(49-6) 14 * << * >> * Русский * English * Содержание * Все выпуски

Адаптивный алгоритм сжатия на основе JPEG2000 с нейросетевым корректором четкости декодированных изображений
С.В. Сай 1, В.С. Никонов 1, Е.С. Фомина 1

1 Тихоокеанский государственный университет,
680035, Россия, г. Хабаровск, ул. Тихоокеанская, д. 136

  PDF, 1713 kB

DOI: 10.18287/2412-6179-CO-1586

Страницы: 986-993.

Аннотация:
В статье приводится описание особенностей цифровой обработки изображения в процессе адаптивного сжатия на основе дискретного вейвлет-преобразования, используемого в стандарте сжатия JPEG2000. В отличие от известного алгоритма сжатия в новом алгоритме используется уменьшение (масштабирование) размеров матриц коэффициентов дискретного вейвлет-преобразования сигналов Y, U и V на первой итерации дискретного вейвлет-преобразования, после которой для дальнейшей обработки использована уменьшенная копия изображения низкочастотного диапазона. Таким образом, на этом этапе объем видеоданных сокращается в 4 раза. Для получения исходного разрешения в отличие от известных методов интерполяции использовано обратное преобразование дискретного вейвлет-преобразования с добавленными нулевыми коэффициентами в высокочастотные субдиапазоны первой итерации. Предлагаемый алгоритм позволяет сжимать файлы изображений в среднем в 40…50 раз с удовлетворительным качеством. Для восстановления высокого качества изображений разработан оригинальный нейросетевой корректор четкости, основанный на сверточной модели с обучением выборочных блоков изображений по индексу яркости в пространстве Lab. На базе архитектуры ResNet разработана собственная модель глубокой нейронной сети, основанная на объединении нескольких методик, используемых для решения задач реконструкции изображений в других архитектурах. Выбран оптимальный вариант обучения нейронной сети, позволяющий использовать обученную модель для коррекции четкости декодированных изображений до высоких объективных показателей качества с субъективными оценками «хорошо» и «отлично».

Ключевые слова:
корректор четкости, анализ изображений, метрика искажений, дискретное вейвлет-преобразование, эффективность сжатия, нейросеть.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда № 24-11-20024 и Министерства образования и науки Хабаровского края (Соглашение № 124С/2024).

Цитирование:
Сай, С.В. Адаптивный алгоритм сжатия на основе JPEG2000 с нейросетевым корректором четкости декодированных изображений / С.В. Сай, В.С. Никонов, Е.С. Фомина // Компьютерная оптика. – 2025. – Т. 49, № 6. – С. 986-993. – DOI: 10.18287/2412-6179-CO-1586.

Citation:
Sai SV, Nikonov VS, Fomina ES. Adaptive compression algorithm based on JPEG2000 with neural network corrector of decoded image definition. Computer Optics 2025; 49(6): 986-993. DOI: 10.18287/2412-6179-CO-1586.

References:
  1. Svoboda P, Hradis M, Barina D, Zemcik P. Compression artifacts removal using convolutional neural networks. arXiv Preview. 2016. Source: <https://arxiv.org/abs/1605.00366>. DOI:      10.48550/arXiv.1605.00366.
  2. Sai SV. Method of adaptive quantization for the coefficients of a discrete wavelet transformation. Optoelectron Instrum Data Process 2023; 59(2): 167-176. DOI: 10.3103/S8756699023020115.
  3. 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.
  4. Wang Z, Chen J, Hoi SCH. Deep learning for image super-resolution: A survey. arXiv Preview. 2020. Source: <https://arxiv.org/abs/1902.06068>. DOI: 10.48550/arXiv.1902.06068.
  5. Top 15 best image enlarger review. 2024. Source: <https://topten.ai/image-enlargers-review/>.
  6. Lai W-S, Huang J-B, Ahuja N, Yang M-H. Fast and accurate image super-resolution with deep Laplacian pyramid networks. IEEE Trans Pattern Anal Mach Intell 2019; 41(11): 2599-2613. DOI: 10.1109/TPAMI.2018.2865304.
  7. DIV2K dataset: DIVerse 2K resolution high quality images as used for the challenges @ NTIRE (CVPR 2017 and CVPR 2018) and @ PIRM (ECCV 2018). 2025. Source: <https://data.vision.ee.ethz.ch/cvl/DIV2K/>.
  8. Zhang K, Liang J, Van Gool L, Timofte R. Designing a practical degradation model for deep blind image super-resolution. arXiv Preview. 2021. Source: <https://arxiv.org/abs/2103.14006>. DOI: 10.48550/arXiv.2103.14006.
  9. Wang X, Xie L, Dong C, Shan Y. Real-Esrgan: Training real-world blind super-resolution with pure synthetic data. arXiv Preview. 2021. Source: <https://arxiv.org/abs/2107.10833>. DOI:           10.48550/arXiv.2107.10833.
  10. Liang J, Cao J, Sun G, Zhang K, Van Gool L, Timofte R. SwinIR: Image restoration using swin transformer. arXiv Preview. 2021. Source: <https://arxiv.org/abs/2108.10257>. DOI:    10.48550/arXiv.2108.10257.
  11. Tai Y, Yang J, Liu X, Xu C. MemNet: A persistent memory network for image restoration. 2017 IEEE Int Conf on Computer Vision (ICCV) 2017: 4549-4557. DOI: 10.1109/ICCV.2017.486.
  12. Zhang Y, Tian Y, Kong Y, Zhong B, Fu Y. Residual dense network for image super-resolution. arXiv Preview. 2021. Source: <https://arxiv.org/abs/1802.08797>. DOI: 10.48550/arXiv.1802.08797.
  13. Lim B, Son S, Kim H, Nah S, Lee K. Enhanced deep residual networks for single image super-resolution. arXiv Preview. 2017. Source: <https://arxiv.org/abs/1707.02921>. DOI:    10.48550/arXiv.1707.02921.
  14. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. arXiv Preview. 2015. Source: <https://arxiv.org/abs/1512.03385>. DOI: 10.48550/arXiv.1512.03385.
  15. Li J, Fang F, Mei K, Zhang G. Multi-scale residual network for image super-resolution. In Book: Ferrari V, Hebert M, Sminchisescu C, Weiss Y, eds. Computer vision – ECCV 2018. 15th European Conference, Munich, Germany, September 8-14, 2018, Proceedings, Part VIII. Cham, Switzerland: Springer Nature Switzerland AG: 2018: 527-542. DOI: 10.1007/978-3-030-01237-3_32.
  16. Fairchild MD. Color appearance models. John Wiley and Sons Ltd; 2005. ISBN: 0-470-01216-1.
  17. Keras 3 API documentation. 2025. Source: <http://keras.io/>.
  18. CUDA Toolkit. 2025. Source: <http://developer.nvidia.com>.
  19. TensorFlow. 2025. Source: <http://tensorflow.org>.
  20. Bychkov IV, Ruzhnikov GM, Fedorov RK, Popova AK, Avramenko YV. Classification of Sentinel-2 satellite images of the Baikal Natural Territory. Computer Optics 2022; 46(1): 90-96. DOI: 10.18287/2412-6179-CO-1022.

© 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