Минимизация энтропии постинтерполяционных остатков при компрессии изображений на основе иерархической сеточной интерполяции
Гашников М.В.

 

Самарский национальный исследовательский университет имени академика С.П. Королёва

Аннотация:
Разрабатывается и исследуется адаптивный параметризованный интерполятор при компрессии изображений на основе иерархической сеточной интерполяции. Для оптимизации параметров этого интерполятора предлагается подход, основанный на минимизации энтропии квантованных постинтерполяционных остатков, которая используется в качестве оценки объёма сжатых данных. Записывается рекуррентная схема вычисления параметров предлагаемого интерполятора, и вычисляются теоретические оценки его вычислительной сложности. В составе иерархического метода компрессии изображений производится экспериментальное исследование разработанного интерполятора, а также его сравнение с усредняющими интерполяторами и адаптивным интерполятором, основанным на оптимизации суммы абсолютных значений погрешностей интерполяции. Показывается преимущество разработанного интерполятора над прототипами по размеру компрессированных данных при различных погрешностях, вносимых в сжатое изображение.

Ключевые слова:
иерархическая сеточная интерполяция, компрессия, квантование, степень сжатия, максимальная погрешность, вычислительная сложность.

Цитирование:
Гашников, М.В. Минимизация энтропии постинтерполяционных остатков при компрессии изображений на основе иерархической сеточной интерполяции / М.В. Гашников // Компьютерная оптика. – 2017. – Т. 41, № 2. – С. 266-275. – DOI: 10.18287/2412-6179-2017-41-2-266-275.

Литература:

  1. Chang, C.-I. Hyperspectral data processing: Algorithm design and analysis / C.-I. Chang. – Hoboken, NJ: Wiley Press, 2013. – 1164 p. – ISBN: 978-0-471-69056-6.
  2. Borengasser, M. Hyperspectral remote sensing: Principles and applications / M. Borengasser, W. Hungate, R. Watkins. – Boca Raton, London, New York: CRC Press, 2004. – 128 p. – ISBN: 978-1566706544.
  3. Chang, C.-I. Hyperspectral imaging: Techniques for spectral detection and classification / C.-I. Chang. – Springer, 2003. – 372 p. – ISBN: 978-0306474835.
  4. Salomon, D. Data compression. The complete reference / D. Salomon. – 4th ed. – Springer-Verlag, 2007. – 1118 p. – ISBN: 978-1846286025.
  5. Sayood, K. Introduction to data compression / К. Sayood. – 4th ed. – Morgan Kaufmann, 2012. – 768 p. – ISBN: 978-0124157965.
  6. Ватолин, Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / Д. Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. – М.: ДИАЛОГ-МИФИ, 2002. – 384 с. – ISBN: 5-86404-170-X.
  7. Woods, E. Digital image processing / E. Woods, R. Gon­zalez. – 3th ed. – Prentice Hall, 2007. – 976 p. – ISBN: 978-0131687288.
  8. Pratt, W. Digital image processing / W. Pratt. – 4th ed. – Wiley, 2007. – 807 p. – ISBN: 978-0471767770.
  9. Лидовский, В.В. Теория информации: Учебное пособие / В.В. Лидовский. – М.: Компания Спутник+, 2004. – 111 с. – ISBN 5-93406-661-7.
  10. Woon, W.M. Achieving high data compression of self-simi­lar satellite images using fractal / W.M. Woon, A.T.S. Ho, T. Yu; S.C. Tam, S.C. Tan, L.T. Yap // Proceedings of IEEE International Geoscience and Remote Sensing Symposium (IGARSS). – 2000. – P. 609-611. – DOI: 10.1109/IGARSS.2000.861646.
  11. Gupta, V. Enhanced image compression using wavelets / V. Gupta, V. Sharma, A. Kumar // International Journal of Research in Engineering and Science (IJRES). – 2014. – Vol. 2(5). – P. 55-62.
  12. Li, J. Image compression: The mathematics of JPEG-2000 / J. Li // Modern Signal Processing. MSRI Publications. – 2003. – Vol. 46. – P. 185-221.
  13. Plonka, G. Fast and numerically stable algorithms for discrete cosine transforms / G. Plonka, M. Tasche // Linear Algebra and its Applications. – 2005. – Vol. 394(1). – P. 309-345. – DOI: 10.1016/j.laa.2004.07.015.
  14. Wallace, G. The JPEG still picture compression standard / G. Wallace // Communications of the ACM. – 1991. – Vol. 34(4). – P. 30-44. – DOI: 10.1145/103085.103089.
  15. Ebrahimi, F. JPEG vs. JPEG2000: An objective comparison of image encoding quality / F. Ebrahimi, M. Chamik, S. Winkler // Proceedings of SPIE. – 2004. – Vol. 5558. – Р. 300-308. – DOI: 10.1117/12.564835.
  16. Gashnikov, M.V. Compression method for real-time systems of remote sensing / M.V. Gashnikov, N.I. Glumov, V.V. Sergeyev // Proceedings of 15th International Conference on Pattern Recognition. – 2000. – Vol. 3. – P. 232-235. – DOI: 10.1109/ICPR.2000.903527.
  17. Gashnikov, M.V. Hierarchical GRID interpolation under hyperspectral images compression / M.V. Gashnikov, N.I. Glu­mov // Optical Memory and Neural Networks. – 2014. – Vol. 23(4). – P. 246-253. – DOI: 10.3103/S1060992X14040031.
  18. Lin, S. Error control coding: Fundamentals and applications / S. Lin, D. Costello. – 2nd ed. – Englewood Cliffs, New Jersey: Prentice-Hall, Inc., 2004. – 1260 p. – ISBN: 978-0130426727.
  19. Ефимов, В.М. Оценка эффективности иерархических и построчных алгоритмов сжатия полутоновых изображений без потерь / В.М. Ефимов, А.Н. Колесников // Тезисы докладов III конференции “Распознавание образов и анализ изображений: новые информационные технологии”. – Нижний Новгород, 1997. – Часть I. – С. 157-161.
  20. Gashnikov, M.V. Interpolation for hyperspectral images compression / M.V. Gashnikov // CEUR Workshop Proceedings. – 2016. – Vol. 1638. – Р. 327-333. – DOI: 10.18287/1613-0073-2016-1638-327-333.
  21. Гашников, М.В. Адаптивный алгоритм интерполяции для иерархической компрессии изображений / М.В. Гаш­ников, Н.И. Глумов, В.В. Сергеев // Компьютерная оптика. – 2002. – Вып. 23. – С. 89-93.
  22. MacKay, D.J.C. Information theory, inference, and learning algorithms / D.J.C. MacKay. – Cambridge University Press, 2003. – 628 p. – ISBN: 978-0521642989.
  23. Gashnikov, M.V. Hyperspectral images repository using a hierarchical compression / M.V. Gashnikov, N.I. Glumov // Posters Proceedings of 23rd International Conference on Computer Graphics, Visualization and Computer Vision (WSCG). – 2015. – P. 1-4.
  24. Gashnikov, M.V. Development and investigation of a hierarchical compression algorithm for storing hyperspectral images / M.V. Gashnikov, N.I. Glumov // Optical Memory and Neural Networks. – 2016. – Vol. 25(3). – P. 168-179. – DOI: 10.3103/S1060992X16030024.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20