4. Сжатие изображений с логической избыточностью

Задача сжатия изображений является классической проблемой цифровой обработки изображений во  многих  важных  научно-технических  приложениях. Основой любого алгоритма сжатия является удаление избыточности передаваемых данных. В литературе наиболее полно описаны методы, использующие кодовую, пространственную и визуальную избыточность, но наиболее перспективными представляются алгоритмы сжатия изображений с логической избыточностью.

Можно выделить класс изображений, содержащие системы образов, воспринимаемые человеком только  как  целые и неделимые текстуры, точный характер и конфигурация которых в большинстве случаев не имеет большого значения для восприятия изображения в целом. В качестве примера можно привести изображение травы, листвы  или других природных шумоподобных поверхностей на фотографиях.  Коэффициенты разложения таких областей изображения могут быть обнулены, а затем сгенерированы, используя частотную и пространственную фильтрацию шума. Очевидно, что СКО для исходного и сжатого таким образом изображений может быть значительно больше, чем при использовании классических методов сжатия, что говорит о невозможности применения стандартных метрик ошибок в данном случае.

Сущность предлагаемого алгоритма состоит в следующем. Тестовое изображение разбивается на блоки 8х8 пикселей, для каждого из которых вычисляется набор признаков: средняя яркость, дисперсия, гладкость, асимметрия гистограммы, средняя энтропия, однородность [Гонсалес Р. Цифровая обработка изображений. – М.: Техносфера, 2006 – С. 948-950].

                                                                                 (1)

где L-число различных уровней яркости, p(zi )-гистограмма изображения.

Выбирают блоки в районе больших вейвлет коэффициентов. Затем, перебирая все вычисленные наборы, находят наиболее близкие друг другу блоки изображения в евклидовом пространстве признаков (Фиг. 1б.)

          а)                                                                б)

а) тестовое изображение

б) блоки одного набора

Фиг. 1.

 Из рассмотрения исключаются блоки, содержащие контуры объектов изображения. Контурная сегментация осуществляется с помощью градиентного метода Кенни [Конушин А. Методы сегментации изображений. -  МГУ ВМК, 2008 – С. 15-24]. Коэффициенты изображения  соответствующие блокам обнуляются. Найденные блоки объединяют  в одну прямоугольную область, для которой рассчитывают частотные и статистические характеристики.  Используя найденные характеристики, строят стохастическое поле с размерами объединенной прямоугольной области. После этого поле разделяют на малые блоки и расставляют на места соответствующих блоков набора в изображении. Алгоритм повторяется для всех найденных наборов. Таким образом, в архиве необходимо хранить информацию о положении генерируемых блоков и характеристики шума для синтеза.

Очевидно, что предложенный метод применим для ограниченного класса изображений, кроме того, может потребовать значительных вычислительных ресурсов, которые будут расти пропорционально размерам изображения. В тоже время в ряде случаев с помощью метода можно получить значительный выигрыш по сжатию при приемлемом качестве. Кроме того, малое количество работ в данной области позволяют надеяться на дальнейшие успешные исследования.