Techniki optymalizacji falkowej reprezentacji obrazów medycznych

• Autorzy: Przelaskowski A.

Warianty tytułu

EN

Inżynieria biomedyczna

• Języki publikacji: PL

Abstrakty

PL

W artykule prezentowane są najbardziej skuteczne metody kodowania falkowej reprezentacji obrazów, przy czym obok minimalizacji średniej bitowej wyjściowego strumienia danych zwrócono uwagę także na zdolność progresywnego kształtowania strumienia, dużą dowolność w operowaniu wybranymi regionami zainteresowań, a także odporność na błędy transmisji. Są to elementy szczególnie ważne w kształtowaniu reprezentacji obrazów w medycznych systemach transmisji i gromadzenia informacji. Analizowane są algorytmy kodowania kolejnych map bitowych (lub ogólniej - warstw) wartości współczynników falkowych. Główną rolę odgrywają tutaj kodery arytmetyczne z rozbudowanymi modelami statystycznymi kontekstów wystąpień poszczególnych symboli strumienia danych wejściowych. Dokonano przeglądu i oceny najbardziej efektywnych modeli kontekstu, sposobów kształtowania jednego lub kilku strumieni kodowanych danych, a także możliwości wykorzystania różnych struktur, opisujących zależności w mapach bitowych i warstwach znaków współczynników. Przedstawiono także różne metody przeglądania i skanowania danych z poszczególnych pasm. Ponadto porównano skuteczność kompresji najlepszych koderów falkowych, z uwzględnieniem stosowanych algorytmów kwantyzacji i kodowania współczynników oceniając ich przydatność w medycznych systemach informacyjnych. Praca ma charakter syntetyzujący najlepsze narzędzie do optymalizacji reprezentacji danych obrazowych w dobie nowego standardu JPEG2000 i gwałtownego rozwoju technik wymiany i archiwizacji danych w medycznych systemach informacyjnych.

EN

The most efficient wavelet coders, meaning of their quantization and coding algorithms are presented. A selection of useful schemes for medical applications of data storage and transmission is considered. The aim of the presentation is to give some reasons for deciding how to apply compression, if any, in diagnostically important information bases. We tried to find the most suitable image representation and wavelet coder, which could be useful as a compression tool in medical information systems. A wide review of binary encoding methods for wavelet representation is presented. Additionally, tests using different encoding schemes of wavelet coder and selected options in the verification model JPEG2000 were conducted and commented on. We came to a favourable conclusion on to usefulness of wavelet codes and the JPEG2000 standard and its high efficiency in bit rate and functionality sense.

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2001
• Tom: z. 130
• Strony: 123--142
• Opis fizyczny: Bibliogr. 32 poz., tab., wykr., fot.

Twórcy

autor

Przelaskowski A.

• Wydział Elektroniki i Technik Informacyjnych Politechniki Warszawskiej

Bibliografia

• 1. Santa-Cruz D., Ebrahimi T., Larsson M., Askelof J., Christopoulos C.: Region of interest coding in JPEG2000 for interactive client/server applications. Proc. of the IEEE Third Workshop on Multimedia Signal Processing, pp. 389-394, 1999.
• 2. Mallat S.G.: A theory for multiresolution signal decomposition: The wavelet representation. IEEE Pat. Anal. Intell., 11:674-693, 1989.
• 3. Shapiro J.M.: Embedded image coding using zerotrees of wavelet coefficients. IEEE Trans. Signal Process., vol. 41, no 12, pp. 3445-3462, December 1993.
• 4. Said A., Pearlman W.A.: A new fast and efficient image codec based on set partitioning in hierarchical tress. IEEE Trans. Circ. & Syst. Video. Tech., 6:243-250, 1996.
• 5. Manduca A., Said A.: Wavelet compression of medical images with set partitioning in hierarchical tress. Presented on SPIE Symposium on Medical Imaging, Cambridge, 1996.
• 6. Servetto S.D., Ramchandran K., Orchard M.T.: Image coding based on a morphological representation of wavelet data. IEEE Trans. Image Process., 8(9):1161-1174, 1999.
• 7. Joshi R.L., Jafarkhani H., Kasner J.H., Fischer T.R., Farvardin N., Marcellin M.W., Bamberger R.H.: Comparison of different methods of classification in subband coding of images. IEEE Trans. Image Process., 1996.
• 8. Xiong Z., Ramchabdran K., Orchard M.T.: Space-frequency quantization for wavelet image coding. IEEE Trans. Image Process., 6:677-693, 1997.
• 9. Marpe D., Cycon H.L.: Efficient pre-coding techniques for wavelet-based image compression. PCS, Berlin, 1997.
• 10. LoPresto S.M., Ramchandran K., Orchard M.T.: Image coding based on mixture modelling of wavelet coefficients and a fast estimation-quantization framework. IEEE Data Compression Conference’97 Proc, 1997, pages 221-230.
• 11. Chrysafis C., Ortega A.: Efficient context-based entropy coding for lossy wavelet image compression. DCC, Snowbird, UT, 1997.
• 12. Yoo Y., Ortega A., Yu B.: Progressive classification and adaptive quantization of image subbands. Submitted to IEEE Trans. Image Process., 1997.
• 13. Sriram P., Marcellin M.W.: Image coding using wavelet transforms and entropy-constrained trellis coded quantization. IEEE Trans. Image Process., vol. 4, pp. 725-733, June 1995.
• 14. Przelaskowski A.: Coding scheme optimization of image wavelet representation. Proceedings of SPIE, Multimedia Storage and Archiving Systems III, vol. 3527, pp. 465-475, 1998.
• 15. Przelaskowski A.: Details preserved wavelet-based compression with adaptive context-based quantisation. Fundamenta Informaticae, vol. 34(4), pp. 369-388, 1998.
• 16. Przelaskowski A.: Modifications of uniform quantization applied in wavelet coder. Proceedings of Data Compression Conference, Snowbird, Utah, pp. 293-302, 2000.
• 17. Marcellin M.W., Fischer T.R.: Trellis coded quantization of memoryless and Gauss-Markov sources. IEEE Trans. on Commun, s. 38:82-93, January 1990.
• 18. Fuldseth A., Balasingham I., Ramstad T.A.: Efficient coding of the classification table in low bit rate subband image coding by use of hierarchical enumeration. Proc. of ICIP’97, 1997.
• 19. Wu X.: High-order context modelling and embedded conditional entropy coding of wavelet coefficients for image compression. Proc. of 31st Asilomar Conf. on Signals, Systems, and Computers, Pacific Grove, CA, Nov. 1997.
• 20. Li J., Lei S.: An embedded still image coder with rate-distortion optimization. IEEE Trans. Image Process., 8(7): 913-923.
• 21. Xiong Z., Wu X.: Wavelet image using trellis coded space-frequency quantization. IEEE Signal Processing Letters, vol. 6, pp. 158-161, July 1999.
• 22. Wu X.: Context quantization with fisher discriminant for adaptive embedded wavelet image coding. Proc. Data Compression Conference, s. 102-111, 1999.
• 23. Deever A., Hemami S.S.: What’s your sing? Efficient sing for embedded wavelet image coding. Proc. Data Compression Conference, s. 273-282, 2000.
• 24. Marcellin M.W., Gormish M.J., Bilgin M.J., Boliek M.P.: An overview of JPEG2000. Proc. of IEEE Data Compression Conference, Snowbird, Utah, pp. 523-544, March 2000.
• 25. Ramaswamy V.N., Ranganathan N., Namuduri K.R.: Performance analysis of wavelets in embedded zerotree-based lossless image coding schemes. IEEE Trans. Signal Process., vol. 47, no 3, 884-889, 1999.
• 26. Ricoh CREW Image Compression Standard Version 1.0 (Beta), April 1999.
• 27. ISO/IEC: JPEG2000 image coding system. JPGE2000 committee draft version 1.0, ISO/IEC CD15444-1:1999, December 1999.
• 28. ISO/IEC, “ISO/IEC 14496-2:1999: Information technology – Coding of audio-visual objects” – Part 2: Visual, December 1999.
• 29. Tsai M.J., Villasenor J.D., Chen F.: Strack-run image coding. IEEE Trans. Circuits and Systems, 6:519-521, 1996.
• 30. Tian J., Wells R.O.: A lossy image codec based in index coding. Proc Data Compression Conference, s. 456, 1996, math.rice.edu/~juntian/publications/.
• 31. http://www.icsl.ucla.edu/~ipl/psnr_results.html)
• 32. http://jj2000.epfl.ch/index.html