Бесплатный автореферат и диссертация по наукам о земле на тему

Разработка методики оценки качества сжатых изображений

ВАК РФ 25.00.35, Геоинформатика

Автореферат диссертации по теме "Разработка методики оценки качества сжатых изображений"

На правах рукописи

Нгуен Динь Минь

РАЗРАБОТКА МЕТОДИКИ ОЦЕНКИ КАЧЕСТВА СЖАТЫХ ИЗОБРАЖЕНИЙ

Специальность 25.00.35 - "Геоинформатика"

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Москва - 2006

Работа выполнена на кафедре прикладной экологии Московского государственного университета геодезии и картографии

Научный руководитель: доктор технических паук,

профессор Малинников В.А.

Официальные оппоненты: доктор технических паук,

профессор Журкин И.Г.,

кандидат технических наук Кочнова И.В.

Ведущая организация: ФГУП "ГОСГИС центр"

Государственный научно-внедренческий центр геоинформациошюй системы и технологии.

Защита состоится Л декабря 2006 года в часов на заседании диссертационного совета Д 212.143.03 при Московском государственном университете геодезии и картографии по адресу: 105064 Москва, Гороховский пер., д. 4, ауд. 321.

С диссертацией можно ознакомиться в библиотеке Московского государственного университета геодезии и картографии.

Автореферат разослан «..-#..» 2006 г.

Ученый секретарь

диссертационного совета ___- Климков Ю.М.

V

2

Общая характеристика работы

Актуальность работы

Использование изображений и видеоинформации в современном мире стремительно возрастает. Здесь и различные системы мониторинга, наблюдения, технического зрения, видеотелефонии, регистрирующие и передающие огромные объемы видеоданных, и различные автономные системы, принимающие решение па основе анализа видеоинформации, и персонализированное телевизионное вещание, и полиграфия со значительно возросшим объемом иллюстрации в печатной продукции, и медицина, и Интернет, и многие другие направления. Каждый день огромное количество информации запоминается, преобразуется и передается в цифровом виде. Таким образом, значительный научный, практический и коммерческий интерес приобретают средства сжатия данных для их передачи или хранения.

Сжатие изображений ориентировано на решение проблемы сокращения объема данных, требуемого для представления цифрового изображения. Основной целыо такого процесса сокращения является удаление избыточных данных. С математической точки зрения это равнозначно преобразованию некоторого двумерного массива данных в статистически некоррелированный массив. Такое преобразование сжатия применяется к исходному изображению перед ' тем, как его сохранить или передавать. Впоследствии сжатое изображение распаковывается и восстанавливается в исходное изображение или некоторое его приближение.

Все методы компрессии подразделяются на два вида: методы сжатия без потерь информации и. с потерями. Первые из них позволяют сжимать данные таким образом, чтобы впоследствии их можно было восстановить с абсолютной точностью. Во многих приложениях сжатие без потерь является единственно допустимым способом сокращения объема данных. Одним из таких приложений является архивация медицинских или деловых документов, сжатие с потерями которых обычно запрещено по закону. Другим является обработка спутниковых изображений, где как применение, так и стоимость получения исходных данных делают сжатие нежелательным. Еще одним направлением является цифровая рентгенология, в которой потеря информации может ухудшить точность диагностики.

При сжатии с потерями выполняется поиск данных, мало влияющих на общее содержание сжимаемой информации, и их удаление из общего потока. Понятно, что при декомпрессии данных, сжатых с потерями, исходная информация никогда не будет в точности восстановлена, но алгоритм сжатия рассчитан на то, что ее искажения не будут замечены.

Методы сжатия с потерями обладают одним существенным преимуществом, которое и дало им право на жизнь: они гораздо эффективнее. Коэффициент сжатия - отношение объема исходной информации к объему сжатой - при использовании алгоритмов компрессии с потерями всегда выше, чем при сжатии без потерь. Исследования показали, что максимально

возможный коэффициент сжатия без потерь равен, примерно, 2:1, а с потерями - 200:1 и выше. Поэтому при цифровой записи изображений алгоритмы компрессии с потерями применяются очень широко.

Но при восстановлении сжатых изображений теряется информация и качество изображений. Кроме этого, при обработке и анализе изображений всегда • приходится задаваться вопросом об их качестве. Качество столь сложного объекта как изображение является очень важным, но одновременно и довольно нечетким понятием. Оно оценивается разными способами и в связи с различными задачами. В настоящее время нет достаточно полной методики, позволяющей всесторонне исследовать потери качества изображений при их сжатии. Недостатки популярных критериев оценки качества изображений, таких как среднеквадратическая ошибка, пиковое отношение сигнал/шум и др. заключаются в том, что по ним невозможно сказать, как меняются спектральные и структурные характеристики восстановленных после сжатия изображений.

Актуальность диссертационной работы, таким образом, обусловлена:

- необходимостью более полной количественной оценки потери информации при сжатии изображений методами с потерями;

- необходимостью разработки методики оценки качества сжатых изображений.

В связи с этим, целью диссертационной работы является разработка методики оценки качества алгоритмов сжатия и сжатых изображений.

Для достижения поставленной цели были сформулированы конкретные научные задачи, решаемые в данной диссертационной работе:

1. Качественный анализ эффективности сжатия различных видов цифровых изображений с помощью наиболее распространенных алгоритмов сжатия.

2. Сравнительный анализ кодеков стандарта JPEG 2000 и стандарта JPEG.

3. Разработка интегрального, спектрального и мультифракталыгого критериев оценки качества сжатых изображений.

4. Разработка модулей, реализующих стандартные и разработанные критерии оценки качества сжатых изображений.

5. Исследование влияния сжатия изображений на их яркостные и статистические характеристики.

6. Исследование влияния сжатия на спектральные и шумовые характеристики изображений.

7. Исследование влияния сжатия на фрактальные характеристики изображений.

Научная новизна работы заключается в следующем:

Г. Впервые разработана критериальная модель оценки качества сжатых изображений, учитывающая их яркостные, статистические, спектральные и фрактальные характеристики.

2. Предложены корреляционный, спектральный и мультифрактальный критерии оценки качества изображения, учитывающие его структурные и спектральные характеристики.

Т. Впервые разработаны комплексные методики оценки качества сжатых изображений, позволяющие всесторонне изучить влияния алгоритмов сжатия.

Практическая значимость работы определяется тем, что полученные автором результаты диссертационной работы могут быть использованы в региональных центрах приема и обработки геопространственной информации; в высокопроизводительных центрах по обработке цифровых изображений и в центрах обработки мониторинговой аэрокосмической информации.

На защиту выносятся следующие разработки и результаты:

1. Критериальная модель оценки качества сжатых изображений.

2. Методика оценки качества сжатых изображений.

3. Результаты тестирования предложенной методики оценки качества на реальных изображениях природных и антропогенных объектов.

Апробация работы: Основные положения диссертационной работы докладывались и обсуждались на 61-ой научно-технической конференции студентов, аспирантов и молодых ученых, проводившейся в Московском Государственном университете геодезии и картографии (МИИГАиК), а также на X Международной научно-практической конференции «Методы дистанционного зондирования и ГИС-технологии для оценки состояния окружающей среды, инвентаризации земель и объектов недвижимости», Китай, май 2006 г.

По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано 3 научных работы.

Структура и объем диссертации. Диссертация изложена на 156 страницах и состоит из введения, трех глав, заключения и списка литературы. Работа иллюстрирована 59 рисунками и 7 таблицами. Библиографический указатель включает 87 источников, из них 60 отечественных и 27 иностранных.

Содержание работы

Введение. Во введении обосновывается актуальность выбранной темы диссертации, сформулированы цели и задачи работы, ее научная новизна и практическая значимость.

Глава 1. Обзор современных алгоритмов сжатия изображений

В первой главе рассматриваются широко используемые в настоящее время алгоритмы сжатия статистических растровых изображений, а также соответствующие им графические форматы. Для каждого метода сжатия описываются его алгоритм, классы изображений, на которые он ориентирован, коэффициенты сжатия: минимальный, средний и максимальный, есть ли у метода потери информации. Так же в данной главе рассматриваются стандарты сжатия двоичных изображений: CCITT G3 и CCITT G4, стандарты сжатия полутоновых и цветных изображения: JPEG и JPEG 2000, критерии выбора формата графических изображений. Выбор конкретного формата для определенного приложения обычно предполагает различные взаимозависимые соображения, включающие качество, гибкость, вычисления, хранение или эффективность передачи и возможность поддержки существующими программами.

Особое внимание уделено алгоритмам с потерями информации: JPEG и JPEG 2000. Алгоритм JPEG является очень эффективным методом сжатия изображений с потерей информации. Он применим как к цветным, так и к полутоновым изображениям (но не к мультфильмам и анимациям). Этот алгоритм не очень хорошо сжимает двухуровневые черно-белые образы, но он прекрасно обрабатывает изображения с непрерывными тонами, в которых близкие пиксели обычно имеют схожие цвета. Важным достоинством метода JPEG является большое количество настраиваемых параметров, которые пользователь может выбирать по своему усмотрению, в частности, он может регулировать процент теряемой информации, а значит, и коэффициент сжатия, в широком диапазоне. Стандарт JPEG доказал свою эффективность и стал широко применяться для сжатия изображений, особенно во всемирной паутине.

Существенными положительными сторонами алгоритма является то, что:

1. Задается степень сжатия. Степень сжатия варьируется от 2 до 200.

2. Выходное цветное изображение может иметь 24 бита на точку..

Ухудшение качества декодированного изображения обусловлено

основными искажениями, возникающими на этапе квантования коэффициентов дискретного косинусного преобразования (DCT), которые можно классифицировать следующим образом:

При повышении степени сжатия изображение распадается иа отдельные квадраты (8x8). Это связано с тем, что происходят большие потери в низких частотах при квантовании, и восстановить исходные данные становится невозможно; Эффект Гиббса - ореолы по границам резких переходов цветов; Блокинг-эффект; Мозаичный-эффект; Размытие изображения; Окантовки на

границах; Размытие цветов; Искажение типа «ступеньки»; Искажение, имеющие вид базисных функций DCT.

Стандарт JPEG 2000, хотя он еще окончательно формально не принят, расширяет исходный стандарт JPEG, предоставляя большую гибкость, как при сжатии полутоновых неподвижных изображений, так и при доступе к самим сжатым данным. Базовая схема JPEG 2000 очень похожа на базовую схему JPEG. Основное отличие заключаются в следующем: вместо дискретного косинусного преобразования (DCT) используется дискретное вэйвлет-преобразование (DWT). Алгоритм JPEG 2000 поддерживает сжатие без потерь информации. Помимо привычного сжатия с потерями новый JPEG теперь будет поддерживать и сжатие без потерь. Таким образом, становится возможным использование JPEG для сжатия медицинских изображений, в полиграфии, при сохранении текста под распознавание OCR системами и т.д.

С бурным развитием информационных технологий наблюдается возрастающее число областей, взаимосвязанных с эффективной обработкой, запоминанием, хранением и передачей графических данных. Поэтому использование.методов сжатия изображений для уменьшения объема исходных данных является необходимым. Однако, методы сжатия без потери информации являются малоэффективными для сжатия больших массивов. Этого -можно добиться только с помощью методов сжатия с потерями информации. Тогда возникает вопрос: «как оценить качество изображений до и после сжатия, и по каким критериям?». Одна из серьезных проблем при обработке графических изображений заключается в том, что до сих пор не найден адекватный критерий оценки качества изображения. Однако оно теряется везде — оно теряется не только при сжатии изображений с потерями но и при оцифровке, при переводе в ограниченную палитру цветов и при переводе в другую систему цветопредставления. Недостатки популярных всем критериев оценки качества изображений как среднеквадратической ошибки, пикового отношения сигнал/шум и др. являются тем, что по ним невозможно сказать, как меняются спектральные характеристики и структуры восстановленных после сжатия изображений. Вопрос количественной оценки качества изображений до конца не решен. Он является важным шагом на пути к решению задач оптимальных преобразований изображений с точки зрения визуального восприятия.

В связи с этим, целью диссертационной работы является разработка методики оценки качества сжатых изображений; учитывающая их яркостные, спектральные и мультифрактальные характеристики.

Глава 2. Методика оценки качества сжатых изображении

Во второй главе рассматриваются различные критерии и методика оценки качества сжатых изображений.

При цифровой записи изображений алгоритмы компрессии с потерями применяются очень широко. Но при восстановлении сжатых изображений мы теряем информацию и качество изображений. Кроме этого, при обработке и

анализе изображений всегда приходится задаваться вопросом об их качестве. Оно оценивается разными способами и в связи с различными задачами.

При первом подходе качество рассматривается как характеристика самого изображения и определяется его собственными свойствами (яркостными, статистическими, структурными, семантическими). Соответствующие критерии либо являются субъективными, либо опираются на объективные характеристики изображения: форму и параметры распределения яркости, ширину пространственного спектра и т.п. Такие безотносительные критерии имеют довольно ограниченное применение. Яркостные статистические характеристики представлены в табл. 1.

Табл. 1. Статистические характеристики для оценки качества цифровых изображений.

Л4 Характеристики Формулы Описания

1 Средняя яркость ы Средняя яркость изображения

2 Дисперсия <Т»(1)- Мера яркостного контраста изображения

3 Третий момент -«)'/>(*,> /-0 Характеристика асимметрии гистограммы распределения яркостей изображения

4 Четвертый момент 1-й Характеристика эксцесса гистограммы распределения яркостей изображения

5 Относительная гладкость Равна 0 для областей постоянной яркости (где дисперсия равна нулю) и приближается к 1 для больших значений су2 (г)

6 Однородность и достигается для изображения, все элементы которого имеют одинаковую яркость (максимально однородное), и уменьшается по мере роста яркостных различий

7 Средняя энтропия Ы Энтропия характеризует изменчивость яркости изображения; она, наоборот, равна 0 для области постоянной яркости и максимальна в случае равновероятных значений.

При другом подходе качество рассматривается как мера близости двух изображений: реального и некоторого идеального, или исходного и преобразованного. Такой подход более конструктивен, он позволяет оценивать количественные изменения значений яркости, уровень искажений изображений при их преобразованиях (фильтрации, сжатии данных и т.д.), то есть, по существу, качество самого средства преобразования - алгоритма или системы обработки изображений и оценке качества алгоритмов. Критерии качества, рассматриваемые как мера близости двух изображений, представлены в табл. 2.

Табл. 2. Критерии качества, рассматриваемые как мера близости двух изображений: реального и некоторого идеального, или исходного и преобразованного.

№ Показатели оценки Формулы Описание

1 Анализ ошибок Средняя пиксельная ошибка AD - N*M где: Я", У): исходное изображение fix, у): восстановленное изображение

2 Максимальная ошибка MD = шах|/(л,^) — - Это очень строгий критерий. Он используется в тех случаях, когда выдвигается требование высокой точности представления не изображения в целом, а каждой его точки. Это необходимо в ответственных случаях, при получении ценных, уникальных изображений. Однако данный показатель имеет серьезный недостаток - сложность теоретической оценки и, соответственно, использование его в процедурах оптимизации.

3 Среднеквадратичная ошибка NM - Эта величина будет постоянной по всему полю аргументов. е2*„ характеризует среднее качество изображения в целом, а на различных его фрагментах ошибки, в принципе, могут различаться. - Достоинство среднеквадратичного критерия — его простота. При его использование многие задачи анализа и оптимизации алгоритмов обработки изображений легко решаются аналитически. Поэтому он очень часто применяется.

4 Оценки шумов Отношение сигнал/шум SAW-IOIogM tzl/XI.rt-ywi J г™=J-dr £ Zi/W) - n*.yi' ^Graykwi' максимальное количество градаций серого.

5 Пиковое отношение сигнал/шум PSNR = 20 logl0 [—

6 Корреляционный анализ Нормированная корреляция NK - у' м- LIt/W)]1 *-l >1-1 Двумерная автокорреляционная функция (ДАКФ) характеризует внутреннюю корреляционную структуру изображения. i=0, I, 2....

7 Коэффициент взаимной корреляции

8 Статистическое отличие изображений EE h*.>>-/<*.>)]' ,,—-— EEL/wi

9 Автокорр. функция (ДАКФ) „ м: X 2, -8< }

сг, СГ . 11 ««

Интегральный критерий. Для оценки визуального качества изображения используется эмпирический подход. Для формирования этой оценки рассматриваются такие параметры изображения как среднеарифметическое значение ¿яркостей, полнота использования градаций яркостей, резкость изображения и его яркостной контраст. Предложенный интегральный критерий оценки качества сжатых изображений представлен в табл. 3.

Табл. 3. Интегральный критерий оценки качества сжатых изображений.

№ Показатели оценки Формулы Описание

1 Уровень адаптации зрительной системы Т -1 п £д = 1- Ьшх - 1-шх ! 2 и ^-шх: средняя и мак. яркость из об р.

2 Полнота использования его элементами градаций яркостей изображения 5 - количество уровней яркостей

3 Показатель контраста изображения /=0

4 Показатель резкости изображения

5 Интегральный критерий 2 = к - нор. коэф.

«а=Е1УЛ=ЕЕ[/о+и)+/(?-1.л+Л'./+1>+/с.;-1)]-4/(/,л ■■2 >2 ¡-г )-г

Ы-\ А/—1 Т>п ЕЕ^ Л щ Щ

Л1-1 Л./-1 2 Е+'22, + г,) - (г, + 2г2 + г3)| + |(г3 + 2г6 + г,) - (г, + 2г4 + г,)| ] щ _ .-2 >2 2""Р■ 8 х (ТУ — 2) х (М - 2) х (£ -1)

где: г,=/(х-1,у-1), г2=/(х-1,у), г3=/(х-1,у+1), г4=/(х,у-1), г5=/(х,у), г6=/(х,у+1), г7=/(х+1,у-1), 27=/(х+1,у), 27=/(х+1,у+1).

Важным параметром оценки визуального качества изображения в данном методе является его резкость, которая определяется первой и второй производными изображения. Это объясняется чем, что первая производная дает в результате «толстые» контуры, а вторая — значительно более тонкие.

I

I

Следующей является отдельная точка. На ней отклик второй производной оказывается значительно сильнее отклика первой производной. В данном критерии, в качестве второй производной мы используем оператор Лапласа, а первой производной - оператор Собела (модуль градиента изображения).

Большинство известных нам подходов использует лишь один параметр качества изображения. Преимущество разработанного интегрального критерия заключается в том, что он объединяет важные показатели качества, определение которых исходит из единой вероятностной модели изображения.

Спектральные критерии. Одного учета влияния сжатия изображения на яркостные статистические характеристики, для всестороннего изучения искажений, вносимых процессом сжатия, недостаточно. В связи с этим мы исследуем влияние сжатия изображений на их спектральные и шумовые характеристики. Кратко опишем методику оценки спектральных критериев. Сначала необходимо получить из исходного изображения его Фурье-спектр мощности. Далее вычисляются спектральные критерии восстановленных после сжатия изображений. Спектральные критерии оценки качества сжатых изображений представлены в табл. 4.

Табл. 4. Спектральные критерии оценки качества сжатых изображений.

Показатели оценки Формулы

Прямое. дискретное Фурье преобразование Ш „0

Фурье-спектр мощности Р(и, V) = V)! ■г = [л2 (и, V) + /2 (и, V)]

Одномерный профиль спектра F(í:,) = Л.к-'', у, = 1п[Г(*,)], X, = 1п(*,),« = -/>

Показатель наклона одномерного сечения спектра N N N р= а= м , С" Л " (§*)

Число степеней свободы спектра

Показатель степени иерархичности структуры исследуемого спектра Л=1- я , Я =Л/(-1о§5Ч/,))и

Относительное среднее квадратичное отклонение энтропии Н спектра мощности

Мультифрактальные критерии. Изучение геометрических характеристик природных объектов (острова, речные системы, лесные массивы, облака и др.) показало, что многим из них присущи такие свойства, как структурное самоподобие, самоаффиность их контурной составляющей. Исследование и параметризация этих особенностей в рамках традиционной

математической обработки изображений ограничено, так классическая геометрия не может описать выше названные стохастические свойства реальных геометрических структур. В последние годы для анализа природных объектов все чаще используются методы фрактальной геометрии. Но эти объекты очень редко могут быть описаны с помощью лишь одной величины фрактальной размерности. Поэтому в настоящее время получил большое распространение анализ, основанный на теории мультифракталов. Мы предлагаем использовать для анализа качества изображений следующие мультифрактальные критерии, представленные в табл. 5.

Табл. 5. Мультифрактальные критерии оценки качества сжатых изображений.

Мультифрактальные критерии Описание

1. D =r(<?) = 1 limta<Z<*'» " q-1 <7-1 ln(£) NU) 2. 2(î,£)=Ip,'(î) при £-+0 (-1 Vmm Viimw ma xjD^-D,.,} ' àq o. AU D'v - ——x1^-xlÛ0% * Т) -обобщенная фрактальная размерность Реньи; • £(<?, в) - обобщенная статистическая сумма вероятностей заполнения ячеек размера (масштаба) € , покрывающих исследуемое изображений; ■ К0, АО, О^ - количественные меры степени неоднородности фрактальной структуры. ■ При К0«\ можно говорить о высокой степени однородности структуры спектра фрактальной размерности и вычислять общую фрактальную размерность. В противном случае можно говорить лишь о средней фрактальной размерности. ■ Показатель АО также связан с неоднородностью структуры спектра размерности. Если ДО близко к нулю, то структура спектра однородна, а достаточно большое АО характерно для хаотической динамики. ■ Показатель О^ характеризует крутизну перехода от отрицательных к положительным значениям д .

где <т(£)?) и М(О^) - среднеквадратическое отклонение и среднее арифметическое обобщенной фрактальной размерности Оц.

Глава 3. Экспериментальные исследовании

В третьей главе производится классификация изображений по их типам и статистическим характеристикам. По результатам данной классификации выделяются следующие классы изображений: черно-белые, полутоновые (низко-контрастные, средне-контрастные и сильноконтрастные) и цветные изображения. Далее в работе описаны проведенные автором исследования: качественный анализ эффективности сжатия различных видов цифровых изображений с помощью наиболее распространенных алгоритмов сжатия. В нашем исследовании рассматриваются следующие методы сжатия: методы без потери: RLE(BMP), RLE(PCX), RLE(TGA), LZW(TIFF), LZW(GIF), Deflate(TIFF), Lossless JPEG 2000 и методы с потерями: JPEG, JPEG 2000.

Методы сжатия без потери информации

Метод сжатия о потерями информации: JPEG

Метод сжатия с потерями информации: JPEG 2000

с 1

5-s

"? га О QJ X

а о

CJ л

з- s

&511№т> 5663№р Бвбб апф 61ЙШтр 62© а Ч«рне-£«ль* ямбрхмяня

□ CCnTG3 (TÏ) И CCITT G4 (TIF)

□ RLE (В»*}

□ RLE (PCX) BRLE(TGA) QL2W [TIFF) «LZW(GF)

О Deflate (TIFT) g ; ire

11 tup йв&шф ie&jtmp eisotrrp Мерно-белые изображения

□ RLE(BMF) 0LZW(7TFF) . . ■ Lossless JPG Ш!РЕВ(ОЛОО) E JP63 (10/100)

□ JPEG (30/100) В JFK3 (50/100) В JPEG (80/100)

aiPFnqro/inn).

SSIl^nç ЖШпр 6

Черно-белые изображения

□ RLE (PCX)

□ LZW(GF) BCCnTG4(TF) 1JPB3 (0/100) Q JP2 (10)

■ JF2(20) 1JP2(50)

S К

Л S

a x

0 ©

1 S О га

a >ю

5 °

О м С S

Полутоновые изображения

iliiiiiiilii ? i = 3 S 8 " t|!iss.j

Полутоновые изображения

- Lossless JPG (JP2)

-JFEG 100/100

-JFB3 60/100

— JPEG 50/100 -JFB3 30/100 -JF0310/100 -JPEG 0/100

30 20 10 0

/

Полутоновые изображения

« -, —RLE (PCX) —»— RLE (TGA) —«—LZW(TFF) —•— LZW(GIF) —•— Deflate (TIFF) —•—Lossless JPG (JPZ)

H

i 6" Ï5 : « Ь з i» £ 1 • Д i

• д ^

:

/s/////// v ff Цветные изображения

Ш vo IT О

60 50 40

30 ■

' 20 - -»-

* о & £ У * 4 ¿г Цветные изображения

-Lossless JPG (JP2) -JP21

-JP210

-JP2 20

-JP2 60

Рис. 1. Качественный анализ эффективности сжатия различных видов цифровых изображений с помощью наиболее распространенных алгоритмов сжатия.

Табл. б. Сравнительный анализ эффективности наиболее широко используемых алгоритмов сжатия.

Алгоритмы сжатия Черпо-белые изображения Полутоновые и цветные изображения - Потерн качества

Коэффициенты сжатия: мин., ср., мак. Коэффициенты сжатия: мин., ср., мак.

RLE (BMP, TGA, PCX) 0,5/1; 1,5/1; 4/1 0,5/1 - 1,2/1 (малоэффективны) Нет

LZW (TIFF. GIF) 2/1; 4/1; 12/1 0,5/1 - 1,2/1 (малоэффективны) Нет

Deflate (TIFF) 2/1; 4/1; 16/1 1/1; 2/1; 3/1 Нет

CCITT G3 (TIFF) 2/1; 4/1;16/1 Не поддерживается Нет

CCITT G4 (TIFF) 2/1; 6/1; 19/1 Не поддерживается Нет

Lossless JPEG . 2000 (JP2) <1 1,5/1; 2/1; 3/1 Нет

JPEG (JPG) 0,5/1 - 2/1 (малоэффективны) 2-200 Да

JPEG 2000 (JP2) 0,5/1 - 2/1 (малоэффективны) 2-200 и выше Да

Из результатов выполненного экспериментального исследования, представленных на рис. 1. и табл. 6, можно сделать следующие выводы и рекомендации:

Для изображений с малым числом цветов методы сжатия с потерями информации как JPEG и JPEG 2000 малоэффективны. Более того, эти методы приводят к потере качества изображений. Методы сжатия без потери показывают высокие степени сжатия для изображений с малым числом цветов: стандарт CCITT G4, стандарт CCITT G3, Deflate и LZW.

Наоборот, для полутоновых и цветных изображений методы без потери малоэффективны: степень сжатия методов RLE и LZW варьируется в диапазоне 0,5:1-1,2:1. Максимальная степень сжатия достигается при применении методов сжатия с потерями информации JPEG и JPEG 2000.

• Не рекомендуется использовать алгоритмы с потерями информации: JPEG и JPEG 2000 для сжатия черно-белых и изображений с малым числом цветов (2-16 цветов).

• Рекомендуется использовать следующие методы без потери: стандарт CCITT G4, стандарт CCITT G3, Deflate(TIFF), LZW(GIF), LZW(TIFF) для сжатия черно-белых и изображений с малым числом цветов.

• В случае необходимости сохранения 100% качества полученных после сжатия изображений автор рекомендует использовать методы сжатия без потери: Deflate (TIFF) и метрика Lossless JPEG 2000.

• В зависимости от области применения сжатых и восстановленных после сжатия изображений, можно использовать методы JPEG и JPEG 2000. Тогда необходимо наблюдать и контролировать качество полученных изображений.

Далее в работе описаны проведенные автором исследования, заключающиеся в сравнительном анализе кодеков JPEG 2000 и JPEG. Результаты исследования представлены на рис. 2.

Рис. 2. Графики зависимости PSNR от коэффициента сжатия.

На основе результатов данного экспериментального исследования можно сделать следующие выводы: Как и ожидалось, JPEG сильно уступает всем кодекам стандарта JPEG 2000. Все кодеки стандарта JPEG 2000 достигает гораздо более высоких коэффициентов сжатия, чем JPEG, при лучшем визуальном качестве. Если его поддержка будет встроена в популярные программы, то в скором времени JPEG 2000 сможет полностью заменить устаревший JPEG.

Дисперсия яркости изображений

$

* 51 I "

Коэффициент сжатия

Асиметрия гистограммы

' распределения яркостей изображения

1.50

! 1,00

I 0,50

I

I

8- 0,00

-1,00

№ ❖ <? ^

Козффицие нт сж атия

Эксцесс гистограммы

распределения яркостей изображения

Коэффициент сжатия

Средняя яркость изображений

Минимальная яркость изображений

Максимальная яркость изображений

Диапазон яркости изображений

» 20

1 230

3

Коэффициент сжатия

^ * Коэффициент сжатия

^ ❖ «Р Коэффициент сжатия

ч° * -9 $ & £ Коэффициент сжатия

Рис. 3. Яркостные и статистические характеристики сжатых изображений.

Далее в работе описаны проведенные автором исследования, заключающиеся в изучении влияния сжатия изображений на их яркостпые и статистические характеристики. Результаты данного исследования представлены на рис. 3.

Проведенное исследование показало, что искажения яркостпых статистических характеристик изображений не имеют определенных закономерностей. По ним мы не можем предсказать, насколько качество изображения теряется в каждом конкретном случае.

Рассмотрим оценку качества изображений, выполненную с применением следующих критериев: интегральный критерий, средняя ошибка, максимальная ошибка и среднеквадратическая ошибка (см. результаты на рис. 4 и рис. 5).

0=0,034488459

0=0,012705843

0=0,0028670023

• Рис. 4. Применение интегрального критерия для оценки качества сжатых изображений.

Исходное изображение

100-кратное сжатие

ш шмущш тт

к'' IV-' «1 \Л/ Л-* Й с

¿Г» < ]

...Чу. чтаЛЛУ^О

сред. ошибка=0

\-ffc .V 5 Г1 ,

Ьш тм

мак. ошибка=0

ско=о

сред. ошибка^,7700558 мак. ошибка=68 СКО=129,39167

сред. ошибка=14,608033 мак. ошибка=124 Ск0=369,70511

Рис. 5. Применение критерия оценки качества сжатых изображений: средняя ошибка, максимальная ошибка и среднеквадратическая ошибка.

Как показали результаты нашего исследования, интегральный критерий, средняя ошибка, максимальная ошибка и среднеквадратичная ошибка монотонно зависят от степени сжатия изображений. Полученные количественные оценки хорошо коррелируют с визуальным восприятием.

Рассмотрим результаты применения автокорреляционной функции для оценки качества сжатых изображений.

Рис. 6. Применение автокорр. функции (АКФ) для оценки качества сжатых изобр.

Из рис. 6 видно, что графики ДАКФ восстановленных после сжатия изображений находятся выше графика исходного изображения. Чем больше степень сжатия, тем выше находится график ДАКФ восстановленного после сжатия изображения. Более того, наклон графика ДАКФ (т.е. скорость спадания) восстановленного после сжатия изображения уменьшается при увеличении степени сжатия. Можно сказать, что процесс сжатия изображений с потерями изменяет их внутреннюю корреляционную структуру, а именно происходит сглаживание неоднородности изображений, соседствующие пиксели становятся более связаны между собой.

Далее описаны .проведенные автором исследования, заключающиеся в изучении влияния сжатия на спектральные н шумовые характеристики изображений.

▻н-1.2КЕ-0> Р,-»62Е-04 Р,»*.14Е44 РвО-51Е-М Рс»1.'гОЕ-03 Р,=5.79Е-04 Р„-3.76ЕЛ1 Рп"1.ввЕ-ВЗ Р.-МЭЕОЧ

Рис. 7. Фурье спектр мощности изображений. 18

5.00Б-03

4.00Е-03

СО

п 3.00Е-03

п

о 2.00Е-03

о

1.00Е-03

о.оомо

Показатель наклона спектра мощности (Р)

1 10 25 50 100 150 200 Коэффициент сжатия

Показатель наклона спектра мощности (Р)

1 10 25 50 100 150 200 Коэффициент сжатия

Показатель наклона спектра мощности (Р)

8.00Е-04 6.00Е-04 4.00Е-04 2.00Е-04 О.ООЕЧЮ -2.00Е-04 -4.00Е-04

1 10 25 50 100

Ж

Число степеней свободы пространственного спектра (Кь)

10 25 50 100 150 200 Коэффициент сжатия '

Число степеней свободы пространственного спектра (Кб)

0,995 - 0,99 0,985 0,98 0.975 0,97 0,965 0,95

лд

1 10 25 50 100 150 200 Коэффициент сжатия

Коэффициент сжатия

Число степеней свободы . пространственного спектра (Кв| 0,992 0,99 0,988 0,98В 0.984 0,982 0,98 0,978

10 25 50 100 150 200 Коэффициент сжатия

Показатель степени иерархичности структуры пространственного спектра (Я)

3.50Е-03 3.00Е-03 2.50Е-03 2.00Е-03 1,50Е-0Э 1.00Е-03 5.00Е-04 О.ООЕЮО

1 10 25 50 100 150 200 Коэффициент сжатия

Показатель степени иерархичности структуры пространственного спектра (Г?)

1 10 25 50 100 150 200 Коэффициент сжатия

Показатель степени иерархичности структуры пространственного спектра (Я)

3,ООЕ-О3 1 2,50Е-03 2,ООЕ ОЗ -1.50Е-03 ■ 1.00Е-03 -5.00Е-04 -О.ОО&ОО ■

1 10 25 50 100 150 200 Коэффициент сжатия

Относительное СКО энтропии Н спектра мощности (КЪ)

4.00Е-03 •

10 25 50 100 150 200 Коэффициент сжатия

Относительное СКО энтропии Н спектра мощности {КЬ}

4.00Е-03 3.50Е-03 3.00Е-03 2.50Е-03 2.00Е-03 1.50Е-03 1.00Е-03 5.00Е-04 О.ООЕЮО

10 25 50 100 150 200 Коэффициент сжатия

Относительное СКО энтропии Н спектра мощности (№)

10 25 50 100 150 200 Коэффициент сжатия

Рис. 8. Графики зависимости спектральных характеристик восстановленных после сжатия изображений от их степени сжатия.

Анализ результатов вычислительного эксперимента, представленных па рис. 7. показал что, начиная с 5-го кратного сжатия наблюдается существенные отличия в спектральном составе восстановленных после сжатия изображений от исходных. Медленно меняющие периодические составляющие изображения сглажены. Контуры, мелкие детали размыты, также структура изображения изменилась после сжатия. Соответственно, в частотной области видно, что структура пространственного спектра изменилась. Диагональные составляющие, которые отвечают резким контурам деталей, видны на спектре исходного, но не видны на спектрах восстановленных изображений.

Количественные оценки изменения спектральных характеристик изображения можно видеть на рис. 8. В нижней и средней частотной областях пространственного спектра показатель наклона спектра монотонно увеличивается в направления увеличения степени сжатия изображений. Это говорит о том, что медленно меняющиеся составляющие изображения были сглажены. В высокочастотной области пространственного спектра показатель наклона спектра уменьшается не монотонно. Даже для некоторых восстановленных изображений этот показатель отрицателен. Поэтому можно утверждать, что при сжатии изображений шумовые составляющие как бы добавляются в восстановленные после сжатия изображения. Если значение показателя наклона спектра восстановленного изображения отклоняется на 10% от исходного, то визуально наблюдается существенная потеря качества изображения при его сжатии.

Проведенные исследования показали, что предложенные критерия достаточно эффективны для количественной оценки влияния сжатия изображений на их спектральные характеристики и обладают достаточной чувствительностью к изменению спектрального состава изображения.

Рассмотрим результаты исследования влияния сжатия на фрактальные характеристики изображений, которые представлены на рис. 9, рис. 10 и рис.

П.

Традиционно меры качества или искажения были основаны на среднеквадратичной ошибке МБЕ или ее вторичной величине как РБИЯ (отношение сигнал/шум). Обычно такие меры применяются для оптимизации систем обработки изображений. Эти критерии рассматривают особенности изображения, такие как резкие границы, периодические текстуры и др. как однородные. В отличии от них, мультифракталыше меры, предлагаемые в данной диссертационной работе, - по определению — характеризуют именно такие . особенности изображений. Кроме того, эти меры могут классифицировать шумы в зашумленных сигналах или изображениях в зависимости от их природы (периодический, случайный и т.д.). Как показали наши исследования, мультифрактальные спектры /(а) и Оч могут быть использованы для оценки качества изображений, качество которых сильно зависит от степени их сжатия.

Рис. 9. Сравнительный анализ фрактальных спектров сжатых изображений

-.ЛЬ* -4Т I 4'>/4'

Мультифрактальный спектр обобщенных фрактальных размерностей Реньи Оц

-Исх. КС ю

5" 10 "15'20"25"*

Кор. абсолютная средняя разность Од

Степени сжатия

Рис. 10. Результаты мул ьти фра стального анализа изображений Спектр д£> Спектр

Спектр

Количественная мера неоднородности фрактальной структуры

0.404 0.4638 0.4636 0.4КИ

о«взг

0.403 0,4626 0.«С6

50 100 150 200

Уровни сжатия изображаю

Количественная пера неоднородное™

фргкппъио* структуры

0.152 0.151 0.15 ^ 0,1*9 5 0.148 •§ 0,147 О 0.146 0.145 0.144 0,143

ш

10 25 50 1 00 150 200 Уровни сжатия изображения

Количественная мера не «дно роди ости фралялмой структуры

0,1046 0,1044 0,1042 '[ 0.104 0.103В 0.1036 0,1034

10 25 60 100 150 Уровня ежгтя изображен»«

Рис. 11. Пример использования количественной меры степени неоднородности фрактальной структуры сжатых изображений.

Степень искажения изображения зависит от того, насколько спектры /(а) и D4 для восстановленного после сжатия изображения отклоняются от исходных. При сжатии зашумленных изображений, изменения спектров /(а) и позволяют оценить уровень периодических и шумовых составляющих в восстановленном после сжатии изображении. Качественно уровень искажения может быть определен визуальным отображением разницы /(а) и Dq или путем измерения отдельных характеристик /(а) и D оригинальных и обработанных изображений.

Анализируя влияние сжатия на фрактальные характеристик различных полутоновых и цветных изображений (рис. 9, 10, 11), мы видим, что мультифрактальный спектр обобщенных фрактальных размерностей Реньи D и функция мультифрактального спектра f{a) восстановленных после сжатия изображений точечных объектов сильно отклоняются от исходных. Для изображений площадных объектов наблюдаются только малые отклонения.

Для оценки влияния сжатия на фрактальные структуры изображений мы рекомендуем использовать мультифрактальные критерии: К,,, дD, DM. Эти критерии могут быть использованы для оценки изменчивости, стохастичности, однородности и упорядочности фрактальной структуры изображений.

■ При KD<< 1 можно говорить о высокой степени однородности структуры спектра фрактальной размерности и вычислять общую фрактальную размерность. В противном случае можно говорить лишь о средней фрактальной размерности.

■ Показатель ДD также связан с неоднородностью структуры спектра размерности. Если ДД близко к нулю, то структура спектра однородна, а достаточно большое ДО характерно для хаотической динамики.

■ Показатель Dfq характеризует крутизну перехода от отрицательных к положительным значениям q .

Как показали результаты нашего исследования, представленные на рис. 11., мы видим, что значения KD, AD, ¿^достаточно чувствительны к изменениям исходного изображения в случае сжатия.

Заключение

Представленная диссертационная работа содержит научные исследования автора, связанные с качественным и количественным анализом эффективности и влияния наиболее широко используемых в настоящее время алгоритмов сжатия графических изображений.

Основным итогом диссертационной работы является разработанная автором методика оценки качества алгоритмов сжатия и сжатых изображений.

В работе получены следующие основные результаты:

■ Изучены и проанализированы существующие методы сжатия цифровых изображений с точки зрения эффективности и влияния па качество изображении.

■ Разработана критериальная модель оценки качества сжатых изображений.

■ Разработаны программные модули, позволяющие реализовать предложенную методику оценки качества сжатых изображении.

■ Предложены новые критерии оценки качества цифровых изображений, базирующиеся на их спектральных и мультифрактальных характеристиках.

■ Выработаны рекомендации по использованию наиболее распространенных алгоритмов сжатия.

Разработанная автором методика оценки качества сжатых изображении может быть использована для решения широкого круга научных и практических задач. Возможны следующие направления использования результатов выполненного исследования:

■ Региональные центры приема и обработки геопространственной информации;

■ Высокопроизводительные центры по обработке цифровых изображений;

■ Центры обработки мониторинговой аэрокосмической информации;

" При подготовке специалистов в области цифровой обработки изображений.

Список опублнкопапных работ по теме диссертации

1. Нгуен Динь Минь, Малинников В.А. Оценка качества сжатых изображений. // Труды X Международной научно-практической конференции GEOINFOCAD - ASIA, Китай 2006, М: МИИГАиК, 2006, - стр.30-40.

2. Нгуен Динь Минь. Проблемы сжатия цифровых изображений при формировании банков геопространственных данных. // Рациональное природопользование, промышленная экология и дистанционные методы. Сб. науч. трудов, М.: ГУЗ, 2006, - стр. 104-114.

3. Нгуен. Динь Минь. Критерии оценки качества сжатых изображений. ■// Известия вузов, специальный выпуск, М.: МИИГАиК, 2006, - стр. 115-122.

Подписано в печать 14.11.2006. Гарнитура Тайме Формат 60x90/8. Бумага офсетная. Печать офсетная. Печ. л. 1,5 Тираж 80 экз. Заказ № 251 Цена договорная

Отпечатано в УПП <Репрография» МИИГАиК 105064, Москва, Гороховский пер., 4

Содержание диссертации, кандидата технических наук, Нгуен Динь Минь

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ АЛГОРИТМОВ СЖАТИЯ ИЗОБРАЖЕНИЙ.

1.1 Методы сжатия без потери информации.

1.1.1. Статистические методы.

1.1.1.1. Метод группового кодирования (RLE).

1.1.1.2. Метод Хаффмана.

1.1.1.3. Адаптивные коды Хаффмана.

1.1.1.4. Метод Шепнопа-Фано.

1.1.1.5. Арифметический метод.

1.1.2. Словарные методы.

1.1.2.1. Метод сжатия LZ77.

1. 1.2.2. Метод сжатия LZW.

1.1.3. Метод JBIG.

1.1.4. Lossless JPEG.

1.2. Алгоритмы сжатия с потерями.

1.2.1. Рекурсивное сжатие (Wavelet-компрсссия).

1.2.2. Алгоритм JPEG.

1.2.3. Алгоритм JPEG 2000.

1.2.4. Фрактальный алгоритм.

1.3. Стандарты сжатия изображений.

1.3.1. Стандарты сжатия двоичных изображений.

1.3.2. Стандарты сжатия полутоновых неподвижных изображений.

1.4. Форматы графических файлов.

1.4.1. Различия между форматом и алгоритмом сжатия.

1.4.2. Формат PCX.

1.4.3. Формат BMP.

1.4.4. Формат TARGA.

1.4.5. Формат GIF.

1.4.6. Формат TIFF.

1.4.7. Формат PNG.

1.4.8. Формат ПостСкрипт.

1.4.9. Выбор форматов.

1.5. Постановка цели и задач диссертационного исследовании.

ГЛАВА 2. МЕТОДИКА ОЦЕНКИ КАЧЕСТВА СЖАТЫХ ИЗОБРАЖЕНИЙ.

2.1. Типы и классы растровых изображений.

2.2. Статистические характеристики цифровых изображений.

2.3. Безотносительные критериальные характеристики для оценки качества цифровых изображений.

2.4. Критерии качества, рассматриваемые как мера близости двух изображений.

2.5. Спектральный анализ сжатых изображений.

2.6. Мультифрактальный анализ сжатых изображений.

2.7. Методика оценки качества сжатых изображений.

Выводы по главе.

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ.

3.1. Качественный анализ эффективности сжатия различных видов цифровых изображений с номощыо наиболее распространенных алгоритмов сжатия.

3.1.1. Сравнительный анализ эффективности современных алгоритмов сжатия без потери информации при сжатии черно-белых изображений.

3.1.2. Сравнительный анализ эффективности алгоритмов сжатия с потерями JPEG и JPEG 2000 при сжатии черно-белых изображений.

3.1.3. Сравнительный анализ эффективности современных алгоритмов сжатия при сжатии полутоповых и цветных изображений.

3.1.4. Сравнительный анализ кодеков стандарта JPEG 2000 и JPEG.

3.2. Исследование влияния сжатия изображений на их иркостпые и статистические характеристики.

3.3. Исследование влияния сжатия па спектральные и шумовые характеристики изображений.

3.5. Исследование влияния сжатия на фрактальные характеристики изображений.

Выводы по главе.

Введение Диссертация по наукам о земле, на тему "Разработка методики оценки качества сжатых изображений"

Использование изображений и видеоинформации в современном мире стремительно возрастает. Здесь и различные системы мониторинга, наблюдения, технического зрения, видеотелефонии, регистрирующие и передающие огромные объемы видеоданных, и различные автономные системы, принимающие решение па основе анализа видеоинформации, и персонализированное телевизионное вещание, и полиграфия со значительно возросшим объемом иллюстрации в печатной продукции, и медицина, и Интернет, и многие другие направления. Каждый день огромное количество информации запоминается, преобразуется и передается в цифровом виде [50]. Фирмы снабжают через Интернет своих деловых партнеров, инвесторов и потенциальных покупателей годовыми отчетами, каталогами и информацией о товарах. Ввод и прослеживание распоряжений - две основные электронные банковские операции - могут выполняться в комфортных условиях прямо из дома. Вот-вот станет реальностью составление индивидуальной программы кабельного телевидения по заказу пользователей. Поскольку значительная часть передаваемых данных при этом является по существу графической или видеоинформацией, требования к устройствам хранения и средствам связи становятся огромными. Современное развитие геоинформациопных технологий ведет к увеличению объемов накапливаемых и обрабатываемых геоизображений, передаваемых по различным каналам связи. Таким образом, значительный практический и коммерческий интерес приобретают средства сжатия данных для их передачи или хранения [16, 50].

Современное поле сжатия информации весьма обширно, на нем взошло огромное количество различных методов компрессии всевозможных типов данных: текстов, изображений, видео и звука. Среди этого многообразия методов особое место занимает сжатие изображеиий, так как, во-первых, это первая область, где пользователи имеют дело с большим числом файлов, которые необходимо эффективно сжимать, а во-вторых, здесь мы впервые встречаем сжатие с частичной потерей информации.

Сжатие изображений ориентировано на решение проблемы сокращения объема данных, требуемого для представления цифрового изображения. Основной такого процесса сокращения является удаление избыточных данных. С математической точки зрения это равнозначно преобразованию некоторого двумерного массива данных в статистически некоррелированный массив. Такое преобразование сжатия применяется к исходному изображению перед тем как его сохранить или передавать. Впоследствии сжатое изображение распаковывается и восстанавливается в исходное изображение или некоторое его приближение [50].

В настоящее время сжатие изображений может рассматриваться как «технология расширения возможностей». В дополнение к упомянутым областям применения, сжатие изображение является естественным способом поддержания увеличивающего разрешения современных устройств ввода изображений, в так же все возрастающей сложности широковещательных телевизионных стандартов. Более того, сжатие изображений играет существенную роль во многих разнообразных и важных применениях, таких как видеоконференции, дистанционное зондирование (использование изображений, получаемых со спутников, для прогноза погоды, решения многих задач экологического мониторинга, аэрокосмического мониторинга окружающей среды и изучения природных ресурсов, опасных природных и техногенных процессов), формирование изображений документов, медицинские изображения, факсимильная передача, управление беспилотными летательными аппаратами в военных, космических, или других опасных областях. Короче говоря, наблюдается все возрастающее число областей, взаимосвязанных с эффективной обработкой, запоминанием, хранением и передачей двоичных, полутоновых и цветных изображений.

Все методы компрессии подразделяются на два вида: методы сжатия без потерь информации и с потерями. Первые из них позволяют сжимать данные таким образом, чтобы впоследствии их можно было восстановить с абсолютной точностью. Во многих приложениях сжатие без потерь является единственно допустимым способом сокращения объема данных. Одним из таких приложений является архивация медицинских или деловых документов, сжатие с потерями которых обычно запрещено по закону. Другим является обработка спутниковых изображений, где как применение, так и стоимость получения исходных данных делают сжатие нежелательным. Еще одним направлением является цифровая рентгенология, в которой потеря информации может ухудшить точность диагностики [12, 14, 16].

Сжатие текста всегда делается без потери информации. В отличии от сжатия текстов, для компрессии изображений применяются методы сжатия с потерями информации. Такие методы могут удалить большую часть избыточной информации из изображений, что приводит к повышенной степени сжатия [52].

При сжатии с потерями выполняется поиск данных, мало влияющих на общее содержание сжимаемой информации, и их удаление из общего потока. Попятно, что при декомпрессии данных, сжатых с потерями, исходная информация никогда не будет в точности восстановлена, но алгоритм сжатия рассчитан на то, что ее искажения не будут замечены.

Методы сжатия с потерями обладают одним существенным преимуществом, которое и дало им право на жизнь: они гораздо эффективнее. Коэффициент сжатия - отношение объема исходной информации к объему сжатой - при использовании алгоритмов компрессии с потерями всегда выше, чем при сжатии без потерь [16, 50]. Исследования показали, что максимально возможный коэффициент сжатия без потерь равен, примерно, 2:1, а с потерями - 200:1 и выше [12, 16]. Поэтому при цифровой записи изображений алгоритмы компрессии с потерями применяются очень широко. Во многих случаях, методы сжатия изображений без потери дают отрицательный результат, т.е. коэффициент сжатия меньше единицы. Практика показала что, для хранения массивов изображений, методы сжатия без потери становятся малоэффективными. Когда необходимо передавать большие изображения по каналу связи, то методы сжатия без потери становятся совсем неудовлетворительными. Потому что, передача по каналу связи больших изображений не только требует очень длительное время, но и занимает трафик канала.

Но при восстановлении сжатых изображений теряются информации и качества изображений. Кроме этого при обработке и анализе изображений всегда приходится задаваться вопросом об их качестве. Качество столь сложного объекта как изображение является очень важным, но одновременно и довольно нечетким понятием [50]. Оно оценивается разными способами и в связи с различными задачами. В настоящее время нет достаточно полной методики, позволяющей все стороны исследовать потери качества изображений при их сжатии. Недостатки популярных всем критериев оценки качества изображений как среднеквадратической ошибки, пикового отношения сигнал/шум и др. являются тем, что по ним невозможно сказать, как меняются спектральные характеристики и структуры восстановленных после сжатия изображений [38, 39].

Актуальность диссертационной работы, таким образом, обусловлена:

- необходимостью количественной оценки потери информации при сжатии изображений методами с потерями;

- необходимостью разработки методики оценки качества сжатых изображений.

В связи с этим, целью диссертационной работы является разработка методики оценки качества алгоритмов сжатия и сжатых изображений.

Для достижения поставленной цели были сформулированы конкретные научные задачи, решаемые в данной диссертационной работе: 7

1. Качественный анализ эффективности сжатия различных видов цифровых изображений с помощью наиболее распространенных алгоритмов сжатия.

2. Сравнительный анализ кодеков стандарта JPEG 2000 и стандарта

JPEG.

3. Разработка интегрального, спектрального и мультифрактальиого критериев оценки качества сжатых изображений.

4. Разработка модулей, реализующих стандартные и разработанные критерии оценки качества сжатых изображений.

5. Исследование влияния сжатия изображений на их яркостные и статистические характеристики.

6. Исследование влияния сжатия на спектральные и шумовые характеристики изображений.

7. Исследование влияния сжатия на фрактальные характеристики изображений.

Научная новизна работы заключается в следующем:

1. Впервые разработана критериальная модель оценки качества сжатых изображений, учитывающая их яркостные, статистические, спектральные и фрактальные характеристики.

2. Предложены корреляционный, спектральный и мультифрактальный критерии оценки качества изображения, учитывающие его структурные и спектральные характеристики.

3. Впервые разработаны комплексные методики оценки качества сжатых изображений, позволяющиеся всесторонне изучить влияния алгоритмов сжатия.

На защиту выносятся следующие разработки и результаты:

1. Критериальная модель оценки качества сжатых изображений.

2. Методика оценки качества сжатых изображений.

3. Результаты тестирования предложенной методики оценки качества на реальных изображениях природных и антропогенных областей.

Апробация работы: Основные положения диссертационной работы докладывались и обсуждались на 61-ой научно-технической конференции студентов, аспирантов и молодых ученых, проводившейся в Московском Государственном университете геодезии и картографии (МИИГАиК), а также на X Международной научно-практической конференции «Методы дистанционного зондирования и ГИС-технологии для оценки состояния окружающей среды, инвентаризации земель и объектов недвижимости», Китай, Май 2006 г.

По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано 3 научных работы.

Структура и объем диссертации. Диссертация изложена на 156 страницах и состоит из введения, трех глав, заключения и списка литературы. Работа иллюстрирована 59 рисунками и 7 таблицами. Библиографический указатель включает 87 источников, из иих 60 отечественных и 27 иностранных.

Заключение Диссертация по теме "Геоинформатика", Нгуен Динь Минь

Выводы по главе

На основании проведенных исследований можно сформулировать следующие практические выводы и рекомендации:

Не рекомендуется использовать алгоритмы с потерями информации: JPEG и JPEG 2000 для сжатия черно-белых и изображений с малым числом цветов (2-16 цветов) поскольку они не обеспечивают высокие степени сжатия но и теряют качество изображений.

Для сжатия изображений с малым числом цветов (2-16 цветов):

- Стандарт CCITT G4 показывает самую высокую степень сжатия. Худшая, средняя и лучшая степень сжатия данного алгоритма соответственно: 2:1, 6:1, 19:1.

- Стандарт CCITT G3 и метод Deflate(TIFF) показывают близкие результаты. Их худшая, средняя и лучшая степень сжатия соответственно: 2:1,4:1, 16:1.

- Схемы LZW(GIF) и LZW(TIFF) показывают близкие результаты. Их худшая, средняя и лучшая степень сжатия соответственно: 2:1, 4:1, 12:1. Более того, различные схемы реализации одного алгоритма дают различные результаты. Схема LZW(GIF) показывает выигрыш в сжатии примерно на 40% чем схема LZW(TIFF).

- Все схемы алгоритма RLE не эффективные, даже при сжатии некоторых черно-белых изображений алгоритм RLE дает отрицательный результат. Коэффициент сжатия данного алгоритма: 0.5:1, 1.5:1, 4:1. Схема RLE(PCX) лучше сжимает черно-белые изображения, чем RLE(TGA) примерно на 30%>. Схема RLE(TGA) лучше сжимает черно-белые изображения, чем RLE(BMP) примерно на 15%). Поэтому мы хотели бы сказать что, для сжатия черно-белых изображений алгоритмами RLE и LZW, важно определить по какой их схеме изображения будут сжиматься.

- Метрика без потери алгоритма JPEG 2000 (Lossless JPEG 2000) показывает отрицательный результат (коэффициент сжатия меньше единицы) для сжатия изображений с малым числом цветов. Поэтому не рекомендуется использовать его для сжатия изображений с малым числом цветов.

В зависимости от программного обеспечения автор рекомендует использовать следующие методы сжатия без потери: стандарт CCITT G4, стандарт CCITT G3, Deflate(TIFF), LZW(GIF), LZW(TIFF) для сжатия изображений с малым числом цветов (2-16 цветов).

Для сжатия цветных и полутоновых изображений:

- Алгоритм RLE вообще не эффективен. Алгоритм LZW показывает чуть лучше результаты по сравнению с алгоритмом RLE. Коэффициенты сжатия обеих алгоритмов варьируются в районе 0.5:1-1.2:1. Метод

Deflate(TIFF) и метрика Lossless JPEG 2000 оказываются лучшими.

152

Метрика Lossless JPEG 2000 - самый лучший вариант для сжатия полутоновых и цветных изображений. Его худшая, средняя и лучшая степень сжатия соответственно: 1.5:1, 2:1, 4:1. Однако ни один из представленных методов сжатия без потери не обеспечивает высокую степень сжатия изображений. Для сжатии аэрокосмических снимков объема сотни и тысячи мегабайтов эти алгоритмы не удовлетворяют практическим требованиям.

- Метод JPEG 2000 оказывается эффективнее всех остальных методов сжатия, в том числе и метода JPEG. В зависимости от исходных изображений и от выбора показателя качества сжатых изображений, степень сжатия может достигать выше 200:1. Однако, чем выше коэффициент сжатия, тем хуже качества полученных после сжатия изображений.

Эффективность методов сжатия с потерями зависит от контраста изображений: чем меньше контраст, тем выше коэффициент сжатия.

Стандарт JPEG сильно уступает всем кодекам стандарта JPEG 2000. Все кодеки стандарта JPEG 2000 достигают гораздо более высоких коэффициентов сжатия, чем JPEG, при лучшем визуальном качестве изображений. Если его поддержка будет встроена в популярные программы, то в скором времени JPEG 2000 сможет полностью заменить устаревший JPEG.

В случае необходимости сохранить 100% качества полученных после сжатия изображений автор рекомендует использовать методы сжатия без потери: Deflate (TIFF) и метрика Lossless JPEG 2000. В зависимости от области применения сжатых и восстановленных после сжатия изображений, можно использовать алгоритмы JPEG и JPEG 2000. Тогда необходимо наблюдать и контролировать качество полученных изображений.

Чтобы оценить качество и искажение восстановленных после сжатия изображений, в ходе выполнения диссертационной работе автор предложил набор критериев.

- При безотносительном подходе качество рассматривается как характеристика самого изображения и определяется его собственными свойствами (яркостными, статистическими, структурными). Соответствующие критерии либо являются субъективными: контраст, средняя яркость, дисперсия яркости, диапазон яркости и т.п., либо опираются на объективные характеристики изображения: форму и параметры распределения яркости и т.п. Такие безотносительные критерии имеют довольно ограниченное применение.

- При другом подходе качество рассматривается как мера близости двух изображений: реального и некоторого идеального, или исходного и преобразованного. Такой подход позволяет оценивать количественные изменения значений яркости, уровень искажений изображений при их преобразованиях. Сюда относятся следующие критерии: средняя ошибка, максимальная ошибка, среднеквадратичная ошибка, корреляционный критерий, пиковое отношение сигнал/шум и т.п.

- Для всестороннего изучения искажений, вносимых процессом сжатия, необходимо знать влияние сжатия на спектральные характеристики изображений. Для этого предложен автором спектральный критерий.

- Для оценки искажений стохастической структуры восстановленных после сжатия изображений целесообразно использовать мультифрактальные критерии.

Однако, как показали наши эксперименты для построения конкретной критериальной модели качества используемого алгоритма сжатия изображения необходимо выбрать количественные показатели качества в тесной связи с предполагаемым дальнейшим использованием ' сжатого изображения.

ЗАКЛЮЧЕНИЕ

Представленная диссертационная работа содержит научные исследования автора, связаны с качественным и количественным анализом эффективности наиболее широко используемых в настоящее время алгоритмов сжатия графических изображений.

В ходе научно-исследовательских работ решена основная задача диссертации - разработанная методика оценки качества алгоритмов сжатия и сжатых изображений.

В работе получены следующие основные результаты:

Изучены и проанализированы существующие методы сжатия цифровых изображений с точки зрения эффективности и влияния их на качество изображений.

Разработана критериальная модель оценки качества сжатых изображений.

Разработаны программные модули, позволяющие реализовать предложенную методику оценки качества сжатых изображений.

Предложены новые критерии оценки качества цифровых изображений, базирующиеся на их спектральных и мультифрактальных характеристиках.

Проведены экспериментальные исследования по оценке влияния процесса сжатия цифровых изображений на их качество.

Выработаны рекомендации по использованию наиболее распространенных алгоритмов сжатия.

Разработанная автором методика оценки качества сжатых изображений может быть использована для решения широкого круга научных и практических задач. Возможны следующие направления использования результатов выполненного исследования:

Региональные центры приема и обработки геопространственной информации;

Высокопроизводительные центры по обработке цифровых изображений;

Центры обработки мониторинговой аэрокосмической информации;

При подготовке специалистов в области цифровой обработки изображений.

Библиография Диссертация по наукам о земле, кандидата технических наук, Нгуен Динь Минь, Москва

1. Андреев Г.А., Потапов А.А., Галкина Т.В. и др. О классификации изображений по их текстурным признакам. Исследования Земли из космоса, № 2,1990, с.91-96.

2. Андреев Т.А. и др. Анализ и синтез случайных пространственных структур// Зарубежная радиоэлектроника, 1984, №2, с. 3-33.

3. Аржененко Н.И. и др. Моделирование спектральных характеристик яркости природных объектов. Сб. Научные основы создания аэрокосмических систем наблюдения. М., ЦНИИ «Комета», 1998.

4. Архангельский АЛ. Delphi 6: Справочное пособие. М.: БИНОМ, 2001. -1024 с.

5. Архангельский АЛ. Программирование в Delphi 6. М.: БИНОМ, 2001. -1120 с.

6. Астафьева Н.М. Вейвлет-анализ: теория и примеры применения. // Успехи физических наук, 1996, т. 166, №11, с. 1135-1170.

7. Афанасьев Н.Ф. Статистический анализ аэрофотоизображений. Сб. "Исследование оптических свойств природных объектов и их аэрофотографического изображения". JL: Наука, 1970. - с. 114-123.

8. Базарский О.В., Коржик Ю.В. Автоматический текстурный анализ изображений земной поверхности. Исследование Земли из космоса, № 3,1990, с.115-120.

9. Божокин С.В., Паршин Д.А. Фракталы и мультифракталы. Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001, 128 с.

10. Ю.Бондур В. Г. Оперативная дистанционная оценка состояния границы раздела атмосфера океан по пространственным спектрам изображений. В кн. Оптико-метеорологические исследования земной атмосферы. Новосибирск, 1987, с. 217--230.

11. П.Бондур В.Г. Модели полей излучения для систем дистанционного зондирования. Курс лекций. Московский Государственный Университет геодезии и картографии, ЦНИИ "Комета". Москва. 1991, 389 с.157

12. Ватолин Д. Сжатие статических изображений. Открытые системы сегодня. № 8 (29) Апрель 1995.

13. Ватолип Д., MPEG стандарт ISO па видео в системах мультимедиа, «Открытые системы», №3, 1999.

14. М.Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: Диалог-МИФИ, 2002. - 384 с.

15. Ватолин Д., Тенденции развития алгоритмов сжатия статических растровых изображений, «Открытые системы», №2, 2001.

16. Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. -М.: Найка, 1982.

17. Встовский Г.В., Колмаков А.Г., Бунин И.Ж. Введение в мультифрактальную параметризацию структур материалов. Москва -Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001, 116 с.

18. Гаврилова В.В. Разработка автокорреляционного метода для автоматизированного дешифрирования аэрокосмической информации. Диссертация на соискание ученой степени кандидата текпических наук. -М.: МИИГАиК, 1988. 171 с.

19. Гмурман В. Е., Теория вероятностей и математическая статистика. Учеб. пособие для вузов. Изд. 7-е, стер. М.: Высш. шк., 1999. - 479 е.: ил.

20. Голд Б., Рейдер Ч. Цифровая обработка сигналов: Пер. с англ. М.: Сов. радио, 1973.-368 с.

21. Гуров А.А., Порфирьева Н.Н. Вопросы оценки контрастности сюжетных изображений // Труды ГОИ им. С.И.Вавилова. т. 44, вып. 178. — JT. — 1979.-С. 31 -34.

22. Дивин Г.Д. Оценивание характеристик случайных фрактальных изображений. // Оптический журнал, 1995, № 9, с. 12-17.

23. Дьяконов В.П. MATLAB 6/6.1/6.5 + Simulink 4/5. Основы применения. Полное руководство пользователя. -М.: Солон-Пресс, 2002.

24. Дьяконов В.П. Вейвлеты. От теории к практике. М.: Солон-Р, 2002, 448 с.

25. Иванов B.C. и др. Синергетика и фракталы в материаловедении. М., Наука, 1994,383 с.

26. Климов A.C. Форматы графических файлов // С.-Петербург, Изд. "ДиаСофт" 1995.

27. Кроновер P.M., Фракталы и хаос в динамических стстемах. Основы теории. М: Постмаркет, 2000. 352с.

28. Мандельброт Б. Фрактальная геометрия природы. М.: Институт компьютерных исследований, 2002, 656 с.

29. Мирошников М.М., Нестерук В.Ф. Дальнейшее развитие методологических основ иконики // Труды ГОИ им. С.И.Вавилова. т.64, вып. 198.-Л. - 1987.-С. 5-11.

30. Морозов А.Д., Введение в теорию фракталов. М-Ижевск: Институт компьютерных исследований, 2002, 160с.

31. Мун Ф., Хаотические колебания: Вводный курс для научных работников иинженеров: Пер. с англ. -М.: Мир, 1990.-312 е., ил.159

32. Нгуен Динь Минь, Малинников В.А. Оценка качества сжатых изображений. // Труды X Международной научно-практической конференции GEOINFOCAD ASIA, Китай 2006, М: МИИГАиК, 2006, -стр.30-40.

33. Нгуен Динь Минь. Проблемы сжатия цифровых изображений при формировании банков геопространственных данных. Рациональное природопользование, промышленная экология и дистанционные методы. Сб. науч. трудов, М.: ГУЗ, 2006, стр. 104-114.

34. Нгуен Динь Минь. Критерии оценки качества сжатых изображений. Известия вузов, специальный выпуск, М.: МИИГАиК, 2006, стр. 115-122.

35. Никитин А.А. Статистические методы выделения геофизических аномалий. М., «Недра», 1979. 280 с.

36. Пайтген Х.О., Рихтер 17.Х. Красота фракталов. — М.: Мир, 1993.

37. Потапов А.А. Фракталы в радиофизике и радиолокации: Топология выборки. Изд. 2-е, перераб. И дол. М.: Университетская книга, 2005. -848 е.: ил.

38. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. Кн.1 и 2. -312 и 480 с.

39. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. М.: Техносфера, 2005.- 1072 с.

40. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972. -230 с.

41. Романов В.Ю. Популярные форматы файлов для хранения графических изображений на IBM PC.- М.:Унитех, 1992.

42. Сергеев Г.А., Япутш Д.А. Статистические методы исследования природных объектов. Л.: Гидрометеоиздат, 1973. - 300 с.

43. Смирнов А .Я. Критерии качества дискретизированных изображений // Труды ГОИ им. С.И.Вавилова. т. 57. - вып. 191. - Л. - 1984.

44. Смирнов Б.М. Физика фрактальных кластеров. — М.: Наука, 1991.

45. Сойфера В.А. Методы компьютерной обработки изображений 2-е изд.,испр.-М.: ФИЗМАТЛИТ, 2003. 784с.160

46. Столниц Э., ДеРоуз Т., Салезин Д. Вейвлеты в компьютерной графике. Теория и приложения. Москва - Ижевск: НИЦ "Регулярная и хаотическая динамика", 2002, 272 с.

47. Сэломон Д. Сжатие данных, изображений и звука. М., Техносфера, 2004. -368 с.

48. Уэлстид С. Фракталы и вейвлеты для сжатия изображений в действии. Учебное пособ., М., Издательство Триумф, 2003 320 е.: ил.

49. Федер Е., Фракталы. Пер. С англ. М.: Мир, 1991.-254 е., ил.

50. Чуй Ч. Введение в вэйвлеты. М.: Мир, 2001.-412 с.

51. Шавенко Н.К. Алгоритмы обработки изображений. Учебное описание. М., МИИГАиК, 2002 г., с. 62.

52. Шварц Г. Выборочный метод. Руководство по применению статистических методов оценивания. М., Статистика, 1978.

53. Шлихт ГЛО. Цифровая обработка цветных изображений. М., Издательство ЭКОМ, 1997.-336 с.

54. Шредер М. Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая. Москва, Ижевск: Регулярная и хаотическая динамика. 2001.526 с.

55. Янутш Д.А., Афанасьев Н.Ф. Основные результаты микрофотометрическиз исследований аэрофотоизображений природных объектов. Аэросъемка и ее применение. Труды IX Всесоюзного совещания по аэросъемке. Л.: Наука, 1967. - с.30-37.

56. Barnsley М. Fractals Everywhere. Boston: Academic Press, 1988.

57. Burrough P.A. Fractal Dimensions of Landscapes and Other Environmental Data//Nature. 1981. V. 294, № 5838. P. 240-242.

58. Chellappa R. Digital image processing // Collect.: Los Alamitos (Ca) et al.: IEEE computer soc. press, 1992. - IX, 801 p.

59. Davaney R.L. Chaos, Fractals and Dinamics. -N.Y.: Addison-Wesley, 1990.

60. Falconer KJ. The Geometry of Fractals Sets. Cambridge: Cambridge Univ. Press, 1985.

61. Fleischmann M., Tildesley D.J., Ball R.C. Fractals in the Natural Sciences. -Princeton: Princeton Univ. Press, 1989.

62. Iannaccone P., Khoha M. Fractal geometry in biological systems. CRC Press: Boca Raton. 1996. 360 p.

63. Jelinek H.F., Fernandez E. Neurons and fractals: how reliable and useful are calculations of fractal dimensions? // J. Neurosci. Meth. 1998. V. 81. P.9-18.

64. Jelinek H.F., Spence I. Categorization of physiologically characterized non-a / non-f3 cat retinal ganglion cells using fractalgeometry // Fractals. 1997. V. 5. N 4. 673-684.

65. Kenneth Falconer, Fractal geometry: Mathematical Foundations and Applications // Wiley: University of St Andrews, UK, 2003, 367 p.

66. Lauwerier H. Fractals. Amsterdam: Aramith Uitgevers, 1987.

67. Lewis A.S. Knowles G. Image Compression using the 2-D wavelet transform // IEEE Trans. Image Proc. 1992. -V.l. -№2. - P. 244-250.

68. Lovejoy S., Mandelbrot B.B. Fractal Properties of Rain, and a Fractal Model//Tellus. 1985. V. 37 A, № 3. p. 209-232.

69. Lovejoy S., Scherzer D. Our Multifractal Atmosphere: a Unique Laboratory for Non-Linear Dynamics//Phys. Can. 1990. V.46, № 4. P. 62-71.

70. Mandelbrot B.B. Fractals in Phisics: Squig Clusters, Diffusions, Fractal Measures, and the Unicity of Fractal Dimensionality// J. Stat. Phys. 1984. V. 34, № 5/6. P. 895-930.

71. Mandelbrot B.B. Multifractals and Lacunarity. N.Y.: Springer-Verlag, 1998.

72. Mandelbrot B.B. The fractal geometry of nature. Freeman: N.Y. 1983. 468 p.

73. Marcellin M. W., Bilgin A., JPEG2000: Highly Scalable Image Compression, in Proc. of 2001 International Conference on Information Technology: Codingand Computing (ITCC2001), pp. 268-272, Las Vegas, Nevada, April 2001.162

74. Marcellin M. W., Gormish M. J., Bilgin A. and Boliek M. P., An Overview of JPEG-2000, in Proc. of 2000 Data Compression Conference, pp. 523-541, Snowbird, Utah, March 2000.

75. Muzy J.F., Bacry E., Arneodo A. Wavelet and Muntifractal Formalism for Singular Signals: Application to Turbulent Data//Phys. Rev. Lett. 1991. V.67, №25. P. 3515-3518.

76. Peitgen H.-O., Jiirgens H., Saupe D. Fractals for the classroom. Spriger-Verlag: Berlin. 1992.450 р.

77. Schaefer D.W., Martin J.E., Wiltzius P., Cannel D.S. Fractal Geometry of Colliodal Aggregates// Phys. Rev. Lett. 1984. V. 52, № 26. P. 2371-2374.

78. Schertzer D., Lovejoy S. Hard and Soft Multifractal Processes//Physica A. 1992. V. 185, № 1-4. P. 187-194.

79. Storer J.A. Data compression: Methods and theory. Rockville (Md): Computer science press, 1988. - X, 413 p.

80. Wavwlet Analysis and Its Application. Sandiego: Academ. Press Inc., 1992. V. 1,2.

81. Woods J.W. Subband image coding of images // IEEE Trans, on ASSP. -1986. -V.34. -№5. P.1278-1288.