Цифровые системы связи и передачи данных
..pdfРис. 2.28. Первоначальное изображение
Рис. 2.29. Обработанное изображение.
При параметре смещение домена = 1 и размер региона = 8, время, потраченное на сжатие, t = 703 с, размер файла = 11,4 Кб
91
Рис. 2.30. Обработанное изображение.
При параметре смещение домена = 10 и размер региона = 8, время, потраченное на сжатие, t = 6 с, размер файла = 11 Кб
Рис. 2.31. Обработанное изображение.
При параметре смещение домена = 5 и размер региона = 10, время, потраченное на сжатие, t = 27 с, размер файла = 7,12 Кб
92
Рис. 2.32. Обработанное изображение.
При параметре смещение домена = 10 и размер региона = 12, время, потраченное на сжатие, t = 5 с, размер файла = 4,95 Кб
Рис. 2.33. Обработанное изображение.
При параметре смещение домена = 1 и размер региона = 15, время, потраченное на сжатие, t = 566 с, размер файла = 3,04 Кб
93
Рис. 2.34. Обработанное изображение.
При параметре смещение домена = 10 и размер региона = 14, время, потраченное на сжатие, t = 4 с, размер файла = 3,55 Кб
Рис. 2.35. Обработанное изображение.
При параметре смещение домена = 20 и размер региона = 10, время, потраченное на сжатие, t = 1 с, размер файла = 4,12 Кб
94
Ниже на рис. 2.36–2.38 представлены графики зависимости времени сжатия |
|||
от размера изображения и от параметров «смещение домена» и «размер региона». |
|||
450 |
|
|
|
400 |
|
|
|
350 |
|
|
|
300 |
|
|
|
250 |
|
|
|
200 |
|
|
|
150 |
|
|
|
100 |
|
|
|
50 |
|
|
|
0 |
|
|
|
0х0 |
198х253 |
225х225 |
325х325 |
Рис. 2.36. График зависимости времени сжатия от размера изображения |
700 |
|
|
|
600 |
|
|
|
500 |
|
|
|
400 |
|
|
|
300 |
|
|
|
200 |
|
|
|
100 |
|
|
|
10 |
15 |
20 |
25 |
Рис. 2.37. График зависимости времени сжатия от параметра «смещение домена»
16 |
|
14 |
|
12 |
|
10 |
|
10 |
15 |
Рис. 2.38. График зависимости времени сжатия от параметра «размер региона»
95
На рис. 2.39 представлен график зависимости размера изображения (в Кбайт) от параметра «размер региона».
25
20
15
10
10 |
15 |
20 |
25 |
Рис. 2.39. График зависимости размера изображения (в Кбайт) от параметра «размер региона»
При максимально достигнутом коэффициенте сжатия, равном 143, размер изображения уменьшился с 435 Кб до 3,04 Кб.
Из представленных выше графиков можно сделать вывод, что:
–чем больше изображение, тем больше время сжатия;
–чем больше параметр «смещение домена», тем меньше время сжатия;
–чем меньше параметр «размер региона», тем больше время сжатия;
–чем меньше параметр «размер региона», тем больше размер изображения. Рассмотрим табл. 2.6, в которой сводятся воедино параметры различных
алгоритмов сжатия изображений.
|
|
|
|
Таблица 2.6 |
|
|
Алгоритмы сжатия |
|
|
||
|
|
|
|
|
|
Алгоритм |
К-ты сжатия |
На что ориентирован |
|
Потери |
|
|
|
|
|
|
|
RLE |
32, 2, 0.5 |
3,4-х битные |
|
Нет |
|
|
|
|
|
|
|
LZW |
1 000, 4, 5/7 |
1-8-битные |
|
Нет |
|
|
|
|
|
|
|
Хаффмана |
8, 1.5, 1 |
8-битные |
|
Нет |
|
|
|
|
|
|
|
CCITT-3 |
213(3), 5, 0.25 |
1-битные |
|
Нет |
|
|
|
|
|
|
|
JBIG |
2–30 раз |
1-битные |
|
Нет |
|
|
|
|
|
|
|
Lossless JPEG |
2 раза |
24-битные, серые |
|
Нет |
|
|
|
|
|
|
|
JPEG |
2–20 раз |
24-битные, серые |
|
Да |
|
|
|
|
|
|
|
Рекурсивное сжатие |
2–200 раз |
24-битные, серые |
|
Да |
|
|
|
|
|
|
|
Фрактальный |
2–2 000 раз |
24-битные, серые |
|
Да |
|
|
|
|
|
|
|
96
Использование сжатия с потерями предоставляет возможность за счет потерь регулировать качество изображений. Коэффициенты сжатия у фрактальных алгоритмов варьируются в пределах 2–2 000 раз. Причем большие коэффициенты достигаются на реальных изображениях, что нетипично для предшествующих алгоритмов. Ниже представлен график зависимости размера изображения от коэффициента сжатия (рис. 2.40).
12
10
50 |
100 |
150 |
200 |
Рис. 2.40. Зависимость размера изображения по оси ординат от коэффициента сжатия по оси абсцисс
Ниже, для наглядности, приведены 2 рисунка, первый — исходное изображение; второй — изображение с максимально достигнутым коэффициентом сжатия, равным 143 (рис. 2.41).
Рис. 2.41. Исходное изображение и изображение с коэффициентом сжатия 143
Как видно из рисунков, при сжатии текстовой информации она становится нечитабельной, хотя, как все изображение в целом, остается узнаваемой.
97
Недостатком этого алгоритма является потребность в больших вычислительных мощностях при архивации. Фактически это первый существенно несимметричный алгоритм. Причем если у всех предшествующих алгоритмов коэффициент симметричности (отношение времени архивации ко времени разархивации) не превышает 3, то у фрактального алгоритма он колеблется от
1 000 до 10 000 [6–12].
2.5.ВЕЙВЛЕТ ПРЕОБРАЗОВАНИЯ СИГНАЛОВ И ИЗОБРАЖЕНИЙ
Внастоящее время вейвлет-анализ является одним из наиболее мощных и при этом гибких средств исследования данных: помимо возможностей сжатия и фильтрации данных, анализ в базисе вейвлет-функций позволяет решать задачи идентификации, моделирования, аппроксимации стационарных и нестационарных процессов, исследовать вопросы наличия разрывов в производных, осуществлять поиск точек склеивания данных, удалять в данных тренд, отыскивать признаки фрактальности информации. Стоит отметить, что в основе подобных возможностей, обеспечивающих вейвлет-анализу весьма перспективное будущее, лежит природа его многомасштабности. Иначе говоря, гармонический анализ не способен конкурировать с вейвлет-анализом [15].
Вейвлет-преобразование широко используется для анализа сигналов. Помимо этого, оно находит большое применение в области сжатия данных. В дискретном вейвлет-преобразовании наиболее значимая информация в сигнале содержится при высоких амплитудах, а менее полезная — при низких. Сжатие данных может быть получено за счет отбрасывания низких амплитуд. Вейвлетпреобразование позволяет получить высокое соотношение сжатия в сочетании с хорошим качеством восстановленного сигнала. Вейвлет-преобразование было выбрано для стандартов сжатия изображений JPEG2000 и ICER. Однако при малых сжатиях вейвлет-преобразование уступает по качеству в сравнениис оконным Фурье-преобразованием, которое лежит в основе стандарта JPEG.
Выбор конкретного вида и типа вейвлетов во многом зависит от анализируемых сигналов и задач анализа. Для получения оптимальных алгоритмов преобразования разработаны определенные критерии, но их еще нельзя считать окончательными, так как они являются внутренними по отношению к самим алгоритмам преобразования и, как правило, не учитывают внешних критериев, связанных с сигналами и целями их преобразований. Отсюда следует, что при практическом использовании вейвлетов необходимо уделять достаточное внимание проверке их работоспособности и эффективности для поставленных целей по сравнению с известными методами обработки и анализа.
98
Изобретение вейвлетов было напрямую связано с необходимостью более глубокого анализа сигналов, чем анализ сигнала с помощью преобразования Фурье. Вейвлеты используют в тех случаях, когда результат анализа некоторого сигнала должен содержать не только простое перечисление его характерных частот (масштабов), но и сведения об определенных локальных координатах, при которых эти частоты проявляют себя. Анализ и обработка нестационарных (во времени) или неоднородных (в пространстве) сигналов разных типов представляют собой основное поле применения вейвлет-анализа.
Вейвлетом называется волновое колебание с начальным значением амплитуды, равным нулю, затем увеличивающимся и снова уменьшающимся до нуля. Это выражается в небольшом колебании исследуемого сигнала. Такое поведение этих функций позволяет записать и исследовать сейсмические волны или колебания сердца. В общем случае вейвлеты представляют собой функции, имеющие специфические свойства, позволяющие эффективно обрабатывать сигналы. Вейвлеты могут комбинироваться (с применением операций сдвига, умножения и суммирования) с выборками изучаемого сигнала для получения соответствующей информации.
Одна из основополагающих идей использования вейвлетов для представления сигналов заключается в разбивке приближения к сигналу на две составляющие: грубую (аппроксимирующую) и утонченную (детализирующую), с последующим их уточнением итерационным методом. Каждый шаг такого уточнения соответствует определенному уровню декомпозиции и восстановления сигнала. Это возможно как во временной, так и в частотной областях представления сигнала вейвлетами. Вейвлеты применяются во многих областях науки; главные области применения — обработка и анализ сигналов и сжатие изображений.
На практике используются следующие типы вейвлетов:
–вейвлет Хаара;
–мексиканская шляпа;
–модулированная гауссова кривая;
–производная гауссовой кривой;
–вейвлеты Добеши, Грассмана, Мейера;
–вейвлеты Бэттла — Лемарье;
–симлеты;
–койфлеты.
Масштабирующая функция определяет аппроксимацию сигнала (позволяет исследовать числовые характеристики и качественные свойства объекта, сводя задачу к изучению более простых или более удобных объектов).
99
Построение масштабирующей функции и функции вейвлета Хаара представлено на рис. 2.42.
Рис. 2.42. Масштабирующая функция и функция вейвлета Хаара
В настоящее время вейвлет Добеши 4-го порядка является наиболее используемым. Функция данного вейвлета и его масштабирующая функция представлены на рис. 2.43.
Рис. 2.43. Масштабирующая функция и функция вейвлета Добеши 4-го порядка
Главной задачей является нахождение вейвлет-коэффициентов. Использование свойств вейвлет-преобразования позволяет осуществить анализ сигналов. Например, слишком большие амплитуды значений вейвлет-коэффициентов
100