Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2023-23-6-1152-1161
УДК 004.932
Оценка возможности применения метода декомпозиции изображений по топологическим признакам для уменьшения энтропии при их сжатии
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Абакумов А.В., Еремеев С.В. Оценка возможности применения метода декомпозиции изображений по топологическим признакам для уменьшения энтропии при их сжатии // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 6. С. 1152–1161. doi: 10.17586/2226-1494-2023-23-6-1152-1161
Аннотация
Введение. Стремительное увеличение объема визуальной информации в сети Интернет стимулирует усовершенствование существующих и поиск новых подходов для решения задачи сжатия изображений. Одной из важных характеристик при обработке изображений, в частности при их сжатия, является энтропия. В работе исследована возможность применения метода декомпозиции изображения по топологическим признакам для уменьшения энтропии с целью дальнейшего сжатия изображения при сохранении высокого качества. Метод. Топологическая декомпозиция предполагает разложение изображения на компоненты, каждая из которых отражает отдельный элемент на изображении. Топологическая декомпозиция позволяет сгруппировать глобальные структуры и их детали в отдельные матрицы специальные типа. Для уменьшения энтропии предложено удаление детализирующих составляющих и восстановление изображения. Отличительная особенность представленного подхода состоит в искажении не всего изображения, а части его области. Основные результаты. Предложенный метод апробирован на практической задаче сжатия изображений алгоритмом RLE, зависимым от энтропии. Полученные результаты показали, что применение топологического разложения обоснованно в вопросах уменьшения энтропии, что позволяет использовать предобработанное изображение для сжатия. Для оценки качества изображений использованы индексы PSNR, SSIM, MSE, NRM. Показано, что в сравнении с вейвлет-преобразованием при сопоставимой степени сжатия изображений предлагаемый подход конкурентноспособный по показателям оценки качества, а для определенного класса изображений со слабо зашумленными длинными объектами превосходит его. Обсуждение. Полученные результаты открывают возможности для дальнейшего изучения топологической декомпозиции для сжатия изображений с потенциально большей эффективностью и при меньших искажениях.
Ключевые слова: декомпозиция изображений, топологический анализ, энтропия, сжатие с потерями, оценка качества изображений
Благодарности. Исследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 23-21-10064.
Список литературы
Благодарности. Исследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 23-21-10064.
Список литературы
- Доан Тиен Бан, Тропченко А.А. Быстрый алгоритм внутрикадрового кодирования для HEVCна основе вероятности выбора режима // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 1. С. 74–81. https://doi.org/10.17586/2226-1494-2020-20-1-74-81
- Said A. Machine learning for media compression: challenges and opportunities // APSIPA Transactions on Signal and Information Processing. 2018. V. 7. N 1. P. e8. https://doi.org/10.1017/ATSIP.2018.12
- Soler M., Plainchault M., Conche B., Tierny J. Topologically controlled lossy compression // Proc. of the IEEE Pacific Visualization Symposium (PacificVis). 2018. P. 46–55. https://doi.org/10.1109/pacificvis.2018.00015
- Ma H., Liu D., Yan N., Li H., Wu F. End-to-end optimized versatile image compression with wavelet-like transform // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 44. N 3. P. 1247–1263. https://doi.org/10.1109/TPAMI.2020.3026003
- Yang X., Gong J., Wu L., Yang Z., Shi Y., Nie F.Reference-free low-light image enhancement by associating hierarchical wavelet representations // Expert Systems with Applications. 2023. V. 213. P. 118920. https://doi.org/10.1016/j.eswa.2022.118920
- Сай С.В., Зинкевич А.В., Фомина Е.С. Сравнение дискретного косинус- и вейвлет-преобразований в системах сжатия RAW-изображений // Компьютерная оптика. 2022. Т. 46. № 6. С. 929–938. https://doi.org/10.18287/2412-6179-CO-1094
- Дворников С.В., Дворников С.С., Устинов А.А. Корреляционные свойства коэффициентов кратномасштабного преобразования типовых изображений // Информатика и автоматизация. 2022. Т. 21. № 5. С. 983–1015. https://doi.org/10.15622/ia.21.5.6
- Mun H., Yoon G.-J., Song J., Yoon S.M. Scalable image decomposition // Neural Computing and Applications. 2021. V. 33. N 4. P. 9137–9151. https://doi.org/10.1007/s00521-020-05677-x
- Лужков Ю.В., Тропченко А.Ю. Исследование алгоритмов сжатия с потерями на основе пространственной декомпозиции сигнала // Научно-технический вестник Санкт-петербургского государственного университета информационных технологий, механики и оптики. 2008. Т. 8. № 13. С. 37–42.
- Zhou J., Ben J., Wang R., Zheng M., Du L. Lattice quad-tree indexing algorithm for a hexagonal discrete global grid system // ISPRS International Journal of Geo-Information. 2020. V. 9. N 2. P. 83. https://doi.org/10.3390/ijgi9020083
- Jagadeesh P., Nagabhushan P., Kumar R.P. A novel image scrambling technique based on information entropy and quad tree decomposition // International Journal of Computer Science Issues. 2013. V. 10. N 2. P. 285–294.
- Li Z., Snavely N. Learning intrinsic image decomposition from watching the world // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. P. 9039–9048. https://doi.org/10.1109/CVPR.2018.00942
- Kizilkaya A., Elbi M.D. A fast approach of implementing the fourier decomposition method for nonlinear and non-stationary time series analysis // Signal Processing. 2022. V. 206. P. 108916. https://doi.org/10.1016/j.sigpro.2022.108916
- Еремеев С.В., Абакумов А.В., Андрианов Д.Е., Титов Д.В. Метод разложения изображения по топологическим признакам // Компьютерная оптика. 2022. Т. 46. № 6. С. 939–947. https://doi.org/10.18287/2412-6179-CO-1080
- Еремеев С.В., Абакумов А.В., Андрианов Д.Е., Ширабакина Т.А. Метод векторизации спутниковых снимков на основе их разложения по топологическим особенностям // Информатика и автоматизация. 2023. Т. 22. № 1. С. 110–145. https://doi.org/10.15622/ia.22.1.5
- Xin G., Fan P. Soft compression for lossless image coding based on shape recognition // Entropy. 2021. V. 23. N 12. P. 1680. https://doi.org/10.3390/e23121680
- Kamble V., Bhurchandi K.M. No-reference image quality assessment algorithms: A survey // Optik. 2015. V. 126. N 11–12. P. 1090–1097. https://doi.org/10.1016/j.ijleo.2015.02.093
- Saha A., Jonathan Wu Q.M. Full-reference image quality assessment by combining global and local distortion measures // Signal Processing. 2016. V. 128. P. 186–197. https://doi.org/10.1016/j.sigpro.2016.03.026
- Ibrahim R.A., Youssef S.M., Elkaffas S.M. An enhanced fractal image compression integrating quantized quadtrees and entropy coding // Proc. of the 11th International Conference on Innovations in Information Technology (IIT). 2015. P. 190–195. https://doi.org/10.1109/INNOVATIONS.2015.7381538
- Lee J., Gong Q., Choi J.Y., Banerjee T., Klasky S., Ranka S., Rangarajan A. Error-bounded learned scientific data compression with preservation of derived quantities // Applied Sciences. 2022. V. 12. N 13. P. 6718. https://doi.org/10.3390/app12136718