Представление изображений с помощью преобразования Ле Галла | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2018. № 43. DOI: 10.17223/19988605/43/5

Представление изображений с помощью преобразования Ле Галла

Рассматривается проблема аппроксимации изображений с помощью вейвлетов. Предлагается методика аппроксимации изображений с помощью преобразования Ле Галла. Приведены результаты численных экспериментов, показывающие возможность использования методики для решения задач обработки изображений.

Representation of images using Le Gall transform.pdf По мере развития информационных и телекоммуникационных систем, а также технических средств регистрации изображений, отмечается интенсивное расширение применения методов цифровой обработки изображений в различных сферах человеческой деятельности. Увеличение требований конечных пользователей к такого рода системам является одной из основных причин их постоянного совершенствования и развития, увеличения производительности и эффективности их функционирования. В настоящее время очевидно, что традиционный подход к анализу стационарных сигналов на основе преобразования Фурье является малоэффективным для представления функций и сигналов с локальными особенности [1]. Одним из главных недостатков такого подхода является использование в качестве базовой функции синусоиды, имеющей область определения R. Как следствие, преобразование Фурье не обладает хорошей локализацией в пространстве и не способно описывать нестационарные сигналы [2]. 1. Вейвлет-анализ сигналов Обозначим через L (0,2п) множество всех измеримых функций f, определенных на интервале (0,2п) и таких, что 2п j|f(x)|2 dx < да. (1) 0 Здесь f является периодически продолжаемой на R кусочно-непрерывной функцией, поэтому L (0,2п) называют 2п-периодической функцией со среднеквадратичной сходимостью. Функция f может быть представлена рядом Фурье [3]: да f (x)-Z cneinx , (2) где c - коэффициенты Фурье, которые определяются как -1 2л с? - If (x 2Л 0 Из формулы (2) видно, что для получения преобразования необходимо иметь сведения о поведении сигнала не только в прошлом, но и в будущем [4]. Любая функция f е Z2 (0,2л) представляется суперпозицией целочисленных растяжений базисной функции ш(x) - ex - cos (x) + i sin (x), являющейся синусоидой. Необходимо отметить, что функция ши (x) - ш( nx) не принадлежит пространству L (R) , являющемуся одним из случаев гильбертова пространства, для которого да Ц f (x )|2 dx < да. (4) ) e-inxdx. (3) Из (4) следует, что любая f е L (R) должна затухать при x ^ ±» и юп (x) € L (R). Таким образом, для использования функций юи (x) для порождения L (R) необходимо, чтобы юи (x) затухали до нуля при x ^ ±ю. Основная идея вейвлет-анализа состоит в разложении сигнала f по базису функций [5]: f = Zс,¥,, (5) i т.е. в представлении исходного сигналаf в виде взвешенной суммы базисных функций , помноженных на спектральные коэффициенты с; . Из формулы (5) следует, что только спектральные коэффициенты с; представляют информацию об исходном сигнале f так как базисные функции предполагаются заданными. Как ранее отмечалось в (2), разложение в ряд Фурье также представляется в соответствии с данной концепцией [2, 6]. Для эффективного представления исходного сигнала f посредством малого количества спектральных коэффициентов с; необходимо потребовать соответствия базисной функции особенностям исходного сигнала f [7]. Реальные сигналы локализованы и в частотной, и во временной области [4, 8]. Первое множество сигналов эффективно представляется с помощью импульсной функции Кронекера: >=8')=К

Ключевые слова

quality metrics PSNR, Le Gall transform, wavelet transform, image coding, image compression, метрика PSNR, преобразование Ле Галла, вейвлет-преобразование, сжатие изображений, кодирование изображений

Авторы

ФИООрганизацияДополнительноE-mail
Земцов Андрей НиколаевичВолгоградский государственный технический университет кандидат технических наук, доцент кафедры ЭВМ и системecmsys@yandex.ru
Всего: 1

Ссылки

Akansu A. Wavelet, Subband and Block Transforms in Communications and Multimedia. Springer US, 1999. 408 p.
Zitova B., Flusser J. Image registration methods: A survey // Image and Vision Computing. 2003. V. 21. P. 977-1000.
Sikora T. Trends and perspectives in image and video coding // Proc. of IEEE. 2005. V. 93. P. 6-17.
Lin W., Jay Kuo C. Perceptual visual quality metrics: a survey // Journal of Visual Communication and Image Representation. 2011. V. 22. P. 297-312.
Gall D., Tabiatai A. Sub-band coding of digital images using symmetric short kernel filters and arithmetic coding techniques // Speech and Signal Processing. 1988. P. 761-764.
Donoho D.L. Compressed sensing // IEEE Trans. on Information Theory. 2006. V. 52. P. 1289-1306.
Mallat S. A Wavelet Tour of Signal Processing. Elsevier Inc., 2009. 832 p.
Unser M. Sampling - 50 years after Shannon // Proc. of the IEEE. 2000. V. 88. P. 569-587.
He K., Sun. J., Tang X. Guided image filtering // IEEE Trans. on Pattern Analysis and Machine Intelligence. 2013. V. 35. P. 1397 1409.
Broughton S. Discrete Fourier Analysis and Wavelets: Applications to Signal and Image Processing. Wiley-Interscience, 2008. 360 p.
Daubechies I. Ten Lectures on Wavelets. Izhevsk : SPC "Regular and Chaotic Dynamics", 2001. 464 p.
 Представление изображений с помощью преобразования Ле Галла | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2018. № 43. DOI:  10.17223/19988605/43/5

Представление изображений с помощью преобразования Ле Галла | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2018. № 43. DOI: 10.17223/19988605/43/5