<< Предыдущая Список Следующая >>


8. Определение значимых ошибок оценивания при сеточном подходе к кодированию изображений

В данной статье рассмотрен метод определения значимых ошибок оценивания изображения при сеточном подходе к задаче кодирования изображений, их локализация и раздельное кодирование. Представлен сравнительный анализ предложенного метода со стандартным сеточным методом кодирования.

Анализ методов кодирования изображений

В настоящее время разработано большое число алгоритмов кодирования изображений [1,2], среди которых наибольший интерес представляют алгоритмы сжатия с некоторой потерей качества сжатого изображения. При этом в качестве оценки соответствия исходного и восстановленных изображений обычно выбирают нормированное среднеквадратическое отклонение (НСКО).

Методы сжатия с потерями, как правило, используют то или иное преобразование исходного сигнала изображения с целью сокращения статистической избыточности.

Одним из перспективных методов преобразования изображений является вейвлет-преобразование [1, 5], которое нашло свое применение в новом стандарте сжатия изображений – JPEG2000. Суть метода состоит в разложении сигнала по базисным функциям локализованным как в пространстве, так и во времени. Это позволяет учитывать нестационарность сигнала в коэффициентах вейвлет-преобразования. Кроме того, масштабируемость базисных функций позволяет анализировать сигнал изображения с разной степенью детализации, что находит свое применение в кратномасштабном анализе (КМА) [1].

Недостатком ВП являются ограничения, накладываемые на фильтры анализа и синтеза сигнала. Так фильтры анализа должны быть полностью либо частично ортогональны фильтрам синтеза, чтобы обеспечить возможность полного восстановления сигнала изображения. Кроме того в частотной области сложно описать неразделимые вейвлет-фильтры для анализа двумерного сигнала. Сеточный подход к кодированию изображений

Для преодоления указанных недостатков иногда удобно проводить анализ изображения во временной области с помощью сеточных методов [3, 4]. В этом случае предлагается осуществлять оценивание изображений по неполным наблюдениям, например, отстоящим друг от друга на один отсчет по вертикали и горизонтали и образующим низкочастотную составляющую. Ошибки оценивания находятся как разности между исходным изображением и результатом оценивания по неполным данным. При таком подходе имеется возможность подбирать любые интерполирующие фильтры, в том числе и неразделимые, для минимизации дисперсии ошибки оценивания.

Процедуру оценивания неизвестных элементов можно рекуррентно повторять для низкочастотных составляющих, что приведет к локализации энергии изображения в малом числе коэффициентов (ошибок) оценивания.

Благодаря такому подходу будут образовываться цепочки повторяющихся байт, которые эффективно кодируются методами сжатия без потерь. Определение значимых ошибок оценивания

Результатом кодирования изображений сеточным методом является конечная последовательность, состоящая из значений ошибок оценивания. Для восстановления изображения достаточно передать по каналу связи вычисленные ошибки и низкочастотную компоненту, соответствующую последнему шагу декомпозиции, т.е. элементы изображения, находящиеся в узлах сетки с самым крупным шагом.

Регулярная расстановка узлов сетки не учитывает распределение энергии сигнала конкретного изображения и качество сжатия можно было бы существенно улучшить, располагая наблюдения в узлах сетки адаптированной к конкретному изображению. Очевидно, что для неравномерной расстановки, необходима априорная информация, на основании которой можно было бы сказать в какие узлы сетки предпочтительнее всего расположить элементы множества неполного наблюдения. В качестве такой информации предлагается использовать величины ошибок оценивания полученные по наблюдениям, расположенные в узлах сетки с шагом в один отсчет. При этом величины ошибок оценивания будут характеризовать неравномерность распределения энергии в изображении (рис. 1).

 

В качестве критерия выбора позиций для определения значимых ошибок предлагается выбрать позиции соответствующие значимым ошибкам оценивания полученных на первом этапе декомпозиции изображения.

Сравнительный анализ эффективности предложенного подхода

В качестве входных данных использовались изображения 128x128 отсчетов каждое с 256 градациями серого. Результаты кодирования представлены в табл. 1. Столбец 1 соответствует сжатию изображения с помощью описанного подхода, столбец 2 стандартному.

 

Таблица 1. Результаты кодирования тестовых изображений.

Исходное изображение

Расположение значимых ошибок

Степень сжатия (в байтах)

1

2

2459

2574

3653

3912

Анализ результатов кодирования тестовых изображений показывает некоторый выигрыш предложенного метода для обоих тестовых изображений. При этом вычислительная сложность предложенного алгоритма незначительно уступает стандартному сеточному методу. Основным недостатком является сложность определения значимых ошибок на высоких скоростях кодирования изображения, т.к. ошибки оценивания квантуются с большим шагом, что приводит к уменьшению априорной информации о неравномерности распределения энергии в изображении.

СПИСОК ЛИТЕРАТУРЫ

1.   Теория и практика вейвлет-преобразования. Воробьев В.И., Грибунин В.Г., ВУС, 1999. С. 1-204.

2.   Зелов С. Стандарт JPEG-кодирование неподвижных изображений Компьютер Пресс №5, 1997 с. 82-84.

3.   Добеши И. Десять лекций по вейвлетам. – Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 464 стр.

 


<< Предыдущая Список Следующая >>