Повышение эффективности применения методов сжатия цифровых изображений

• Автор: Коршунова, Наталья Петровна
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Тула
• Количество страниц: 161 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. АНАЛИЗ ШИРОКО ИСПОЛЬЗУЕМЫХ МЕТОДОВ СЖАТИЯ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ, ПОДХОДОВ К ОЦЕНКЕ ИХ ЭФФЕКТИВНОСТИ И ПРОГРАММНЫХ СРЕДСТВ ЕЕ ПОВЫШЕНИЯ

1.1. Способы представления цифровых растровых изображений

1.2 Классификация методов сжатия цифровых изображений.

1.3. Анализ подходов к оценке потерь качества

1.4. Описание и анализ основных широко используемых методов сжатия.

1.4.1. Статистическое энтропийное кодирование.

1.4.2. Групповое кодирование, или кодирование серий ШЛЕ

1.4.3. Кодирование одинаковых последовательностей Ь2подобные алгоритмы,

1.4.4. Кодирование на основе преобразования алгоритмы

ТРЕО и ЕС
1.5. Классы изображения
1.6. Анализ подходов к оценке эффективности методов сжатия.
1.7. Анализ программных средств повышения эффективности применения методов сжатия цифровых изображений.
1.8. Постановка задач на исследование
1.9. Выводы
2. САМООРГАНИЗАЦИЯ МОДЕЛЕЙ ДЛЯ ОЦЕНКИ КОЭФФИЦИЕНТА И ПАРАМЕТРОВ СЖАТИЯ ДЛЯ РАЗЛИЧНЫХ МЕТОДОВ
КОМПРЕССИИ
2.1. Определение набора признаков изображений, оказывающих влияние на коэффициент и параметры сжатия
2.1.1. Анализ влияния гистограммных признаков первого и второго порядка на сжимаемость изображения различными методами
2.1.2. Методика оценки неоднородности изображения
с помощью квадродерева
2.1.3 Прочие признаки, оказывающие влияние на сжимаемость изображений
2.2. Применение метода группового учета аргументов МГУА
2.3. Построение моделей для оценки максимально возможного коэффициента сжатия и параметров для различных
классов методов компрессии.
2.4 Выводы
3. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЭФФЕКТИВНОГО СЖАТИЯ ИЗОБРАЖЕНИЙ
1. Математическое описание системы эффективного сжатия изображений.
3.2. Разработка алгоритма комплексного определения признаков изображения с наименьшей вычислительной сложностью
3.2.1. Оценка вычислительной сложности алгоритмов
3.2.2. Синтез алгоритмов определения признаков изображения оценка и их вычислительной сложности
3.2.3. Сравнение суммарной вычислительной сложности алгоритмов сжатия и определения признаков изображения
3.3. Алгоритм многорядного МГУА с исключением незначимых элементов.
3.4. Алгоритм выбора метода и параметров сжатия с использованием моделей изображений.
3.5. Выводы
4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЭФФЕКТИВНОГО СЖАТИЯ РАСТРОВЫХ ИЗОБРАЖЕНИЙ.
4.1. Программное обеспечение для получения и использования многорядных моделей оценок коэффициентов и параметров сжатия различными методами
4.1.1. Структура программного обеспечения
4.1.2. Разработка подсистемы сбора экспериментальных
данных.
4.1.3. Разработка подсистемы моделирования.
4.2. Исследование эффекта применения процедуры исключения незначимых элементов на основе анализа коэффициента множественной детерминации в многорядном МГУА
4.3. Анализ многорядных моделей, получаемых на различных
наборах данных.
4.4. Формирование архивов медицинских диагностических изображений с использованием разработанного ПО.
4.5. Применение разработанного ПО в системах видеонаблюдения
4.6. Выводы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Во втором разделе приводятся теоретические положения, являющиеся основой, для разработки методики построения моделей для оценки максимально возможного коэффициента и параметров сжатия. Выделены признаки, определяющие коэффициент и параметры сжатия. Приведена новая методика численного описания неоднородности изображения с использованием квадродерева. Разработана методика построения моделей изображения для оценки максимально возможного коэффициента и параметров сжатия для различных классов методов сжатия Описана предлагаемая процедура исключения статистически незначимых элементов частных квадратичных моделей на основе анализа коэффициента множественной детерминации в многорядном МГУА с квадратичными частными описаниями, которая позволяет повысить точность и снизить сложность синтезируемых моделей. В третьем разделе дано математическое описание системы эффективного сжатия цифровых изображений. Приведены алгоритмы определения признаков изображения с минимальной вычислительной сложностью. Оценена сложность наиболее широко используемых методов сжатия и разработанного алгоритма вычисления признаков. Приведены алгоритмы МГУА с процедурой исключения статистически незначимых элементов на каждом ряду селекции и выбора для конкретного изображения метода и параметров сжатия с помощью получаемых моделей изображений. В четвертом разделе освещены вопросы реализации программного инструментального средства Моделирование изображений и динамической библиотеки, позволяющей для конкретного изображения по многорядным моделям получить оценку максимально возможного коэффициента и параметров сжатия, и интеграции их в систему получения, обработки, хранения и передачи цифровых изображений. Описаны структуры данных и форматы файлов для хранения экспериментальных данных и многорядных моделей. Рассмотрены результаты внедрения разработанного программного обеспечения в систему получения, обработки, хранения и передачи медицинских изображений и в систему видеонаблюдения с возможностью видеорегистрации и необходимостью долговременного хранения записанных видеофрагментов. В заключении перечисляются основные результаты диссертационной работы и формулируются выводы. В приложении приведены данные по длительности выполнения арифметических операций процессором Се1егоп, которые используются при определения вычислительной сложности алгоритмов. В приложении 2 приведена блоксхема алгоритма работы и схема ресурсов программного инструментального средства Моделирование изображений. В приложении 3 приведены оценки коэффициентов сжатия, данные многорядными моделями, построенными с помощью программного инструментального средства Моделирование изображений для различных методов, и измеренные непосредственно для оценки точности и адекватности моделей. В приложении 4 помещены акты внедрения результатов диссертационной работы. При формальном описании растрового изображения используют два представления , , детерминированное и статистическое. Для анализа часто переходят к вектору А, выстраивая в цепочку строки или, реже, колонки массива. Достоинства вектора компактность обозначений и возможность использования методов, применяемых для обработки одномерных сигналов. Значением отсчета при описании чернобелого изображения будет либо 0 черный цвет, либо 1 белый цвет, при описании полутонового монохромного в градациях серого значение яркости, при описании цветного изображения вектор значений компонент в используемой системе представления цветности. Наиболее распространенными системами представления цветности являются красносинезеленая координатная система 1ЮВ, где компоненты соответствуют основным хроматическим составляющим красной Я, зеленой в и синей В, и координатная система УСгСЬ, где V соответствует яркости, Сг хроматическому красному, СЬ хроматическому синему. Если количество цветов не превышает 6, при сохранении данных используют цветовую таблицу, или палитру, содержащую используемые в изображении цвета. Тогда значением пикселя является индекс в палитре, для хранения которого достаточно одного байта.