Система предикативного сжатия графической информации на основе ее представления в виде полевой структуры

• Автор: Носков, Алексей Борисович
• Шифр специальности: 05.12.13
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Санкт-Петербург
• Количество страниц: 147 с. : ил. + Прил.(257с.: ил.)

1. Анализ существующих методов сжатия графической информации
1Л. Система обработки изображений
1.2. Функция изображения
1.3. Хранение видеоданных
1.3.1. TIFF-формат
1.3.2. GIF-формат
1.3.3. JPEG-формат
1.3.3Л. Дискретное косинусное преобразование (DCT)
1.3.3.2. Квантование
1.3.3.3. Сжатие
1.3.3.4. Перспективы методов сжатия с потерями
1.3.3.5. Техника сжатия JPEG без потерь (Lossless JPEG)
1.3.4. Формат BMP
1.4. Методы сжатия полутоновых изображений
1.4.1. Модель изображения
1.4.2. Предикативное кодирование
1.4.3. Адаптивное квантование
1.4.4. Адаптивное предсказание
1.4.5. Замечания о предикативном кодировании
1.4.6. Системы кодирования с синтезом высокочастотной
составляющей
1.4.7. Кодирование с обрезанием блоков
1.4.8. Метод пирамиды лапласианов
1.4.9. Контурно-текстурная схема
1.4.10. Кодирование цветных изображений
1.4.11. Кодирование псевдоцветами
1.5. Точность восстановления изображения
1.6. Обобщение характеристик и особенностей различных графических форматов
1.7. Выводы
2. Разработка концепции сжатия и математической модели изображений на основе их представления в виде
полевых структур
2.1. Математическая модель

2.2. Переход от «аналоговой» модели к «цифровой»
2.2.1. Особенности дискретной модели
2.2.2. Экспериментальная проверка цифровой модели
2.3. Вероятностные оценки сжатия на основе полевой модели
2.3.1. Применение формулы Шеннона для оценки информативности графических изображений
2.3.2. Возможности сжатия за счет устранения плоскостной
корреляции
2.4. Первоначальная модель системы сжатия
2.4.1. Процедура разделения исходного изображения
2.4.2. Экспериментальная проверка эффективности разделения
изображения на предикативное и остаточное поле
2.5. Выводы
3. Разработка замкнутой программной системы сжатия визуальной информации на основе полевой модели
3.1. Структура замкнутой системы сжатия
3.2. Процедуры и интерфейс замкнутой системы сжатия
3.3. Оценка эффективности сжатия
3.4. Выводы
4. Усовершенствование системы сжатия на основе полевой модели
4.1. Улучшение цветовой насыщенности предикативного поля
4.1.1. Поле цветности как совокупность решений краевых задач для
полностью перекрывающих исходное изображение зон
4.1.2. Приближенное решение краевой задачи для каждой зоны
4.1.3. Разработка алгоритма
4.2. Подсистема сжатия контурной информации на основе кромок
4.3. Преимущества подсистемы сжатия цепочек на основе кромок
4.4. Алгоритм сжатия кромок
4.5. Построение конечной улучшенной системы сжатия

4.6. Применение системы предикативного сжатия в Интернет
4.7. Выводы
Заключение
ЛИТЕРАТУРА
1.4.11. Кодирование псевдоцветами
Существует метод кодирования цветных изображений, альтернативный описанному выше. Он базируется на методах распознавания образов. Цвета изображения, представленного первичными 1ЮВ - изображениями, могут рассматриваться как точки в цветовом 1ШВ-пространстве. Цвета любого конкретного аналогового или цифрового цветного изображения обычно группируются в цветовом пространстве в виде кластеров. Если в качестве представителя кластера выбрать один цвет, например, центроида кластера, и каждый такой цвет-представитель пометить цветовым кодом, то цветное изображение можно закодировать изображением цветовых кодов и кодовой таблицей, содержащей определения цветов для каждого цветового кода (координаты цветов-представителей в цветовом пространстве). Чтобы вывести цветное изображение на дисплей, достаточно загрузить в буфер дисплея изображение цветовых кодов, а в таблицу цветов - кодовую таблицу. Один из вариантов такой схемы кодирования цветов предложен Ву [11] (рис. 1.8).
Рис. 1.8. Блок-схема метода кодирования псевдоцветом
Каждый пиксель исходного цветного изображения рассматривается как вектор-образ [г, /ь- Чтобы получить информацию о цветовых кластерах,
сначала вычисляют распределение исходного цветового изображения в ЯОВ-пространстве, а затем преобразуют его в однородное цветовое пространство. Для поиска цветовых кластеров и параметров их распределения (средних