Метод контекстной компрессии изображений с малыми потерями в качестве

• Автор: Володин, Алексей Борисович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Санкт-Петербург
• Количество страниц: 169 с. : ил

ВВЕДЕНИЕ
Г ЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ КОНТЕКСТНОЙ СУБПОЛОСНОЙ КОМПРЕССИИ ИЗОБРАЖЕНИЙ

1.1. Обобщенная структурная схема адаптивного субполосного кодера

1.2. Линейное ортогональное преобразование

1.3. Квантование

1.4. Статистическая модель трансформант субполосного разложения

1.5. Вопрос декоррелированности и взаимозависимости трансформант субполосного разложения

1.6. Системный анализ схем адаптивной контекстной классификации вэйвлеткоэфипиентов

1.7. Особенности энтропийного кодирования в адаптивных системах

1.8. Условная энтропия как мера эффективности скалярной информационной модели

Выводы
ГЛАВА 2. АДАПТИВНАЯ КЛАССИФИКАЦИЯ НА ОСНОВЕ КОНТЕКСТА ВЫСШИХ ПРОСТРАНСТВЕННОЧАСТОТНЫХ ПОДДИАПАЗОНОВ
2.1. Физические причины корреляции с коэффициентами высших пространственночастотных поддиапазонов
2.2. Анализ современных методов субполосной компрессии, использующих корреляцию с трансформантами высших пространственночастотных поддиапазонов
2.2.1. Использование корреляции по незначимости
2.2.2. Использование корреляции по незначимости
2.3. Предлагаемый алгоритм построения информационной модели контекста высших пространственночастотных поддиапазонов
2.4. Исследование предлагаемого алгоритма построения информационной модели
контекста высших пространственночастотных поддиапазонов
2.4.1. Построение оператора псевдопроецирования на примере целочисленного вэйвлета 2
2.4.2. Сравнение эффективности предлагаемого и классического алгоритмов построения информационной модели
2.4.3. Исследование эффективности построения информационной модели в предлагаемом алгоритме в зависимости от частотного уровня
2.4.4. Исследование влияния квантования на эффективность построения информационной модели в предлагаемом алгоритме
Выводы
ГЛАВА 3. АДАПТИВНАЯ КЛАССИФИКАЦИЯ НА ОСНОВЕ ЛОКАЛЬНОГО ПРОСТРАНСТВЕННОЧАСТОТНОГО КОНТЕКСТА
3.1. Физические причины появления локальных пространственночастотных взаимосвязей
3.2. Анализ современных методов субгюлосной компрессии, использующих локальные пространственночастотные взаимосвязи
3.2.1. Использование энергии вместо значения трансформанты
3.2.2. Использование множественной линейной регрессии по соседям для скаляризации контекстной информационной модели
3.2.3. Использование квантования контекстов для сокращения размерности контекстной информационной модели
3.3. Предлагаемый алгоритм скаляризации контекстной информационной модели
3.3.1. Экспериментальное обоснование
3.3.2. Сравнение эффективности предлагаемою алгоритма скаляризации информационной модели с алгоритмом на основе МЛР
3.4. Предлагаемый алгоритм адаптивной классификации вэйвлеткоэффициентов путем последовательного контекстного разделения
3.4.1. Проблема контекстной классификации субполосных трансформант
3.4.2. Последовательное контекстное разделение
Выводы
ГЛАВА 4. АДАПТИВНАЯ КЛАССИФИКАЦИЯ НА ОСНОВЕ ЦВЕТОКОМПОНЕНТНОГО ПРОСТРАНСТВЕННОЧАСТОТНОГО КОНТЕКСТА
4.1. Цветокомпонентный контекст в задачах перцептуальной субполосной компрессии изображений
4.1.1. Исследование цветокомпонентных пространственночастотных взаимосвязей
4.1.2. Физические причины появления цветокомпонентных пространственночастотных взаимосвязей
4.1.3. Особенности перцептуального кодирования цветных изображений
4.2. Анализ современных алгоритмов субполосной компрессии, использующих цветокомпонентную корреляцию
4.3. Расширение предлагаемого алгоритма скаляризации контекстной информационной модели на случай цветокомпонентиого контекста
4.3.1. Понятие цветовых объектов
4.3.2. Введение взаимной активности цветокомпонент как меры принадлежности к идентичным цветовым объектам
4.3.3. Экспериментальные исследования сравнительной эффективности предлагаемого расширения процедуры скаляризации контекстной модели
Выводы
ГЛАВА 5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ПРЕДЛОЖЕННЫХ АЛГОРИТМОВ В СОСТАВЕ СИСТЕМЫ АДАПТИВНОЙ КОМПРЕССИИ СТАТИЧЕСКИХ ИЗОБРАЖЕНИЙ
5.1. Структура системы компрессии РМ1ГМ и анализ ее отдельных блоков
5.2. Исследование сравнительной эффективности системы БМИЛТО
5.2.1. Критерии сравнения программных систем компрессии
5.2.2. Сравнительная эффективность компрессии без потерь
5.2.3. Сравнительная эффективность перцепту альной компрессии
Выводы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Использование адаптивного квантования1 является первой возможностью введения адаптивности к изображению. В случае вэйвлетпреобразования полученные коэффициенты требуют большей точности большего числа двоичных единиц для своего представления, чем исходные пиксели изображения, и квантование необходимо для того, чтобы уменьшить число двоичных единиц, необходимых для их представления, и удалить, таким образом, содержащуюся в них избыточность. Кроме того, квантование служит удалению психофизической избыточности, существующей в изображении. Эта специфика человеческого зрения позволяет квантовать различные пространственночастотные диапазоны коэффициентов на различное число уровней квантования адекватно чувствительности глаза. Регулированием шага квантования регулируется качество восстановленного изображения. Теоретически, первой возможностью введения адаптивности является адаптивный выбор декоррелирующего преобразования вэйвлетфункции. Однако, вследствие того, что окончательное решение об адаптивном выборе может быть принято только после этапа энтропийного кодирования то есть последнего этапа, вся эффективность принятого решения может быть сведена на нет вариативностью параметров квантователя, контекстного разделителя и энтропийного кодера. Кроме того, очевидно, что такая адаптация будет иметь очень большую вычислительную сложность. Поэтому в системах сжатия такой вид адаптации не используется. Исключение составляет целочисленное выйвлетпреобразование. Любой квантователь характеризуется значением выходных уровней i где 0,1, . К1 и размерами квантовых ячеек х,. Важно, что существует два принципиально различных подхода к определению этой меры. Первый подход математический. Г
1. Второй подход психофизический. Здесь критерием искажения является степень заметности этого искажения для человеческого глаза, а его мерой оценка наблюдателя. Как будет показано в пятой главе, в задачах с малыми потерями в качестве человек не способен оценить степень искажения и, поэтому, в этом случае остатся лишь математический подход к определению оптимальности. Задачей создания наилучшего квантователя является, таким образом, построение квантователя с минимальной . Мы можем разделить существующие схемы адаптивного квантования на два класса адаптация вперед и адаптация назад см. Рис. Типы схем адаптивного квантования. Р блок предсказания. В схеме адаптации вперед кодер принимает решение о том, как квантовать текущий коэффициент коэффициенты на основе анализа поступающих на вход коэффициентов. Поскольку это решение принимается на основе информации, недоступной декодеру, сведения о принятом решении должны быть включены в информационный поток для того, чтобы обеспечить корректное декодирование. В случае схемы адаптации назад квантователь принимает решения на основе только что прокванто ванных коэффициентов. Эта информация доступна декодеру и, поэтому, дополнительные сведения в информационный поток не включаются. Недостатком этой схемы является усложнение декодера он должен содержать в себе весь решающий аппарат кодера. Эффективность обоих схем сильно зависит от конкретной реализации и входных данных, поэтому сделать выводы о превосходстве той или иной схемы не представляется возможным. Однако в большинстве случаев адаптация назад оказывается более эффективной, поэтому в ходе дальнейшего изложения мы будем рассматривать именно этот подход. Если ранние работы по адаптивному квантованию в основном занимались рассмотрением вопроса адаптации равномерного квантователя к динамическому диапазону входных данных, то современные исследования включают в адаптивное квантование обновление размеров квантовых ячеек и положений квантовых уровней. Существует следующий аргумент в пользу того, чтобы не использовать адаптивности на этапе квантования в задачах перцептуальной компрессии изображений дело в том, что при уменьшении шага квантования, искажения, вносимые квантователем, уменьшаются, и искажения, полученные при сложном квантовании по адаптивным алгоритмам становятся мало отличными от искажений, полученных при равномерном квантовании.