Compression 串行化足部压力图的最佳无损压缩技术

我正在研究人类脚的压力感应，我需要通过串行通信实时传输帧

典型帧如下所示，由平坦背景和非平坦数据组成：

传输速度目前是一个瓶颈，这是由

串行.发送

命令造成的微控制器开销造成的，因此工程师正在使用压缩图像，由于背景平坦，连续，这似乎很好，但我们希望进一步压缩图像

我尝试了“坐标列表”编码格式（

List

where

val

>0），但大小非常相似，以至于RLE不会产生显著差异

在对此进行一些研究时，人们说“不要重新发明轮子，对于任何类型的图像都有很多经过测试的压缩算法”，因此我想知道下面显示的图像类型的最佳压缩算法是什么，考虑到：

压缩性能（因为它将由微控制器执行）

大小-因为它是通过串行发送的，这是当前的瓶颈（sic）

另一种方法是使用“稀疏矩阵”概念（而不是“图像压缩”概念），它看起来像是，或CSR，我不太了解如何实现和如何正确序列化，更不用说它与图像压缩技术相比会如何

更新： 我用我用来创建图像的数据创建了一个。这些是压缩方法的结果（每个条目一个字节）：

• 普通：（

  [n行，n列，*数据]

  ）：2290字节
• 坐标列表：（

  [*（i，j，val）]

  ）：936字节
• 运行长度编码：（

  [*（行长度，rle对）]

  ）：846字节
• 列表列表：690字节
• 列表的压缩列表：（参见Gist）498字节

提出的算法 下面是一个可能的算法，它只使用简单的操作[1]，内存占用少（没有双关语）

它似乎工作得相当好，但当然，它应该在几个不同的数据集上进行测试，以便更准确地了解其效率

将矩阵划分为4x4像素的13x11块

对于每个区块：

• 如果块为空，则发出位“0”
• 如果块不是空的：
• 发射位“1”
• 在此块中发出非零像素的16位位位掩码
• 发出8位值，表示在此块中找到的最小值（0除外）
• 如果只有一个非零像素，请停在此处[2]
• emit 3位值，表示对该块中的每个非零像素进行编码所需的位数：b=ceil（log2（max+1-min））
• 以N x b位的形式发出非零像素数据

它基于以下观察结果：

• 矩阵中的许多块是空的
• 足迹边界处的非空块通常有许多空单元（传感器上的“压力”/“无压力”转换是突然的）

---

[1] 显然没有浮点运算。在算法描述中使用的log2（）操作可以很容易地替换为与1、2、4、8、16……的简单比较。。。最多256个

[2] 这是一个小优化，不会经常触发。解码器必须通过计算例如：

（msk&-msk）=msk

来检测位掩码中仅设置了一个位

块编码示例

我们考虑下面的块：

 0,  0,  0,  0
12,  0,  0,  0
21, 20,  0,  0
28, 23,  0,  0

非零像素的位掩码为：

 0,  0,  0,  0
 1,  0,  0,  0  =  0000100011001100
 1,  1,  0,  0
 1,  1,  0,  0

最小值为

12

（00001100），编码每个非零像素所需的位数为

5

（101），如log2（28+1-12）~=4.09

最后，让我们对非零像素进行编码：

  [ 12, 21, 20, 28, 23 ]
- [ 12, 12, 12, 12, 12 ]
------------------------
= [  0,  9,  8, 16, 11 ] = [ 00000, 01001, 01000, 10000, 01011 ]

因此，该块的最终编码为：

1 0000100011001100 00001100 101 00000 01001 01000 10000 01011

长度为53位（与未压缩格式中的16*8=128位相反）

然而，最大的增益来自编码为单个位的空块。矩阵中有许多空块这一事实是该算法的一个重要假设

演示 以下是一些在原始数据集上工作的JS演示代码：

var nEmpty，未填充；
函数压缩（矩阵）{
变量x，y，数据=“”；
nEmpty=nFilled=0；
对于（y=0；y<44；y+=4）{
对于（x=0；x<52；x+=4）{
数据+=压缩块（矩阵x，y）；
}
}
日志（“空块：+nEmpty”）；
控制台日志（“填充块：+N填充）；
log（“每个块的平均位：”+（data.length/（nEmpty+nFilled））.toFixed（2））；
log（“每个填充块的平均位：”+（（data.length-nEmpty）/nFilled.toFixed（2））；
log（“最终压缩大小：“+data.length+”位-->”+（（data.length+7）>>3）+“字节”）；
}
函数压缩块（矩阵，x，y）{
var最小值=0x100，最大值=0，msk=0，数据=[]，
宽度，v，x0，y0；
对于（y0=0；y0<4；y0++）{
对于（x0=0；x0<4；x0++）{
if（v=矩阵[y+y0][x+x0]）{
msk |=1我将测试JPEG-LS。它是一种非常快速的算法，为多种类型的图像提供最先进的无损压缩结果。特别是，它的预测算法将在平坦区域提供与RLE相当的结果，在脚部区域提供更好的结果

由于要传输多个帧，并且这些帧可能非常相似，因此在应用JPEG-LS之前，可能需要尝试从下一帧中减去一帧（不过，在使用JPEG-LS之前，可能需要将像素重新映射为正整数）

如果您不需要严格的无损压缩（即，如果您可以容忍重建图像中的某些失真），您可以测试接近无损模式，这将限制最大绝对误差intr