Компрессия цифровых изображений на основе векторного квантования и контекстного кодирования в области дискретных преобразований

• Автор: Коплович, Дмитрий Михайлович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Москва
• Количество страниц: 150 с. : ил.

Содержание

Используемые сокращения

Введение

Глава 1. Сжатие изображений понятия, проблемы, возможные решения.

1.1. Дискретные и цифровые изображения.

1.2. Идеи методов сжатия изображений.

1.3. Межэлементная избыточность

1.3.1. Дифференциальные методы.

1.3.2. Декоррелирующие преобразования

1.4. Визуальная избыточность квантование

1.4.1. Скалярный квантователь

1.4.2. Векторный квантователь
1.5. Кодовая избыточность
1.5.1. Коды Хаффмана.
1.5.2. Арифметическое кодирование
1.6. Критерий качества изображения.
1.7. как пример метода компрессии в области преобразования
1.8. Постановка задачи диссертационного исследования.
Глава 2. Векторное квантование в области дискретных преобразований
2.1. Проблема построения векторного квантователя.
2.2. Оптимальный векторный квантователь и его свойства.
2.3. Алгоритм практическая реализация векторного
квантователя
2.3.1. Недостатки алгоритма
2.4. Адаптивное векторное квантование
2.5. Трудности применения векторного квантования.
2.6. Алгоритм кластеризации коррелированных данных.
2.7. Тестирование алгоритма кластеризации
2.8. Выводы
Глава 3. Сжатие изображений на основе векторного квантования коэффициентов ДКП.
3.1. Краткий обзор существующих подходов.
3.2. Корреляция между коэффициентами ДКГ
3.3. Юоптимизация алгоритма кодирования.
3.4. Задание начальной кодовой книги алгоритма
3.5. Общая схема метода сжатия изображений.
3.5.1. Построение кодовых книг по обучающей
последовательности векторов
3.5.2. Сжатие изображения
3.6. Заключение
Глава 4. Контекстное кодирование коэффициентов дискретного вейвлет
преобразования
4.1. Использование ДВП для сжатия данных.
4.2. Достоинства ДВП при практическом применении.
4.3. Методы сжатия изображений на основе ДВП.
4.4. Принцип контекстного кодирования
4.5. Применение контекстного моделирования совместно
со статистическим кодированием.
4.6. Корреляция коэффициентов ДВП
4.7. Метод 8Г3
4.8. Модификация метода ЭГС.
4.9. Дальнейшее развитие метода 8РС.
4 Метод сжатия изображений на основе контекстного векторного квантования и контекстного скалярного кодирования
коэффициентов ДВП
41. Предпосылки
42. Контекстное скалярное кодирование КСК
43. Контекстное векторное квантование КВК
44. Полное описание метода сжатия изображений.
4 Заключение.
Глава 5. Результаты тестирования разработанных методов
5.1. Метод сжатия изображений на основе ДКП и адаптивного
векторного квантования
5.1.1. Сравнение с существующими методами сжатия
изображений
5.2. Модифицированный алгоритм сжатия изображений на основе
контекстного кодирования коэффициентов ДВП.
5.3. Метод сжатия изображений на основе контекстного весгорного квантования и контекстного скалярного кодирования коэффициентов ДВП
5.3.1. Реализация метода.
5.3.2. Характеристики полученного алгоритма
5.3.3. Тестирование алгоритма сжатия.
5.3.4. Результаты
5.4. Заключение
Заключение и общие выводы
Литература


По теме диссертации опубликовано четырнадцать работ [5-9, -, 9, 0], среди которых три статьи [, , ] в ведущих рецензируемых научных журналах, четыре доклада [9, , 9, 0] в трудах международных конференций (из них два [9, 0] — на английском языке), а также две программы для ЭВМ [, ], зарегистрированные в установленном порядке (см. ДВП требует существенно более низких вычислительных затрат по сравнению с модифицированным алгоритмом на основе контекстного кодирования коэффициентов ДВП и показывает результаты на уровне JPEG-. Структура диссертации. Диссертация изложена на 0 страницах, состоит из пяти глав и трех приложений, содержит рисунка и таблицы. Первая глава диссертации — вводная. Во второй главе описаны предпосылки и основные идеи, которые легли в основу метода компрессии изображений, предложенного в третьей главе. Рассмотрен алгоритм LBG, строящий кодовые книги для векторного квантования, проанализированы его недостатки. Подробно описан алгоритм адаптивного векторного квантования GTR, а также алгоритм разделения (кластеризации) коррелированных данных на небольшие подмножества, которые можно подвергать векторному квантованию. Третья глава содержит дстальное описание предложенного метода сжатия изображений, основанного на ДКП. Также проведен краткий обзор существующих подходов к задаче сжатия изображений с помощью векторного квантования. Проведено экспериментальное исследование статистических связей внутри блока ДКП, а также связей между ДКП-блоками изображения. Описаны основные принципы теории RD-опти. В четвертой главе приведено описание методов и алгоритмов компрессии изображений на основе ДВП: модификации существующего алгоритма на основе контекстного кодирования коэффициентов ДВП и метода, использующего не только контекстное кодирование, но и контекстное векторное адаптивное квантование ДВП-коэффициентов. В пятой главе приведены результаты численного моделирования алгоритмов, разработанных на основе предложенных методов. Проводится их сравнение со стандартным кодеком JPEG (используется версия JPEG с кодером Хаффмана, а также версия с арифметическим кодером) и JPEG- на различных тестовых изображениях. В заключении сформулированы основные результаты, полученные в ходе выполнения диссертационной работы; обозначены перспективы и направления дальнейших исследований. В приложениях приведены стандартные тестовые изображения, которые были использованы при проведении экспериментальных исследований, копии свидетельств о государственной регистрации программы для ЭВМ, а также копия акта о внедрении результатов диссертационной работы. Глава 1. Сжатие цифровых изображений основано на имеющейся в них избыточности, которая, в свою очередь, обусловлена существующими технологическими особенностями представления изображений в цифровом виде. В настоящей главе описаны эти особенности, приведена классификация видов избыточности, а также идеи по ее устранению. В качестве примера рассмотрен классический метод JPEG []. Сформулированы задачи диссертационного исследования. Дискретное полутоновое изобраэ/сение определяется как двумерная функция f(x,y), значения которой в каждой точке, задаваемой парой пространственных координат (х,у), называются интенсивностью или яркостью изображения в этой точке [3]. Элементы матрицы F называются точками изображения или пикселами. Матрица F может быть описана с помощью модели стационарного в широком смысле в небольших областях двумерною дискретного процесса, у которого математические ожидания и дисперсия всех элементов не зависят от их индексов п и т и равны mf и соответственно. Е(/п,т)=">т, °{/п,т)=°Ь ¦ г{/п. ЛГ-1}, т,ре{0,,. Данная модель соответствует дискретному двумерному марковскому процессу первого порядка с разделимой межстрочной и межстолбцовой корреляцией. Ы - р. В этом случае, проведя нормализацию /„ т — т? АР)=Р[п-Ут-р[, о*р<1, (1. Приведенные выше модели могут быть использованы лишь для представления небольших участков изображения, поскольку все изображение в целом не поддастся адекватному описанию стационарным процессом. С помощью процедуры квантования дискретное изображение (1. Р——>1. Ь а уровни располагают равномерно и считают, что они принимают целые значения из отрезка [О, Ь-], называемого динамическим диапазоном изображения.