Аннотация:
Производится параметризация нелинейного предсказателя Грехэма для метода компрессии цифровых изображений на основе дифференциальной импульсно-кодовой модуляции. Предсказатель автоматически выбирает различные способы расчета для каждого пиксела изображения с учетом наличия и выраженности контура в этом пикселе. Перед собственно компрессией производится быстрая процедура обучения, оптимизирующая параметры предсказания. При оптимизации обеспечивается минимум суммы модулей погрешностей предсказания. Для этого используется рекуррентная процедура, вычислительная сложность которой не зависит от размера изображения. Приводится оценка вычислительной сложности предложенного предсказателя. Для исследования предсказателей проводятся вычислительные эксперименты на реальных изображениях. Показан выигрыш предложенного предсказателя у прототипов по квадратичной погрешности. Кроме того, показан выигрыш метода компрессии на основе дифференциальной импульсно-кодовой модуляции с предлагаемым предсказателем у метода компрессии JPEG по максимальной погрешности.

Ключевые слова :
компрессия цифровых изображений, предсказатель Грехэма, квантование, шкала Макса, ДИКМ, квадратичная погрешность, максимальная погрешность.

Цитирование:
Гашников, М.В. Параметризация нелинейного предсказателя Грехэма при компрессии цифровых изображений / М.В. Гашников // Компьютерная оптика. – 2016. – Т. 40, № 2. – С. 225-231. – DOI: 10.18287/2412-6179-2016-40-2- 225-231.

Литература:

1. Salomon, D. Data Compression. The Complete Reference / D. Salomon. – 4th ed. – Springer-Verlag, 2007. – 1118 p.
2. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / Д.  Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. – М.: ДИАЛОГ-МИФИ, 2002. – 384 с.
3. Pratt, W. Digital image processing. / W. Pratt. – 4th ed. –Wiley, 2007. – 807 p.
4. Soifer, V. Computer Image Processing, Part II: Methods and algorithms / A.V. Chernov, V.M. Chernov, M.A. Chicheva, V.A. Fursov, M.V. Gashnikov, N.I. Glumov, N.Yu. Ilyasova, A.G. Khramov, A.O. Korepanov, A.V. Kupriyanov, E.V. Myasnikov, V.V. Myasnikov, S.B. Popov, V.V. Sergeyev, V.A. Soifer. – VDM Verlag, 2010. – 584 p.
5. Woods, E Digital Image Processing / E. Woods, R. Gonzalez. – 3th ed. – Prentice Hall, 2007. – 976 p.
6. Дистанционное зондирование. Модели и методы обработки изображений / Р. Шовенгердт. – М.: Техносфера, 2010. – 560 с.
7. Chang, C. Hyperspectral Data Processing: Algorithm Design and Analysis / C. Chang. – Wiley Press, 2013. – 1164 p.
8. Borengasser, M. Hyperspectral Remote Sensing – Principles and Applications / M. Borengasser, W. Hungate, R. Watkins. – CRC Press, 2004. – 128 p.
9. Chang, C. Hyperspectral data exploitation: theory and applications / C. Chang. – Wiley-Interscience, 2007. – 440 p.
10. Benz, U. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information / U. Benz, P. Hofmann, G. Willhauck, I. Lingenfelder, M. Heynen // ISPRS Journal of Photogrammetry and Remote Sensing. – 2004. – Vol. 58(3). – P. 239-258.
11. Anderson, J. A land use and land cover classification system for use with remote sensor data / E. Hardy, J. Roach, R. Witme, J. Anderson. – US Government Printing Office, 1976. – 964 p.
12. Gashnikov, M. Regional Geographic Information Systems for Gas Network Monitoring / M. Gashnikov, N. Glumov, V. Myasnikov, A. Chernov, E. Ivanova // Pattern Recognition and Image Analysis. – 2015. – Vol. 25(3). – P. 418-422. – DOI: 10.1134/S1054661815030062
13. Wallace, G. The JPEG Still Picture Compression Standard / G. Wallace // Communications of the ACM. – 1991. – Vol. 34(4). – P. 30-44.
14. Ефимов, В.М. Оценка эффективности иерархических и построчных алгоритмов сжатия полутоновых изображений без потерь / В.М. Ефимов, А.Н. Колесников // Тезисы докладов III конференции «Распознавание образов и анализ изображений: новые информационные технологии». – Нижний Новгород: 1997. – Часть I. – С. 157-161.
15. Нетравали, А.Кодирование изображений / А. Нетра­вали, Дж. Лимб // Обзор ТИИЭР. – 1980. – № 68(3). – С. 76-121.
16. Гашников, М.В. Адаптивный алгоритм интерполяции для иерархической компрессии изображений / М.В. Гаш­ников, Н.И. Глумов, В.В. Сергеев // Компьютерная оптика. – 2002. – Вып. 23. – С. 89-93.
17. Lin, S. Error Control Coding: Fundamentals and Applications, second edition / S. Lin, D. Costello. – New Jersey: Prentice-Hall, Inc., Englewood Cliffs, 2004. – 1260 p.
18. Гашников, М.В. Иерархическая сеточная интерполяция при сжатии гиперспектральных изображений / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 87-93.
19. Gashnikov, M Hierarchical GRID Interpolation under Hyperspectral Images Compression / M. Gashnikov, N. Glu­mov // Optical Memory and Neural Networks (Information Optics). – 2014. – Vol. 23(4). – P. 246-253.
20. Chang, C. Hyperspectral imaging: techniques for spectral detection and classification / C. Chang. – Springer, 2003. – 372 p.
21. Chang, C. Anomaly detection and classification for hyperspectral imagery / C. Chang, Sh. Chiang // IEEE Transactions on Geoscience and Remote Sensing. – 2002. – Vol. 40(6). – P. 1314-1325.
22. Gashnikov, M. Hyperspectral images repository using a hierarchical compression / M. Gashnikov, N. Glumov // Posters Proceedings of 23-rd International Conference on Computer Graphics, Visualization and Computer Vision (WSCG 2015). – Czech Republic, Plzen, June 8-12. – 2015. – P. 1-4. – ISBN 978-80-86943-67-1. – ISSN 2464–4617.
23. Гашников, М.В. Иерархическая компрессия в задаче хранения гиперспектральных изображений / М.В. Гаш­ников, Н.И. Глумов // Компьютерная оптика. – 2014. – Т. 38, № 3. – С. 482-488.
24. Waterloo Grey Set [Электронный ресурс]. – University of Waterloo Fractal coding and analysis group: Mayer Gregory Image Repository, 2009. – URL: http://links.uwaterloo.ca/Repository.htm (Date Request 02.03.2015).

---

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20