一个小绿洲上，由于塔里木河下游经常断流，沙尘暴肆虐，这片绿洲已经日渐萎缩，原本人丁兴旺的绿洲上，如今只剩下三户人家了。再这样下去，过不了多长时间，云云恐怕也要被迫搬家了。
这片一直被云云精心照料的罗布小红麻是这个绿洲上唯一的小红麻花。
沙尘暴咆哮着冲上绿洲，现场天昏地暗、飞沙走石。云云焦急地望着窗外，希望沙尘暴快些结束。
就这样过了十几分钟，沙尘暴折腾够了，才满意地离开。
爸爸这才松开云云，云云着急地冲出家门，冲上沙堆，双手拼命地挖着黄沙，她要看看她的罗布小红麻怎么样了。
爸爸看着着急的女儿，也跟了过去，赶紧用力地挖起黄沙。
“天哪！”云云伤心地尖叫，“它们都被可恶的沙尘暴压趴下了。”
“看，我挖出了一只鸟，它居然还活着。”爸爸惊喜万分，双手捧起鸟儿仔细检查，见它还生龙活虎，就放到旁边继续挖沙。
“这是什么？”爸爸还是没有挖出罗布小红麻，这次却挖出一个奇怪的机器。
“难道被埋的鸟儿没死与它有关？”爸爸有些疑惑。
可云云已顾不上其他，一边挖沙一边吩咐爸爸：“鸟儿活着就先不管它吧，先挖出罗布小红麻。”
“云云，这次我也挖出好几株罗布小红麻了，虽然它们被压倒了，但它们没断。”爸爸也欣喜地叫道。
“可惜！是我没能保护好它们。”望着被打翻在地的小红麻，云云满脸的伤心。要是有水就好了，只要一点点水，这些坚强的小花就会重新挺直腰杆的。
可在这沙漠里，最缺的就是水了。塔里木河已经断流，从深井里打出的水只勉强够自己家用，爸爸是不允许云云动用的。
哪里才能找到水呀？
正当云云愁眉不展的时候，一股散发着海洋气息的湿气突然包围了她。抬头一看，湿气竟然是从爸爸刚才挖出的那台奇怪的机器的出气孔里排出来的，而且越排越多，不久便聚成了一朵厚厚的云，托着云云慢悠悠地离开地面。
“爸爸，我飞起来了。”云云有些害怕。
淅淅沥沥……
突然，一阵小雨落下来，原本奄奄一息的罗布小红麻又迎风招展起来。
这是一朵能下雨的云！
爸爸很好奇，仔细地研究着这台奇怪的机器，看到上面有一行小字：氧气制造及云朵压缩机。
“云云，这是一台氧气制造与云朵压缩机，难怪那只被埋的鸟儿没有死。难道这是老天被你护花的诚心感动，才派了这么个神奇的机器来帮你！”
“真的吗？真是太好啦！”云云兴奋极了，她做梦都想战胜干旱，让动植物在绿洲上安家。
云朵似乎感受到了她的愿望，飞到了高空。
哗……
一阵大雨浇下，干枯的胡杨树开始抽出嫩芽，枯萎的小草又焕发了勃勃的生机，在沙漠的进攻面前节节败退的绿洲开始重整旗鼓，收复失地。
云朵向前飞去，前面是一个大绿洲，沙尘暴正在那里逞威风，不把这大片绿洲攻占誓不罢休。
哗……
一阵暴雨劈头盖脸而来，沙尘暴再也威风不起来，乖乖地趴在地上当泥土了。
云朵带着云云在干旱的塔克拉玛干沙漠上空不停地播洒着生命之水，断流的塔里木河又欢快地流淌起来，一个个绿洲开始由小变大，由点连成线，由线连成片。原来的不毛之地变成了水草丰美的西北水乡。
云云这才知道，那台神奇的机器是把海洋上的积雨云压缩进去，然后带到沙漠里释放出来。
把塔克拉玛干沙漠改造完毕后，云云并没有从云朵上下来。她立志拯救所有被沙漠威胁的生命，又带着云朵压缩机马不停蹄地赶往新的目标——非洲撒哈拉大沙漠。
罗布麻
信息压缩 篇11
关键词：压缩感知,高压输电铁塔,图像压缩,图像重构
高压输电铁塔是输电系统的重要组成部分, 对输电线路起到支撑和保护的作用, 随着高压输电规模的日益阔大和工业对输电安全的需求日益增加, 高压输电铁塔状态监测受到越来越多的关注。目前在线式高压输电铁塔状态监测大都采用移动通信网络 (3G/4G) 对现场信息进行传输, 移动通信网络的数据流量费用在系统运行成本中占有很大的比例, 而系统传输的数据流量中, 图像信息的流量几乎占到了系统传输总流量的80%, 图像的大小直接影响系统的运行成本。因此, 在保证图像质量的前提下, 有效减少图像数据流量, 可以降低系统的运行成本。为此, 本文提出了将压缩感知技术用于图像的压缩和重构中, 在保证图像质量满足要求的前提下, 在高压输电铁塔状态监测终端采用压缩感知技术对图像进行压缩, 在监控中心采用压缩感知技术对压缩后后==的的图图像像进进行重构, 恢复高压输电铁塔现场图像。
1 压缩感知
压缩感知 (Compressed Sensing, Compressive Sensing, Compressed Sampling, CS) 是2006年David等[1]提出的一种全新的信号采样理论, 它突破了奈奎斯特定理的对对==采采样样频频率率限制条件, 它利用原始信号或者原始信号经过变换后信号的稀疏性, 在远小于奈奎斯特采样率的条件下, 采用随机采样的方法获取信号的离散样本, 然后采用非线性重建方法, 重构原始信号。
压缩传感的核心思想为[2]:若原始信号X长度为N, 且本身是稀疏的或在某个紧框架或正交基φ上有稀疏性, 那么可将信号X通过一个与变换基φ不相关的测量矩阵ΦM×N (M>K, M<<N) 进行非自适应线性投影, 得到不仅保持信号X结构并且远小于信号X长度的测量值y (M×1) 。最后通过对数值最优化问题的求解来准确地重构原始信号X。其数学模型如式1:
式中, θ=Φφ为M×N的线性测量矩阵。S是N维稀疏向量。压缩传感的重构过程为从测量向量y=θS中恢复出N维信号X。首先通过对公式 (2) 的逆问题求解得到稀疏系数S, 然后将X代入到公式x=φS中, 将稀疏度为K的信号X正确恢复出来。通过对公式 (1-2) 的优化问题来求解公式 (1) 的逆问题, 就可以实现对原始信号的精确重构。
2 基于压缩感知的高压输电铁塔图像压缩
2.1 图像的稀疏化
采集的高压输电铁塔图像不是稀疏化, 为了实现图像的高效压缩, 本文采用离散余弦变换对图像数据进行稀疏化处理, 使其满足压缩感知对信源信号的要去。设图像信号f (x, y) 是M×N的二维图像, 其二维离散余弦变换可以表示为:
反变换可以表示为:
2.2 图像的恢复重建
广义正交匹配追踪[3] (Generalized Or thogonal Matching Pursuit, GOMP) 重构算法的原理如下:以贪婪迭代的方法选取测量矩阵中与当前残差最大程度相关的S列。把每次迭代找出的这S列填充到支撑集中。求出当前残差在当次迭代形成的支撑集中的投影。从残杀中减去该投影从而产生新的残差。反复迭代直到信号残差小于一个阈值ε或者迭代次数达到t (t=min= (K, M/S) ) 次时, 停止迭代。该算法的输入参数为测量向量y, 测量矩阵Φ, 信号稀疏度K, 每次迭代选择的原子数S。特别地, 在信号稀疏度K未知的情况下, 可采用阈值法来作为迭代停止条件。同时S可以取得小一点, 以保证重构算法收敛。该算法输出参数为原始信号x的稀疏逼近。具体实现步骤如下:
步骤1初始化。r0=y, 0Λ=∅, A0=∅。
步骤2计算μ=abs[ATrt-1], 选择μ中值最大的前S个原子, 将其对应的μ的序列号j构成集合J。
步骤3更新支撑集。。
步骤4求y=Atθt的最小二乘解, 。
步骤5更新残差。rt=y-Atθt。
步骤6判断停止条件:迭代次数且残差时, 迭代进行。超出条件, 迭代停止, 恢复稀疏信号。
步骤7重构所得在Λt处有非零项, 其值分别为最后一次迭代所得。
3 实验仿真与分析
为验证算法的有效性, 本文采用高压输电铁塔图像作为信源图像, 首先采用离散余弦变换对其进行稀疏化处理, 然后采用压缩感知的方法对稀疏化的信号进行采样压缩和重构。图1是原始的高压输电铁塔灰度图像和通过压缩感知方法和离散余弦反变换恢复回来的高压输电铁塔灰度图像。从图1中可以看出, 二者恢复出的高压输电铁塔图像很好地保留了原始图像对输电铁塔组件的清晰度, 从恢复出的图像中可以清晰地辨识输电铁塔自身状态, 说明采用压缩感知方法对图像进行压缩和重构是有效的, 本文算法的原始灰度图像大小为60K, 压缩后的图像大小为40K, 图像压缩了1/3, 有效降低了图像传输的数据流量。
4 结语
本文提出了将压缩感知技术应用于高压输电铁塔图像压缩和重构中, 实现了高压输电铁塔图像的有效压缩和重构, 压缩后的图像大小是压缩前的1/3, 有效地减少了传输图像所需的数据流量, 节省了高压输电铁塔状态监测系统运行成, 而且提高了系统的实时性。
参考文献
[1]DAVID D.Compressed sensing[J].Information Theory, 2006 (4) :1289-1306.
[2]代林芳.基于压缩传感的电能质量扰动信号检测研究[D].哈尔滨:东北电力大学, 2014.