(46-6) 11 * << * >> * Русский * English * Содержание * Все выпуски

Сравнение дискретного косинус- и вейвлет-преобразований в системах сжатия RAW-изображений
С.В. Сай 1, А.В. Зинкевич 1, Е.С. Фомина 1

Тихоокеанский государственный университет, Хабаровск, Россия

 PDF, 1148 kB

DOI: 10.18287/2412-6179-CO-1094

Страницы: 929-938.

Аннотация:
В статье приводится описание особенностей цифровой обработки сигналов изображения в процессе кодирования на основе дискретного косинус- и вейвлет-преобразований, используемых в стандартах сжатия JPEG и JPEG2000. Для сравнения дискретного косинус-преобразования и дискретного вейвлет-преобразования разработана цифровая модель системы, в которой реализованы одинаковые этапы обработки сигналов, кроме этапов самих дискретных преобразований. Предложена методика анализа эффективности преобразований по объективным оценкам качества изображений в зависимости от коэффициента сжатия. К особенностям относится то, что, в отличие от популярных метрик PSNR и SSIM, для оценки качества предложено использовать коэффициент четкости изображения, вычисление которого связано с контрастной чувствительностью зрения. В результате исследований получены количественные оценки эффективности сжатия при заданных параметрах качества в зависимости от типа преобразования и детальности RAW-изображений. Предложены рекомендации по использованию результатов исследований в системах кодирования и передачи изображений с высокой четкостью.

Ключевые слова:
анализ изображений, метрика искажений, дискретное косинус-преобразование, дискретное вейвлет-преобразование, эффективность сжатия.

Благодарности
Исследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 22-21-00394 «Развитие нейросетевых методов повышения качества передачи цифровых изображений в интеллектуальных видеосистемах».

Цитирование:
Сай, С.В. Сравнение дискретного косинус- и вейвлет-преобразований в системах сжатия RAW-изображений / С.В. Сай, А.В. Зинкевич, Е.С. Фомина // Компьютерная оптика. – 2022. – Т. 46, № 6. – С. 929-938. – DOI: 10.18287/2412-6179-CO-1094.

Citation:
Sai SV, Zinkevich AV, Fomina ES. Comparison of discrete cosine and wavelet transforms in RAW image compression systems. Computer Optics 2022; 46(6): 929-938. DOI: 10.18287/2412-6179-CO-1094.

References:

  1. Digital camera sensors. Source: <https://www.cambridgeincolour.com/tutorials/camera-sensors.htm>.
  2. Pennebaker WB, Mitchel JL. JPEG still image data compression standard. New York, USA: Springer; 1992.
  3. Drozdov SN, Zhiglaty AA, Kravchenko PP, Lutai VN, Skorokhod SN, Khusainov NS. JPEG2000 standard: basic algorithms, implementation examples, and application prospects [In Russian]. Rostov-on-Don: Publishing House of SFU; 2014.
  4. Taubman D, Marcellin MD. JPEG2000: Image compression fundamentals, standard and practice. Kluver Academic Publishers; 2002.
  5. Kapustin VV, Kamenskiy AV. Estimation of intra-frame compression quality of a high-resolution image for JPEG and JPEG2000 Standards. Proceedings of TUSUR University 2016; 19(3): 27-31.
  6. Elamaran E, Praveen P. Comparison of DCT and wavelets in image coding. 2012 Int Conf on Computer Communication and Informatics 2012: 1-4.
  7. Jain K, Agrawal V. A image comparative study using DCT, fast Fourier, wavelet transforms and Huffman algorithm. Int J Eng Res Generic Sci 2015; 3(4): 594-599.
  8. Jeengar V, Omkar S, Singh A, Yadav M, Keshri S. A review comparison of wavelet and cosine image transforms. Int J Image Graph Signal Process 2012; 11: 16-25.
  9. Xiong Z, Ramchandran K, Orchard M, Zhang Y-Q. A comparative study of DCT- and wavelet-based image coding. IEEE Trans Circuits Syst Video Technol 1999; 9(5): 692-695.
  10. Mehala R. Comparison of DCT and DWT in image compression techniques. Int J Adv Res Trends Eng Technol 2016; 3(20): 291-295.
  11. Wang Z, Bovik AC, Sheikh HR, Simoncelli EP. Image quality assessment: From error visibility to structural similarity. IEEE Trans Image Process 2004; 13(4): 600-612.
  12. Sony Alpha ILCE-A6000 Gallery. Source: <https://www.imaging-resource.com/cameras/sony/reviews/>.
  13. Fairchild MD. Color appearance models. John Wiley and Sons; 2005.
  14. Bzip2 and libbzip2. Source: <http://bzip2.org/>.
  15. Balster EJ, Fortener BT, Turri WF. Post-compression rate-distortion development for embedded block coding with optimal truncation in JPEG2000 imagery. Int J Image Graph 2011; 11(4): 611-627.
  16. Lin W, Kuo C-CJ. Perceptual visual quality metrics: A survey. J Vis Commun Image Represent 2011; 22(4): 297-312.
  17. ISO 12233:2017 Photography – Electronic still picture imaging – Resolution and spatial frequency responses. Source: <https://www.iso.org/standard /71696.html>.
  18. Imatest. Source: <https://www.imatest.com/>.
  19. High resolution test patterns. Source: <http://www.bealecorner.org/red/test-patterns/>.
  20. Sai SV. A method for assessing photorealistic image quality with high resolution. Computer Optics 2022; 46(1): 121-129. DOI: 10.18287/2412-6179-CO-899.
  21. Sai SV. Metric of fine structures distortions of compressed images. Computer Optics 2018; 42(5): 829-837. DOI: 10.18287/2412-6179-2018-42-5-829-837.
  22. Svoboda P, Hradis M, Barina D, Zemcik P. Compression artifacts removal using convolutional neural networks. 2016. arXiv Preprint. Source: <https://arxiv.org/abs/1605.00366>.
  23. Wang Z, Chen J, Steven CHH. Deep learning for image super-resolution: A survey. 2020. arXiv Preprint. Source: <https://arxiv.org/abs/1902.06068>.

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