Сравнение дискретного косинус и вейвлет-преобразований в системах сжатия raw-изображений
Автор: Сай Сергей Владимирович, Зинкевич Алексей Владимирович, Фомина Екатерина Сергеевна
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 6 т.46, 2022 года.
Бесплатный доступ
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.
Анализ изображений, метрика искажений, дискретное косинус-преобразование, дискретное вейвлет-преобразование, эффективность сжатия
Короткий адрес: https://sciup.org/140296241
IDR: 140296241 | DOI: 10.18287/2412-6179-CO-1094
Список литературы Сравнение дискретного косинус и вейвлет-преобразований в системах сжатия raw-изображений
- Digital camera sensors. Source: (https://www.cambridgeincolour.com/tutorials/camera-sensors.htm).
- Pennebaker WB, Mitchel JL. JPEG still image data compression standard. New York, USA: Springer; 1992.
- 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.
- Taubman D, Marcellin MD. JPEG2000: Image compression fundamentals, standard and practice. Kluver Academic Publishers; 2002.
- 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.
- Elamaran E, Praveen P. Comparison of DCT and wavelets in image coding. 2012 Int Conf on Computer Communication and Informatics 2012: 1-4.
- 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.
- 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.
- 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.
- Mehala R. Comparison of DCT and DWT in image compression techniques. Int J Adv Res Trends Eng Technol 2016; 3(20): 291-295.
- 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.
- Sony Alpha ILCE-A6000 Gallery. Source: (https://www.imaging-resource.com/cameras/sony/reviews/).
- Fairchild MD. Color appearance models. John Wiley and Sons; 2005.
- Bzip2 and libbzip2. Source: (http://bzip2.org/).
- Balster EJ, Fortener BT, Turri WF. Post-compression ratedistortion development for embedded block coding with optimal truncation in JPEG2000 imagery. Int J Image Graph 2011; 11(4): 611-627.
- Lin W, Kuo C-CJ. Perceptual visual quality metrics: A survey. J Vis Commun Image Represent 2011; 22(4): 297-312.
- ISO 12233:2017 Photography - Electronic still picture imaging - Resolution and spatial frequency responses. Source: (https://www.iso.org/standard /71696.html).
- Imatest. Source: (https://www.imatest.com/).
- High resolution test patterns. Source: (http://www.bealecorner.org/red/test-patterns/).
- Sai SV. A method for assessing photorealistic image quality with high resolution. Computer Optics 2022; 46(1): 121129. DOI: 10.18287/2412-6179-CO-899.
- 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.
- 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).
- Wang Z, Chen J, Steven CHH. Deep learning for image super-resolution: A survey. 2020. arXiv Preprint. Source: (https://arxiv.org/abs/1902.06068).
