Metody wyznaczania modeli predykcyjnych stosowanych do bezstratnej kompresji obrazów

• Autorzy: Ulacha G.
• Języki publikacji: PL

Abstrakty

PL

Omówione zagadnienia dotyczą bezstratnej kompresji obrazów cyfrowych. W pracy przedstawiono problem doboru współczynników predykcji dla modeli statycznych gwarantujących wysoki stopień kompresji. Należy jednak zaznaczyć, iż badania dotyczyły wyłącznie metod ze stałym zestawem współczynników predykcji, istnieje jednak spora grupa metod adaptacyjnych, które potrafią dostosować się nie tylko do pojedynczego obrazu, ale nawet do jego fragmentów o różnych cechach w poszczególnych obszarach. Porównywanie bardziej wysublimowanych adaptacyjnych metod z modelem statycznym wykracza poza ramy niniejszej publikacji. Wykazano fakt, że nie zawsze model o niższej entropii charakteryzuje się niższym odchyleniem standardowym błędów predykcji, co oznacza, że budowa modeli predykcyjnych metodą minimalizacji błędu średniokwadratowego nie gwarantuje minimalizacji wartości entropii obrazu poddanego modelowaniu, wniosek ten może służyć także do analizy metod adaptacyjnych, gdzie jako funkcję celu często stosuje się lokalną minimalizację błędu średniokwadratowego, gdyż trudno jest lokalnie minimalizować średnią bitową (takie metody wymagają sprzężeń zwrotnych i wielokrotnego kodowania). Przedstawione zostały różne propozycje metod poszukiwania najlepszego (dla konkretnego obrazu) zestawu współczynników predykcji liniowej. Dalsze prace będą prowadzone w kierunku uzyskania w akceptowalnie krótkim czasie wysokiej efektywności kompresji dla modeli stosujących wysoki (r > 10) rząd predykcji. Wnioski płynące z wyników uzyskanych badań pozwalają ukazać nowy obszar poszukiwań wzrostu efektywności w odniesieniu do wielu już istniejących rozwiązań, które bazują na prostych, lecz nie w pełni uzasadnionych przesłankach, że najlepszy stopień kompresji uzyskamy, posługując się kryterium MMSE.

EN

In the paper it is described the problem of selecting prediction coefficients for models guaranteeing high compression ratio. Some remarks on the entropy minimization problem are made, from which one can conclude that it is impossible to obtain it using the minimization of the mean square error method (MMSE). Various methods and his results for searching the best (for a particular image) proposal of a linear prediction coefficient set are presented.

Słowa kluczowe

PL

bezstratna kompresja obrazu; przewidywanie liniowe; źródła entropii

EN

lossless image compression; linear prediction; source entropy

• Wydawca: Komisja Informatyki Polskiej Akademii Nauk, Oddział w Gdańsku
• Czasopismo: Metody Informatyki Stosowanej
• Rocznik: 2010
• Tom: nr 3 (23)
• Strony: 233--243
• Opis fizyczny: Bibliogr. 19 poz., tab.

Twórcy

autor

Ulacha G.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Informatyki

Bibliografia

• [1] Sayood K., Introduction to Data Compression, 2nd edition, Morgan Kaufmann Publ., 2002.
• [2] Wu X., Memon N. D., CALIC – A Context Based Adaptive Lossless Image Coding Scheme, IEEE Trans. on Communications, Vol. 45/1996, May 1996, s. 437-444.
• [3] Weinberger M. J., Seroussi G., Sapiro G., LOCO-I: Lossless Image Compression Algorithm: Principles and Standardization into JPEG-LS, IEEE Trans. on Image Processing, Vol. 9, No. 8/2000, August 2000, s. 1309-1324.
• [4] Meyer B., Tischer P., TMW – a new method for lossless image compression, Proceedings of International Picture Coding Symposium (PCS97), Berlin, Germany, September 1997, s. 533-538.
• [5] Meyer B., Tischer P., TMWLego - An Object Oriented Image Modelling Framework,Proceedings of Data Compression Conference 2001, s. 504.
• [6] Ye H., A study on lossless compression of greyscale images, PhD thesis, Department of Electronic Engineering, La Trobe University, October 2002.
• [7] Matsuda I., Ozaki N., Umezu Y., Itoh S., Lossless coding using Variable Blok-Size adaptive prediction optimized for each image, Proceedings of 13th European Signal Processing Conference EUSIPCO-05 CD, September 2005.
• [8] Carpentieri B., Weinberger M.J., Seroussi G., Lossless compression of continuous-tone images, Proceedings of the IEEE, Vol. 88, No. 11/2000, November 2000, s. 1797-1809.
• [9] Deng G., Transform domain LMS-based adaptive prediction for lossless image coding, Signal Processing Image Communication, Vol. 17, No. 2/2002, February 2002, s. 219-229.
• [10] Memon N. D., Sayood K., Lossless image compression: a comparative study, Proc. SPIE, Vol. 2418, 1995, s. 8-20.
• [11] Przelaskowski A., Kompresja danych: podstawy, metody bezstratne, kodery obrazów, Warszawa, Wydawnictwo BTC, 2005.
• [12] Skarbek W. i inni, Multimedia i standardy kompresji danych, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
• [13] Kuroki Y., Ueshige Y., Ohta T., An estimation of the predictors implemented by Shift operation, addition, and/or substraction, Proceedings of International Conference on Image Processing 2001, s. 474-477.
• [14] Daaboul A., Local prediction for lossless image compression, Proceedings of the Prague Stringology Club Workshop ‘98, s. 44-50.
• [15] Marusic S., Deng G., New prediction schemes for lossless coding of fullband and subband images, Signal Processing: Image Communication, 1999, vol. 14, s. 869-878.
• [16] Skarbek W., Metody reprezentacji obrazów cyfrowych, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1993.
• [17] Seemann T., Tisher P., Generalized locally adaptive DPCM, Department of Computer Science Technical Report CS97/301, Monash University, Australia, 1997, s. 1-15.
• [18] Deng G., Ye H., Lossless image compression using adaptive predictor combination,symbol mapping and context filtering, Proceedings of IEEE 1999 International Conference on Image Processing, Kobe, Japan, Oct. 1999, vol. 4, s. 63-67.
• [19] Matsuda I., Ozaki N., Umezu Y., Itoh S., Lossless coding using Variable Blok-Size adaptive prediction optimized for each image, Proceedings of 13th European Signal Processing Conference EUSIPCO-05 CD, September 2005.