Falkowe metody kompresji danych obrazowych

Przelaskowski, A.

Artykuł - szczegóły

Tytuł artykułu

Falkowe metody kompresji danych obrazowych

Autorzy

Przelaskowski A.

Identyfikatory

Warianty tytułu

Języki publikacji

Abstrakty

Niniejsza praca dotyczy kompresji danych obrazowych. Poszukiwane są optymalne narzędzia pozwalające uzyskać wysoką skuteczność kompresji danych rzeczywistych (tj. obrazów naturalnych, medycznych) w użytecznych rozwiązaniach aplikacyjnych. Rozważania prowadzone są na zróżnicowanym poziomie ogólności: od formułowania ważkich tez i praktycznych wskazówek dotyczących optymalizacji całego procesu kompresji obrazów (nie tylko zresztą, gdyż większość rozważań ma szerszy charakter), prób definiowania nowego paradygmatu kompresji, po konkretne rozwiązania pozwalające zwiększyć efektywność różnych elementów schematu kodera/dekodera falkowego. Wychodząc od zagadnień fundamentalnych w kompresji danych, kreślone są podstawy najbardziej wydajnych rozwiązań współczesnych. Pokazane jest ich skuteczne wykorzystanie w konstrukcji kodera/dekodera falkowego jako esencji bieżących doświadczeń w dziedzinie optymalizacji procesu kompresji obrazów pojedynczych. Formułowany jest przy tym nowy paradygmat kompresji jako konkluzja pogłębionych analiz potrzeb aktualnych obszarów zastosowań i możliwości rozwiązań problemu zwiększenia skuteczności oraz użyteczności schematu kompresji. Wskazano kompresję falkową jako spełniającą wymagania tego paradygmatu, a następnie przeprowadzono złożony proces jego optymalizacji. Zastosowano przy tym wspólny element modelowania warunkowego, pozwalający optymalizować cały schemat kompresji przez skorelowany dobór kontekstów i metod ich kwantyzacji na etapie kwantyzacji oraz binarnego kodowania współczynników transformacji falkowej. Charakterystykę lokalnych zależności danych wykorzystano także przy konstruowaniu efektywnej postaci transformacji całkowitoliczbowej. Takie modelowanie kompresji daje lepszą możliwość optymalizacji niż próby opisywania całego schematu kompresji/dekompresji za pomocą modeli bez pamięci. Ważnym aspektem pracy są zastosowania medyczne stawiające bardzo ostre wymagania koderom/dekoderom falkowym. Obok istotnych cech, wspólnych innym nietrywialnym obszarom wykorzystania kompresji, kluczowym zagadnieniem jest sformułowanie pojęcia wiarygodności diagnostycznej obrazów, określenie metod jej wyznaczenia oraz sposobu optymalizacji elementów schematu kompresji pod kątem większej wiarygodności rekonstruowanych obrazów. Zdefiniowano nowy sposób określania wiarygodności diagnostycznej, zaproponowano wektorową miarę optymalizowaną wzorcem diagnostycznym wyznaczonym w testach subiektywnych z udziałem 9 lekarzy radiolo-gów oraz wykorzystano kryterium wiarygodności w optymalizacji procedur kompresji. Przedstawiona koncepcja hybrydowego systemu kompresji obrazów medycznych ma duże walory praktyczne - pozwala usprawnić archiwizację i progresywną transmisję obrazów w medycznych systemach informacyjnych. Zawiera kompleksowe narzędzia kompresji stratnej i bezstratnej, w tym kodery falkowe, które umożliwiają formowanie skalowalnej i osadzonej reprezentacji danych obrazowych. Prezentowane koncepcje, rozwiązania, podstawy teoretyczne i wyniki testów potwierdzają dużą użyteczność optymalizowanych koderów/dekoderów falkowych, przy czym procesowi optymalizacji nadano nowy, szerszy wymiar przez wykorzystanie bogatszej bazy narzędziowej na etapie projektowania schematu kompresji oraz wprowadzenie elementu wiarygodności diagnostycznej jako przykładowego, koniecznego weryfikatora koderów/dekoderów dla danego obszaru zastosowań. Przydatność rozwiązań własnych była weryfikowana w warunkach klinicznych.

This work concentrates on problems of image data compression. Our research deals with the optimisation of tools capable of forming natural and medical image representations. The presented ideas refer to fundamental compression theses and important practical (realisation) notes. Both the construction of a whole compression scheme and the more detailed design of selected components are considered. Moreover, the formulated definition of the new wavelet-based image coding paradigm shows a useful pattern for current still-image compression applications. This paradigm is in response to the present challenges facing the disciplines of both theoretical and practical data compression. These challenges encompass the reality of overcrowded networks and insufficient data storage capacity, and also have such facets as obtaining accurate models of naturally occurring sources of image data and "optimal representations" of such models with the help of rapid algorithms. The wavelet coder seems to be able to fulfil all these demands. The depicted advantages of the wavelet decomposition and coder scheme and the practical benefits due to its implementation are determined using the essence of former and present optimisation efforts in the field of image data compression. The complex process of wavelet coder optimisation is considered. The fundamentals of state-of-the-art coders are analysed, compared and synthesised. The common element of using conditional data models is proposed for a whole compression scheme optimisation. Local data characteristics, correlated conditional data modelling, context selection and quantization are applied in the processes of integer wavelet transform design, adaptive scalar quantization and binary encoding of wavelet coefficients. Such models assure a more extended range of optimisation capability than the complex models of a whole compression scheme based on necessarily established simplifications such as memoryless assumptions. The important points of interest of the image compression discipline that make heavy demands are the medical applications. The key problem of lossy compression is preserving diagnostic accuracy. To find a satisfactory solution, the diagnostic accuracy definition, a measure of reconstructed image fidelity and the incorporation of diagnostic accuracy measures into the compression design process are required. A new definition of diagnostic accuracy and a procedure of subjective tests providing an estimate of the diagnostic content pattern for a set of test images is proposed. The vector measure of diagnostic accuracy is optimised on the basis of such a pattern. Wavelet compression procedures, mostly quantization, were optimised in the sense of better preserving diagnostic accuracy. Another described concept is a hybrid system of medical image compression proposed as a useful archiving and transmission tool for hospital information systems. The system contains complex methods of lossless and lossy compression like scanning and prediction followed by statistical modelling of intermediate data representation and entropy coding. Furthermore, wavelet coders able to create flexible image representation are included. Scalable data streams for progressive transmission and effective representation for data storing, fast and effective image data base preview, indexing and retrieval could be formed in the presented system. Generally, a composition of the concepts performance analysis, theory and experimental results given here prove the great potential and usefulness of optimised wavelet coders. The presented wider dimension of the optimisation process is related to extended and unified models for the design of a compression scheme, and the method of diagnostic accuracy estimation (in clinical tests). The synthesized opinion of radiologists could be treated as representative of application-dependent subjective (semantic) verification of the reconstructed information. The importance, topicality, and occasional appearance of limited efficiency of the current state-of the -art techniques are determined. A suggested further direstion of development is combining the approximation theory and harmonic analysis with the revised information theory (by including the semantic meaning of the interpreted information).

Słowa kluczowe

kompresja obrazu kodery falkowe

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Elektronika

Rocznik

2002

Tom

z. 138

Strony

3--226

Opis fizyczny

Bibliogr. 205 poz., tab., wykr., rys.

Twórcy

autor

Przelaskowski A.

Instytut Radioelektroniki

Bibliografia

1. Adams M.D., Kossentini F.: Reversible integer-to-integer wavelet transforms for image compression: performance, evaluation and analysis. IEEE Trans. Image Process., 9(6): 1010-1024, June 2000.
2. Akansu A.N., Haddad R.A.: Multiresolution signal decomposition. Transforms, subbands, and wavelets. Academic Press, 2001.
3. Antonini M., Barlaud M., Mathieu P., Daubechies I.: Image coding using wavelet transform. IEEE Trans. Image Process., IP-1:205-220, April 1992.
4. Barret H.H., Aarsvold J.N., Roney T.J.: null functions and eigenfunctions: tools for the analysis of imaging systems. Inform. Process. In Medical Imaging, str. 211-226, 1991.
5. Berthelot B., Majami E., Onno P.: Transform core experiment: Compare the SNR performance of various reversible integer wavelet transforms. ISO/IEC JTC 1/SC 29/WG 1 N 902, Canon Research Centre, France, 1998.
6. Betts B.J., Li J., Cosman P.C., Gray R.M., et al.: Image quality in digital mammography. Revision of final report to the Army Medical Research and Material Command, Compression and Classification of digital Mammograms for Storage, Transmission, and computer Aided Screening, http://www.isl.stanford.edu/~gray/armyfinal.pdf, September 1998.
7. Białasiewicz J.T.: Falki I aproksymacje. Wydawnictwa Naukowo-techniczne, Warszawa, 2000.
8. Boliek M., Gormish M., Schwartz E.L., Keith A.F.: decoding compression with reversible embedded wavelets (CREW) codestreams. Journal of Electronic Imaging, 7(3):202-209, 1998.
9. Calderbank R.C., Daubechies I., Sweldens W., Yoe B.-L.: Wavelet transforms that map integers to integers. Applied and Computational Harmonic Analysis (ACHA), 5 (3):332-369, 1998.
10. CCIR: Rec. 567-1 Transmission performance of television circuits designed for use in international connections, pl-38. In Recommendations and reports of the CCIR and ITU, Geneva, 1982.
11. Chakraborty D., Winter L.: Free-response methodology: alternate analysis and a new observer-performance experiment, Radiology, 174(3):873-881, 1990.
12. Chang S.G., Yu B., Vetterli M.: Adaptive wavelet thresholding for image denoising and compression. IEEE Trans. Image Process., 9(9):1532-1546, 2000.
13. Chrysafis C., Ortega A.: Efficient context-based entropy coding for lossy wavelet image compression. Proc. IEEE Data Compression Conference, str. 241-250, 1997.
14. Clake R.J.: Transform coding of images. Academic Press, Orlando, Florida, 1985.
15. Claypoole R.L., Davis G., Sweldens W., Baraniuk R.G.: Adaptive wavelet transforms for image coding using lifting. IEEE Trans. Image Process., (to appear 2001).
16. Cohen A. Daubechies I., Feauveau J.C.: Biorthogonal bases of compactly supported wavelets. AT&T Bell Lab., Tech. Rep. TM 11217-900529-07, 1990.
17. Coifman R.R., Wickerhauser M.V.: Entropy based algorithms for best basis selection. IEEE Trans. Image Process., 32:712-718, March 1992.
18. Cosman P.C., Gray R.M., Olshen R.A.: Evaluating quality of compressed medical images: SNR, subjective rating, and diagnostic accuracy. Proceeding of the IEEE, 82(6):919-932, 1994.
19. Cosman P.C., Gray R.M., Vetterli M.: Vectro quantization of image subbands: a survey. . IEEE Trans. Image Process., 5(2):202-225, 1996.
20. Cosman P.C., Perlmutter S.M., Perlmutter K.O.: Tree-structured vector quantization with significance map for wavelet image coding. Proc. IEEE Data Compression Conference, str. 33-41, 1995.
21. Criminal Justice Information Services, WSQ grey-scale fingerprint image compression specification (v. 2.0), Federal Bureau of Investigation, February 1993.
22. Crosier A., Esteban D., Galand C.: Perfect channel splitting by use of interpolation/decimation techniques. Proc. International Conference on Information Science and Systems. Piscataway, NJ:IEEE Pres, 1976.
23. Cutler C.C.: Differential quantization for television signal, U.S. Patent 2,605,361, July 1952.
24. Daubechines I., Sweldens W.: Factoring wavelet transforms into lifting steps. J Fourier Anal. Appl., 4(3):247-269, 1998.
25. Daubechies I.: Ortonormal bases of compactly supported wavelets. Comm. Pure appl. Math. 41:909-996, 1988.
26. Daubechies I.: Ten lectures on wavelets. Society for industrial and applied mathematics, 1992.
27. Davis G.M., Nosratinia A.: Wavelet-based image coding: an overview. Applied and Computational control, Signals, and Circuits, 1(1), 1998.
28. Deever A., Hemani S.S.: what’s your sing?: efficient sing coding for embedded wavelet image coding. Proc. IEEE Data Compression Conference, str. 273-282, 2000.
29. Deslauriers G., Dubuc S.: Interpolation dyadique. Fractals, dimensions non entieres et applications. Masson, Paris, str. 44-55, 1987.
30. Domański M.: Zaawansowane techniki kompresji obrazów i sekwencji telewizyjnych. Wydawnictwo Politechniki Poznańskiej, 2000.
31. Donoho D.L., Vetterli M., DeVore R.A., Daubechies I.: data compression and harmonic analysis. Invited paper, IEEE Trans. Inform. Theory, Special Issue, Inform. Theory: 1948-1998 Commemorative Issue, 44(6):2435-2476, October 1998.
32. Eskicioglu A.M., Fisher P.S., Chen S.: Image quality measures and their performance. Proceedings of the 1994 Space and Earth Science Data Compression Workshop, NASA Conference Publication 3255, University of Utah, str. 55-67, April 1994.
33. Farvadin N., Modestino J.W.: Optimum quantizer performance for a class of non-gaussian memoryless sources. IEEE Trans. Inform. Theory, 30:485-497, 1984.
34. Florencio D.A.F., Schafer R.W.: A non-expansive pyramidal morphological image coder. Proceedings of ICIP-94, IEEE International conference on Image Process., 2:331-335, 1994.
35. Forney G.D. Jr.: the Viterbi Algorithm. Proc. IEEE, 61: 268-278, March 1973.
36. 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. IEEE ICIP, 1997.
37. Gray R.M.: Entropy and information theory. Springer-Verlag, New York, 1990.
38. Herley C., Vetterli M.: Wavelets and recursive filter banks. IEEE Trans. Signal Process., 41:2536-2556, 1993.
39. Horita Y., Miyahara M.: Image coding and quality estimation in uniform perceptual space. IECE Technical Report IE-87-115, IECE, 1987.
40. Hosaka K.: A new picture quality evaluation method. Proc. International Picture Coding Symposium, Tokyo, Japan, April 1986.
41. http://jj2000.epfl.ch/
42. http://medical.nema.org/dicom.html
43. http://www.igd.fhg.de/teleinvivo/
44. http://www-groups.dcs.st-and.ac.uk/%7ehistory/Methematicians/Shannon.html
45. Huang J.J.Y., Schultheiss P.M.: Block Quantization of correlated gaussian random variables. IEEE Trans. Comm. Syst., CS-11:289-296, September 1963.
46. ISO/IEC 10918-1, ITU Recommendation T.81: Digital compression and coding of continuous still images, requirements and guidelines, September 1993.
47. ISO/IEC 15444-1:JPEG200 image coding system, 2000.
48. ISO/IEC JTC 1/SC 29/WG 1, JPEG LS image coding system, ISO Working Document ISO/IEC JTC 1/SC 29/WG 1 N399 – WD14495, June 1996.
49. ISO/IEC, ISO/IEC 14496-2:1999: Information technology – Coding of audio-visual objects – Part 2: Visual, December 1999.
50. ITU-R Rec. BT.500-6: Methodology for the subjective assessment of the quality of television pictures, 1994.
51. Jaffard S.: Pointwise smoothness, two-microlocalization and wavelet coefficients. Publications Matematiques, 35:155-168, 1991.
52. Jones P., Daly S., Gaborski R., Rabbani M.: Comparative study of wavelet and DCT decompositions with equivalent quantization and encoding strategies for medical images. SPIE Proc. Conference on Medical Imaging, 2431:571-582, 1995.
53. 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.
54. JPEG200 verification model 8.6 software, ISO/IEC JTC1/SC29/WG1 N1894, October 2000.
55. Kasner J.H., Marcellin M.W., Hunt B.R.: Universal trellis coded quantization. IEEE Trans. Image Process., 8(12):1677-1687, 1999.
56. Katto J., Yasuda Y.: Performance evaluation of subband coding and optimisation of its filter coefficients. SPIE Proc. Visual Comm. And Image Process., 1605:95-106, 1991.
57. Kawalec T.: Systems do wspomagania diagnostyki raka sutka. Praca dyplomowa, Instytut Radioelektroniki PW, 2001.
58. Kawczyński M.: Hurtowania danych w telemedycznym systemie kontroli jakości. Praca dyplomowa, Instytut Radioelektroniki PW, 2002.
59. Kazubek M., Przelaskowski A., Jamrógiewicz T., Padee L.: Analiza obrazów USG. Biocybernetyka i inżynieria biomedyczna. Stan badan w Polsce, str. 773-775, 1994.
60. Kazubek M., Przelaskowski A., Jamrógiewicz T., Padee L.: Zastosowanie funkcji sklejanych do aproksymacji konturów w badaniach echokardiograficznych. Postępy fizyki medycznej, 27(3-4):63-70, 1992.
61. Kazubek M., Przelaskowski A., Jamrógiewicz T.: Wavelet denoising and classical filtering of medical images. Proceedings of the 14-th biennial international conference BIOSIGNAL 98, Analysis of biomedical signals and Images, str. 26-28, 1999.
62. Kazubek M., Przelaskowski A., Jamrógiewicz T.: Wavelet domain denoising of ultrasonic images. Proceeding of the 8th International IMEKO Conference on Measurement in Clinical Medicine, Dubrovniki, Croatia, str. 1014-1016, 1998.
63. Kazubek M., Przelaskowski A., Mirkowski J., Jamrógiewicz T., Padee L.: Estymacja ukrwienia z wykorzystaniem techniki Power Doppler. Bioinżynieria, priorytetowy program naukowo-badawczy, 2:129-138, Oficyna Wydawnicza Politechniki Warszawskiej, 1999.
64. Kuduvalli G.R., Rangayyan R.M.: Performance analysis of reversible images compression techniques for high-resolution digital teleradiology. IEEE Trans. Medical Imaging, 11(3):430-445, 1992.
65. Lemarie P.G., editor: Les Ondelettes en 1989. Lecture Note in Mathematics, 1438. Springer-Verlag, 1990.
66. Lempel A., Zin J.: compression of two-dimensional data. IEEE Trans. Inform. Theory IT-32:2-8:1986.
67. Li J., Lei S.: An embedded still image coder with rate-distortion optimization. IEEE Trans. Image Process., 8(7):913-923, 1999.
68. Liang J., Talluri R.: Tools for robust image and video coding in JPEG2000 and MPGE-4 standards. Proc. SPIE, 3653:40-51, 1999.
69. Lloyd S.P.: Least squares quantization in PCM. IEEE Trans. Inform. Theory, IT-28:129-137, 1982. Jest to reprodukcja manuskryptu raportu technicznego Bell Laboratories z 1957 roku.
70. LoPresto S.M., Ramchandran K., orchard M.T.: Image coding based on mixture modelling of wavelet coefficinets and a fast estimation-quantization framework. IEEE Data Compression Conference 97 Proc, str. 221-230, 1997.
71. Ma G., Hall W.J.: Confidence bands for receiver operating characteristic curves. Med. Decis. Making 13:191-197, 1993.
72. Majani E.: Low-complexity wavelet filter design for image compression. TDA Progress Report 42-119, str. 181-200, 1994.
73. Maksymiuk K., Skaliński M.: Implementacja interaktywnych metod wymiany i przetwarzania danych w prototypowym systemie teleradiologicznym. Praca dyplomowa na ukończeniu, Instytut Radioelektroniki PW.
74. Mallat S., Flazon F.: Analysis of low bit rate image transform coding. IEEE Trans. Signal Process, April 1998.
75. Mallat S., Flazon F.: Understanding image transform codes. Proc. SPIE Aerospace Conf., (Oralndo), April 1997.
76. Mallat S.: A theory for multiresolution signal decomposition: The wavelet representation. IEEE Pat. Anal. Mach. Intell., 11:674-693, 1989.
77. Mallat S.: A wavelet tour of signal processing. Second Edition. Academic Press, 1999.
78. Marcellin M.W., Fischer T.R.: Trellis coded quantization of memoryless and Gauss-Markov sources, IEEE Trans. Comm., 38:82-93, January 1990.
79. Marcellin M.W., Lepley M.A., Bilgin A., Flohr T.J., Chienen T.T., Kasner J.H.: An overview of quantization in JPEG2000. Signal Process.: Image Comm., 17(1):73-84, 2002.
80. Marcellin M.W.: On entropy-constrained trellis-coded quantization. IEEE Trans. Comm., 42:14-16, January 1994.
81. Marpe D., Cycon H.L.: Efficient pre-coding techniques for wavelet-based image compression. PCS, Berlin, 1997.
82. Martucci S.A.: Reversible compression of HDTV images using median adaptive prediction and arithmetic coding. IEEE International Symposium on Circuits and Systems, str. 1310-1313, IEEE Press, 1990.
83. Max L.: Quantizing for minimum distortion. IRE Trans. Inform. Theory, IT-6:7-12, 1960.
84. Memon N., Neuhoff D.L., Shene S.: an analysis of some common scanning techniques for lossless image coding. IEEE Trans. Image Process., 9(11):1837-1848, 2000.
85. Metz C.E., Herman B.A., Roe C.A.:Statistical comparison of two ROC curve estimates obtained from partially-paired datasets. Med. Decis. Making 18:110-121, 1998.
86. Meyer B., Tischer P.: TMW – a new method for lossless image compression. International Picture Coding. Symposium PCS97- Conference Proceedings, 1997.
87. Meyer F.G., Averbuch A., Stromberg J.O.: Fast adaptive wavelet packet image compression. IEEE Trans. Image Process., 9(5), May 2000.
88. Meyer Y.: Wavelets and operators. Advanced mathematics. Cambridge University Press, 1992.
89. Main G.A., Nainer A.P.: A fast procedure to design equiripple minimum-phase FIR filters. IEEE Trans. Circuits Syst., 39, 1992.
90. Mintzer F.: Filters for distortion-free two-band multirate filter banks. IEEE Trans. Acoust. Speech, and signal Process., 33(3):626-630, 1985.
91. Miyahara M., Kotani K., Algazi V.R.: Objective picture quality scale (PQS) for image coding. IEEE Trans. Comm., 46(9):1215-1226, September 1998.
92. Moccagata I., Sodagar S., Liang J., Chen H.: Error resilient coding in JPEG2000 and MPEG-4. IEEE J. Select. Areas Comm., 18(6):899-914, 2000.
93. Motta G., Storer J.A., Carpentieri B.: Adaptive linear prediction lossless image coding. Proc. IEEE Data Compression Conference, str. 491-500, 1999.
94. Nadenau M., Reichel J.: compression of color images with wavelets under consideration of the HVS, Proc. Of SPIE Human Vision and Electronic Imaging, 3644, San Jose, CA, January 1999.
95. Nayebi K., Barnwell T., Smkith M.: Time-domain filter bank analysis: a new design theory. IEEE Trans. Signal Process., 40, 1992.
96. Nelson M.: DDJ data compression contest results. Dr. Dobb’s Journal, str. 62-64, November 1991.
97. Nelson M.: The data compression book. M&T Books, 1991.
98. Nguyen T.Q.: Digital filter bank design – quadratic constrained formulation. IEEE Trans. Signal Process. 43:2103-2108, 1995.
99. Nill N.: A Visual model weighted cosine transform for image compression and quality assessment. IEEE Trans. Comm., 33(6):551-557, June 1985.
100. Parisot C., Antonini M., Barlaud M., Tramini S., Latry C., Lambert-Nebout C.: Optimization of joint coding/decoding structure. Proc. IEEE ICIP, str. 470-473, 2001.
101. Parisot C., Antonini M., Barlaud M.: EBWIC: A low complecity and efficient rate constrained wavelet image coder. Proc. IEEE ICIP, Canada, 2000.
102. Perlmutter S.M., Cosman P.C., Gray R.M., et al: Image quality in lossy compressed digital mammograms. Signal Process., Special Section on Medical Image compression, 59(2):189-210, 1997.
103. Pietrasik A.: Komputerowe wspomaganie diagnostyki raka sutka na podstawie badań mammograficznych. Praca dyplomowa na ukończeniu, Instytut Radioelektroniki PW.
104. Pradhan S.S., Ramchandran K.: Enhancing analog image transmission systems using digital side information: a new wavelet based image coding paradigm. Proc. IEEE Data Compression conference, 2001.
105. Pratt W.K.: digital image processing. John Wiley & Sons, 1991.
106. Przelaskowski A., Kawczyński M., Maksymiuk K., Skaliński M.: Effective iamge compression tools and telemedicine systems. Materiały 1-st Polish-Norwegian Seminar: Selected Research Issues at the Polish and Norwegian Universities, Working group “Medical Technology”, str. 5-6, Politechnika Warszawska, 2001.
107. Przelaskowski A., Kazubek M., Jamrógiewicz T.: Comparison and assessment of various filter banks for wavelet-based medical image compression. Proc. 14-th biennial international conference BIOSIGNAL 98, Analysis of Biomedical Signals and Images, str. 23-25, 1998.
108. Przelaskowski A., Kazubek M., Jamrógiewicz T.: Effective wavelet-based compressionmethod with adaptive quantization threshold and zerotrees coding. Proc. SPIE, Multimedia Storage and Archiving Systems II, 3229:348-356, 1997.
109. Przelaskowski A., Kazubek M., Jamrógiewicz T.: Optimalization of the wavelet-based algorithm for increasing the medical image compression efficiency. Proc. TFTS 97 – 2nd IEEE UK Symposium on Applications of Time-Frequency and Time-Scale Methods, str. 177-180, 1997.
110. Przelaskowski A., Kazubek M., Jamrógiewicz T.: The choice of wavelet family for increasing the medical image compression efficiency. 4thEuropean conference in Engineering and Medicine – Book of abstracts, str. 230-231, 1997.
111. Przelaskowski A., Kazubek M., Jamrógiewicz T.: Wavelet compression of US images. Proc. 8th Intenational IMEKO Conference on Measurement in clinical Medicine, Dubrovnik, Croatia, str. 1116-1119, 1998.
112. Przelaskowski A., Surowski P.: Sprawozdanie z grantu KBN 7 T11E 039 20: Metody optymalizacji reprezentacji medycznych danych obrazowych do archiwizacji i transmisji telemedycznej. Warszawa, http://www.ire.pw.edu.pl/~arturp/publikacje/grantKBN.pdf, luty 2002.
113. Przelaskowski A.: Coding of non-smooth images in lossless manner. Proc. SPIE, Multimedia Storage and Archiving systems IV, vol. 3846, pp. 432-440, 1999.
114. Przelaskowski A.: Detail preserving wavelet-based compression with adaptive context-based quantisation. Fundamenta Informaticae, 34(4):369-388, 1998.
115. Przelaskowski A.: Effective integer-to-integer transforms for JPEG2000 coder. SPIE Conference: Wavelets: applications in signal and Image Process. IX, Proc. SPIE, 4478:299-310, 2001.
116. Przelaskowski A.: Elastyczność koderów falkowych w systemach archiwizacji i transmisji medycznych danych obrazowych. Prace Naukowe Politechniki Warszawskiej – Elektronika, z.130, str. 105-122, Oficyna Wydawnicza PW, 2001.
117. Przelaskowski A.: Falkowe metody kompresji danych obrazowych jako narzędzie kształtowania optymalnej reprezentacji strumienia danych. Materiały II Seminarium Radiokomunikacji i Techniki Multimedialne, str. 23-30, Instytut Radioelektroniki PW, 2001.
118. Przelaskowski A.: Fitting a quantization scheme to multiresolution derail preserving compression algorithm. Proc. IEEE-SP International Symposium on Time-Frequency and Time-Scale Analysis, Pittsburgh, USA, str. 485-488, 1998.
119. Przelaskowski A.: Fitting coding scheme for image wavelet representation. Proc. SPIE, Multimedia Storage and Archiving systems III, 3527:465-475, 1998.
120. Przelaskowski A.: Hybrid lossless coder of medical images with statistical data modelling. Lecture Notes in computer Science, Springer Verlag, 2124:92-101, 2001.
121. Przelaskowski A.: Hybrid vector measures of compressed medical images. SPIE Symposium Medical Imaging: Image Perception and Performance, http://www.ire.pw.edu.pl/~arturp/publikacje/Measure.pdf, 2000.
122. Przelaskowski A.: Kompresja danych obrazowych. Zarys zagadnień istotnych. Monografia przygotowywana do druku w Akademickiej Oficynie Wydawniczej PLJ w 2002 roku (dostępna pod adresem http://www.ire.pw.edu.pl/~arturp/publikacje/monografia.pdf).
123. Przelaskowski A.: Lifting-based reversible transforms for lossy-to-lossless wavelet codecs. Lecture Notes in Computer Science, Springer Verlag, 2124: 61-70, 2001.
124. Przelaskowski A.: Losless encoding of medical images: hybrid modification of statistical modelling-based conception. Journal of electronic Imaging, 10(4):966-976, October 2001.
125. Przelaskowski A.: Miary jakości. Rozdział w książce „Multimedia – Algorytmy i Standardy kompresji” pod red. W. Skarbka, akademicka Oficyna Wydawnicza PLJ, str. 111-142, 1998.
126. Przelaskowski A.: Modelling and quantization of wavelet domain data in compression scheme. Machine Graphics &Vision, 9(1/2):379-388, 2000.
127. Przelaskowski A.: Modifications of uniform quantization applied in wavelet coder. Proc. IEEE Data Compression Conference, str. 293-302, 2000.
128. Przelaskowski A.: New methods of lossless archiving of medical images. 54th ICB Seminar, Multimedia, Data Integration, Medical Databases, Warszawa, str. 42-44, 1999.
129. Przelaskowski A.: Performance evaluation of jpeg2000-like data decomposition schemes in wavelet codec. Proc. IEEE ICIP, str. 788-791, 2001.
130. Przelaskowski A.: Progressive image data compression with adaptive scale-space quantization. Proc. SPIE, Internet Imaging, 3964:143-154, 2000.
131. Przelaskowski A.: Przestrzenno-częstotliwościowa kwantyzacja i kodowanie współczynników transformaty wavelet do tworzenia minimalnej reprezentacji obrazów. Materiały III Sympozjum „Techniki Przetwarzania obrazu”, Serock, str. 93-102, 1997.
132. Przelaskowski A.: Statistical modeling and threshold selection of wavelet coefficients in lossy image coder. Proc. IEEE ICASSP, 4:2055-2058, 2000.
133. Przelaskowski A.: Techniki optymalizacji falkowej reprezentacji obrazów medycznych. Prace Naukowe Politechniki Warszawskiej – Elektronika, z. 130, str. 123-142, Oficyna Wydawnicza PW, 2001.
134. Przelaskowski A.: Today’s and tomorrow’s Medical Imaging. Lecture Notes in Computer Science, Springer Verlag, 2124:2366-237, 2001.
135. Przelaskowski A.: Vector measure with scalar equivalent for quality estimation of compressed medical images. http://www.ire.pw.edu.pl/~arturp/publikacje/HVM.pdf, zgłoszony do Journal of Electronic Imaging.
136. Przelaskowski A.: Vector quality measures of medical images. 54th ICB Seminar, Multimedia, Data Integration, Medical Databases, Warszawa, str. 45-46, 1999.
137. Przelaskowski A.: Wykorzystanie transformaty wavelet do redukcji nadmiarowości oryginalnej reprezentacji medycznych danych obrazowych. X Konferencja Naukowa „biocybernetyka i Inżynieria Biomedyczna”, t. II, str. 600-604, Warszawa, 1997.
138. Rabbani M., Jones P.W.: Digital image compression techniques. SPIE Optical Engineering Press, TT 7, Bellingham, Washington, USA, 1991.
139. Rabbani M., Santa Cruz D.: The JPEG 2000 still-image compression standard. Materiały kursu na ICIP, Thessaloniki, Greece, 2001.
140. Rabbani M.: JPEG-2000: background, scope and technical description. http://Foulard.ee.cornell.edu/hemami/Cornell JPEG2K.PDH, 1998.
141. Rakowski W.: Metoda falkowa. Rozdział w książce „Multimedia – algorytmy i standardy kompresji” pod red. W. Skarbka, Akademicka Oficyna Wydawnicza PLJ, str. 207-256, 1998.
142. Ramabadran T.V., Chen K.: The use of contextual information in the reversible compression of medical images. IEEE Trans. Medical Imaging, 11(2):185-195, 1992.
143. Ramaswamy V.N., Ranganathan N., Namuduri K.R.: Performance analysis of wavelets in embedded zarotree-based lossless image coding scheme. IEEE Trans. Signal Process., 74(3):884-889, 1999.
144. Ramchandran K., Vetterli M.: Best wavelet packet bases in a rate-distortion sense. IEEE Trans. Image Process., 2(2):160-175, April 1992.
145. Ramchandran K., Xiong Z., Asai K., Vetterli M.: Adaptive transforms for image coding using spatially-varying wavelet packets. IEEE Trans. Image Process., 5:1197-1204, July 1996.
146. Reissell L.M.: Wavelet multiresolution representation of curves and surfaces. CVGIP: Graphical Models and Image Process., 58(2):198-217, 1996.
147. Ricoh CREW image compression standard version 1.0 (Beta), April 1999.
148. Rissanen J.J., Langdon G.G.: Arithmetic coding. IMB Journal of Research and Development, 20:198-203, 1976.
149. Robinson J.A.: Efficinet general-purpose image compression with binary tree predictive coding. IEEE Trans. Image Process. 6(4):601-608, 1997.
150. Ruderman D.L.: Origins of scaling in natural images. Version Research Elsevier, 37(23):3385-3398, 1997.
151. Sablatnig J., Seiler R., Jung K.: Report on transform core experiment: compare the lossy performance of various reversible integer wavelet transforms. ISO/IEC JTC 1/SC 29/WG 1 N 915, Fachbereich Mathematik, TU-Berlinand Algo Vision, Multimediale systeme GmhH, Berlin, Germany, 1998.
152. Safranek R.J., Johnston J.D.: A perceptually-tuned subband imege coder with image dependent quantization and post-quantization data compression, IEEE ICASSP, str. 1945-1948, 1989.
153. Said A. Pearlamn W.A.: An image multiresolution representation for lossless and lossy compression. IEEE Trans. Image Process., 5(9):1303-1310, 1996.
154. Said A. Pearlamn W.A.: A new fast and efficient image codec based on set partitioning inhierarchical trees. IEEE Trnas. Circ. & Syst. Video. Tech., 6:243-250, 1996.
155. Sata-Cruz D., Ebrahimi T., Larsson M., Aseklod J., Christopolous C.: Region of Interest coding in JPEG2000 for interactive client/server applications. Proc. IEEE Third Workshop on Multimedia signal Process., str. 389-394, 1999.
156. Sata-Cruz D., Ebrahimi T., Larsson M., Aseklod J., Christopolous C.: JPEG2000 still image coding versus other standards. Proc. SPIE’s 45th annual meeting, applications of Digital Image Process. XXIII, 4115:446-454, 2000.
157. Sayood K.: Introduction to data compression. Rozdz. 8, Morgan Kaufmann Publishers, 1996.
158. Seidler J.: Nauka o informacji, Tom I. Podstawy, modele źródeł i wstępne przetwarzanie informacji. Wydawnictwa Naukowo-Techniczne, 1983.
159. 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.
160. Shannon C.E.: A Mathematical theory of communications. Bell Systems Technical Journal, 27:379-423 I 623-656, 1948.
161. Shannon C.E.: Coding theorems for a discrete source with a fidelity criterion. IRE/Nat. Conv. Rec., 4:142-163, 1959.
162. Shapiro J.M.: Embedded image coding using zerotrees of wavelet coefficients. IEEE Trans. Signal Process., 41(12):3445-3462, December 1993.
163. Simoncelli E.P.: Modeling the statistics of images in the wavelet domain. Proc. SPIE, 44th Annual Meeting, 3818:188-195, 1999.
164. Skarbek W.: Metody reprezentacji obrazów cyfrowych. Akademicka Oficyna wydawnicza PLJ, Warszawa, 1993.
165. Smith M.J., Barnwell D.P.: Exact reconstruction for tree-structured subband coders. IEEE Trans. Acoust., Speech, Signal Process., ASSP-34: 434-441, 1986.
166. Sriram P., Marcellin M.W.: Image coding using wavelet transforms and entropy-constrained trellis coded quantization. IEEE Trans. Image Process., 4:725-733, June 1995.
167. Starr S.J., Metz C.E., Lusted L.B., Goodenough D.J.: Visual detection and localization of radiographic images. Radiology, 116:533-538, 1975.
168. Strang G., Nguyen T.: Wavelets and filter banks, Wellesley-Cambridge Press, 1997.
169. Sweldens W.: The lifting scheme: a construction of second generation wavelets. Univ. So. Carolina preprint, 1994.
170. Sweldens W.: The lifting scheme: a custom-design construction of biorthogonal wavelets. Appl. Comput. Harmonic. Analysis 3:186-200, 1996.
171. Swets J.A.: ROC analysis applied to the evaluation of medical imaging techniques. Investigative radiology, 14:109-121, 1979.
172. Taubman D.: High performance scalable image compression with EBCOT, IEEE Trans. Image Process., 9(7):1158-1170, 2000.
173. Taubman D.S., Marcellin M.W.: JPEG2000: Image compression fundamentals, standards and practice. Kluwer, 2002.
174. Tchamitchian P.: Biorthogonalite et theorie des opersteurs. Revista Methematica Iberoamericana, 3(2):163-189, 1987.
175. The emerging European health telematics industry-market analysis. Health Information society Technology, version 1.1, April 2000.
176. Tian J., Wells R.O.: A lossy image codec based on index coding. Proc. IEEE Data Compression Conference, str. 456, http://math.rice.edu/~juntian/publications/, 1996.
177. Topiwala P.N. (ed.).: Wavelet image video compression. Kluwer, June 1998.
178. Townshend B.: Nonlinear prediction in speech. Proc. IEEE ICASSP, str. 425-428, 1991.
179. Tsai M.J., Villasenor JK.D., Chen F.: Stack-run image coding. IEEE Trans. Circuits and Systems, 6:519-521, 1996.
180. Vaidyanathan P.P., Hoang P.Q.: Lattice structures for optimal design of two-channel perfect-reconstruction QMF banks. IEEE Trans. ASSP, 36, 1988.
181. Vaidyanathan P.P.: Multirate systems and filter banks. Englewood Cliffs, NJ: Prentice Hall, 1993.
182. Valens C.: The fast wavelet lifting transform. http://perso.wanadoo.fr/polyvalens/clemens/lifiting/lifting.html, 1999.
183. Vetterli M.: Splitting a signal into subsampled channels allowing perfect reconstruction. Proc. IASTED Conf. Appl. Signal Process. Digital Filtering, France, 1985.
184. Vicario G.B., Zambianchi E.: On continuity perception in brightness change, ECVP 99 Conference, 1999.
185. Villasenor J.D., Belzer B., Liao J.: Wavelet Filter Evaluation for Image Compression. IEEE Trans. Image process., August 1995.
186. Wang J.Z., Wiederhold G., Firschein O., Wei S.X.: Wavelet-based image indexing techniques with partial sketch retrieval capability. Proc. IEEE Forum on Research and Technology Advances in digital Libraries (ADL 97), str. 13-24, Washington D.C., IEEE, May 1997.
187. Watson A.B., Yang G., Solomon J., Vialesenor J.: Visibility of wavelet quantization noise, IEEE Trans. Image Process. 6(8):1164-1175, 1997.
188. Watson A.B.: DCT quantization matrices visually optimized for individual images. Proc. SPIE Conference on Human Vision, Visual Processing, and Digital Display IV, 1913:202-216, 1993.
189. Wie D., Pai H.T., Bovik A.C.: Antisymmetric biorthogonal coiflets for Image coding, Proc. IEEE ICIP, 2:282-286, 1998.
190. Wie D., Tian J., Wells O. jr., Burrus C.S.: A new class of biorthogonal wavelet systems for image transform coding. IEEE Trans. Image Process., 7(7):1000-1013, 1998.
191. Weinberger M., Seroussi G., Sapiro G.: The LOCO-I lossless image compression algorithm: principles and standardization into JPEG-LS. Trans. Image Process., 9(8):1309-1324, August 2000.
192. Winger L.W., Venetsanopoulos A.N.: Biorthogonal modified coiflet for image compression. Proc. IEEE ICASSP, 1998.
193. Witten I.H., Neal R.M., Cleary J.: Arithmetic coding for data compression Comm. ACM, 30(6):520-540, 1987.
194. Wojtaszczyk P.: Teoria falek. Wydawnictwo Naukowe PWN, Warszawa, 2000.
195. Woods J. (ed.): Subband image coding. Kluwer, 1991.
196. Wu X.: Context quantization with fisher discriminat for adaptive embedded wavelet image coding. Proc. IEEE Data Compression Conference, str. 102-111, 1999.
197. Wu X.: High-order context modelling and embedded conditional entropy coding of wavelet coefficinets for image compression. Proc. 31st Asilomar Conf. on signals, systems, and Computers, Pacific Grove, CA, November 1997.
198. Wu X.: Lossless compression of comtinuous-tone images via context selection, quantization, and modelling. IEEE Trans. Image Process., 6(5):656-664, 1997.
199. Xiong Z., Ramachandran K., Orchard M.T..: Wavelet packets image coding using space-frequency quantization. IEEE Trans. Image Process. 7:892-898, 1998.
200. Xiong Z., Ramachandran K., Orchard M.T..: Space-frequency quantization for wavelet image coding. IEEE Trans. Image Process., 6:677-693, 1997.
201. Xiong Z., Wu X.: Wavelet image coding using trellis coded space-frequency quantization. IEEE Signal Process. Letters, 6:158-161, July 1999.
202. Yoo Y., Ortega A., Yu B.: Progressive classification and adaptive quantization of image subbands. Preprint submitted to IEEE Trans. Image Process., 1997.
203. Zeng W., Daly S., Lei S.: An overview of the visual optimisation tools in JPEG2000. Signal Process.: Image Comm., 17(1):85-104, 2002.
204. Zhang Y.Q., Loew M.H., Pickholtz R.L.: A Methodology for modelling the distributions of medical images and their stochastic properties. IEEE Trans. Medical Imaging, 9(4), 1990.
205. Zschunke W.: DPCM picture coding with adaptive prediction. IEEE Trans. Comm., 25:1295-1302, 1977.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-PWA2-0034-0006