автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Моделирование процессов сжатия цифровых изображений

На правах рукописи

ЛИНЬКОВ ВАДИМ ВЯЧЕСЛАВОВИЧ

□031G54G7

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ СЖАТИЯ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ

Специальность 05 13 06 - Автоматизация и управление технологическими

процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Í1 3 мдр 2008

Орел 2008

Работа выполнена на кафедре «Информационные системы» в Орловск государственном техническом университете (ОрелГТУ)

Научный руководитель - доктор технических наук, профессор

Еременко Владимир Тарасович

Официальные оппоненты - доктор технических наук, профессор

Аверченков Владимир Иванович

кандидат технических наук, старший научный сотрудник Андреев Владимир Олегович

Ведущая организация Орловский филиал института проблем

информатики РАН

ti

в /7 ч

Защита состоится « » 2008 г в /у часов на заседании

диссертационного совета Д212 182 01 при Орловском государственном техническом университете по адресу 302020, РФ, г Орел, Наугорское шоссе, 29

С диссертацией можно ознакомиться в библиотеке Орловского государственного технического университета

Автореферат разослан « (Я » -сУ 2008г

Ученый секретарь

диссертационного совета Д212 182 01 п У

доктор технических наук, профессор /Г^Ч А И Суздальцев

Общая характеристика работы

Актуальность темы Выпуск новой техники и освоение новых технологий, расширение и обновление ассортимента изделий, автоматизация проектно-конструкторских работ требует обработки значительного объема изображений в различных автоматизированных системах предприятий

Наличие многочисленных методов и способов сжатия, необходимость передачи изображений в корпоративных сетях и их хранение в электронных архивах предприятий приводит к необходимости рационального использования ресурсов Очевиден тот факт, что эффективность методов и способов сжатия в значительной степени зависит от структуры самого изображения Сейчас эту проблему решают интуитивно, что не всегда является эффективным, как с точки зрения хранимых в архивах объемов информации, так и объемов информации, передаваемых по корпоративным сетям предприятий

Таким образом, задача выбора эффективного метода сжатия на основе проведения научных исследований в автоматизированных системах предприятий различного типа (САПР, АСТПП, АСУП, АСУТП) в зависимости от параметров хранимой и передаваемой информации, а также эффективности метода для конкретного изображения является актуальной

Анализ ретроспективы предметной области показывает, что исследованию вопросов эффективного сжатия изображений посвящено большое количество работ Теоретические основы методов сжатия исследовались зарубежными учеными Барнсли М , Макхоулом Дж , Прэттом У Проблемы применения высокоэффективных методов сжатия в телекоммуникационных системах решались Ланнэ А А , Дворковичем В П , Зубаревым Ю Б , Харатишвили Н Г , Устиновым А А

Оценки коэффициента сжатия для некоторых методов сжатия цифровых изображений были ранее получены В М Ефимовым, А Н Колесниковым, Ю Н Золотухиным, Н П Коршуновой

Исследованию сжатия изображений посвящены работы Л Е Назарова и 3 Т Назаровой, в которых были рассмотрены нейросетевые методы сжатия В основу их оценок было положено приближенное вычисление объема сжатых данных, при этом в оценках фигурируют параметры методов и не учитываются характеристики изображения

В существующих академических изданиях и специальных трудах имеются достаточные научные предпосылки для решения поставленной задачи Между тем до настоящего времени существующие подходы к решению задачи выбора метода и параметров сжатия носят, как правило, локальный по областям и разрозненный по методам характер

В различных автоматизированных системах предприятий наибольшее применение при цифровом отображении чертежей, графиков, схем нашли растровые изображения, что обусловило выбор объекта, предмета и цели исследования

Объектом исследования являются автоматизированные системы

научных исследований методов сжатия цифровых изображений

Предметом исследования являются методы и алгоритмы ежа растровых изображений

Цель исследования Увеличение коэффициента сжатия для растров изображений

Для достижения сформулированной цели были поставлены и реше следующие задачи

1 Анализ существующих подходов к сокращению объема данных п хранении цифровых изображений

2 Анализ существующих моделей изображения и методов сжатия также подходов к оценке их эффективности

3 Анализ гистограммных характеристик изображения первого и втор порядка, и оценка их влияния на коэффициент сжатия

4 Разработка способов и приемов выбора метода и параметров сжат изображения

Методы исследования. В качестве основного инструмен теоретического исследования использовались методы системного анали линейной алгебры, теории вероятностей и математической статисти теории информации, методы самоорганизации моделей сложных систем

Научная новизна диссертационного исследования заключается том, что получены следующие научные результаты

1 Алгебраическая модель оценки растровых изображен базирующаяся на теории стационарного поля, отличающаяся комплексн использованием гистограммных признаков первого и второго порядка

2 Математическая модель многорядной селекции и оценки растров изображений, базирующаяся на методе группового учета аргумент отличающемся процедурой исключения незначимых элементов и позволяющ снизить их влияние

3 Методика оценки эффективности и выбора метода сжатия изображен включающая разработанные модели и позволяющая оценить качество сжат на основе измеренных признаков и самого декодированного изображения

4 Автоматизированная система исследования методов и параметр сжатия, обеспечивающая моделирование, визуальную оценку качест изображения и научно обоснованный выбор метода сжатия

Практическая значимость заключается в применен математических моделей и методики выбора метода и параметров сжатия автоматизированной системе

В частности, полученные результаты использованы

- для определения направления конструктивного решения построению специализированного аппаратно-программного комплекса ОКР «ГИАЦ-3 комплекс» ФГУ НИИ «Энергия» (г Ступино),

- при проведении исследований модульных систем сбора и обработ информации в НИОКР «Комплекс-МК» ОАО «ЭЛВИС-ПЛЮС»,

- в ОКР «Оса-ОЕСТ» Краснодарского филиала ФГУП НТЦ «Атла

при разработке математического и программного обеспечения модульных структур систем сбора и обработки данных в специализированных автоматизированных системах управления (АСУ)

Результаты внедрения подтверждены соответствующими актами Достоверность и обоснованность научных положений, результатов, выводов и рекомендаций, приведенных в диссертационной работе, достигнута за счет корректного применения методов математического и функционального анализа, теории вероятностей и математической статистики, теории случайных процессов, непротиворечивости и воспроизводимости результатов, полученных теоретическим путем, сочетания формальных и неформальных методов исследования, использования методов, адекватных природе изучавшихся процессов и явлений, верификации отдельных результатов в рамках известных теоретических конструкций, широко используемых в теории сложных технических систем

Апробация работы. Основные положения диссертационной работы докладывались на следующих конференциях

1 Ш-й Всероссийской научно-технической конференции «Информационные системы и модели в научных исследованиях, промышленности и экологии» (г Тула, 2005),

2 У-ой региональной научно-практической конференции «Современные проблемы экологии и рационального природопользования в Тульской области» (г Тула, 2006),

3 Х1-ой конференции преподавателей и аспирантов ОрелГТУ «Неделя науки» (г Орел, 2006),

4 II Международной научно-практической конференции «Информационные технологии в науке, образовании и производстве (ИТНОП)» (г Орел, 2006)

5 ХН-ой конференции преподавателей и аспирантов ОрелГТУ «Неделя науки» (г Орел, 2007)

Публикации По результатам исследований опубликовано 10 работ, в том числе 3 статьи в журналах, входящих в перечень ВАК РФ, 7 статей в журналах и материалах конференций

Положения, выносимые на защиту:

1 Алгебраическая модель оценки растровых изображений

2 Математическая модель многорядной селекции и оценки растровых изображений на основе метода группового учета аргументов

3 Методика оценки эффективности и выбора метода сжатия изображений

4 Автоматизированная система исследования методов и параметров сжатия изображений

Структура н объем работы Диссертационная работа изложена на 144 страницах и состоит из введения, четырех глав, заключения и 1 приложения Библиографический список включает в себя 105 наименований Работа содержит 26 рисунков и 14 таблиц

СОДЕРЖАНИЕ РАБОТЫ: Во введении обоснована актуальность исследуемых вопросов, определены цель и задачи диссертационного исследования, сформулированы

основные положения, выносимые на защиту

В первой главе проведен анализ методов сжатия цифровых изображений, представлена их классификация, способы и подходы к оценке эффективности методов кодирования растровой графики

Программные средства для оптимизации графических файлов позволяют выбрать для конкретного изображения метод сжатия для получения минимального объема данных при сохранении приемлемого качества Данные инструментальные средства чаще всего используют форматы JPEG, GIF и PNG Большинство инструментальных средств данного класса позволяют организовать пакетное кодирование цифровых изображений

При использовании алгоритма JPEG возможно выделение областей, не содержащих деталей, что обеспечивает дополнительные возможности по сжатию изображений При этом целесообразна качественная оценка восстановленных изображений со стороны пользователя

Указанные особенности определяют необходимость гибких подходов к оценке параметров сжатия

В главе рассмотрены способы преобразования цифровых изображений и сделан вывод о целесообразности комплексного использования признаков изображения

Во второй главе приводятся разработанные теоретические положения моделирования изображений

Методы сжатия без потерь обладают зависимостью от статистических свойств изображения, поэтому для оценки вероятности появления конкретного значения пикселя или пары значений целесообразно использовать гистограммные признаки первого и второго порядка Кроме того, при моделировании должны быть использованы признаки, характеризующие неоднородности изображения, так как реальные изображения не являются изотропными стационарными полями из-за наличия деталей, контуров, границ, которые несут основную информацию и являются основным препятствием для достижения высоких коэффициентов

В связи с этим определен набор признаков изображения, которые предложено использовать для построения моделей изображений, оценивающих максимальный коэффициент сжатия и параметры

Алгебраическая модель оценки растровых изображений использует характеристики изображения 1-го порядка (среднюю яркость, дисперсию, коэффициент асимметрии, коэффициент эксцесса, энергию, энтропию) и 2-го порядка (автокорреляцию, ковариацию, момент инерции, среднюю абсолютную разность, энергию, энтропию)

При этом растровое изображение рассматривается как однородное

поле

где

b - средняя яркость изображения

Средняя яркость изображения влияет на коэффициент сжатия при использовании методов сжатия с потерями JPEG и JPEG2000 Чем темнее изображение, тем меньше, как правило, заметны искажения, вносимые алгоритмами сжатия с потерями, и тем сильнее их можно сжать Кроме того, ожидаются меньшие значения коэффициентов преобразования, что при упаковке дает более высокий коэффициент сжатия - дисперсия

Этот признак оказывает существенное влияние на коэффициент сжатия, достигаемого любым из методов сжатия, который построен из расчета того, что соседние пиксели имеют близкие значения, т е для изображений с большими гладкими областями bs - коэффициент асимметрии

Эта характеристика важна для определения соотношения светлых и темных тонов на изображении При преобладании темных bs<О Ьк- коэффициент эксцесса

Чем однороднее изображение, т е больше Ьк, тем выше коэффициент сжатия

bs - энергия

Энергия применительно к изображению характеризует распределение пикселей по уровням квантования Диапазон значений ее заключен в интервале (О, 1] Значения, близкие к 1, указывают на то, что большая часть пикселей изображения сконцентрирована около одного или нескольких значений уровней квантования Значения, близкие к 0, указывают на то, что пиксели приблизительно равномерно распределены между различными значениями уровней квантования В обоих случаях коэффициенты сжатия для таких изображений высокие в первом эффективнее методы сжатия без потерь, а во втором с потерями bt - энтропия

Выявлено, что если значение энтропии составляет 6 8, то для изображения эффективнее метод сжатия с потерями, если меньше, то без потерь В рассматриваемых методах без потерь для метода RLE коэффициент сжатия вычисляется, но для метода LZW, требуется получение оценки Предлагается, что эта характеристика оказывает существенное влияние на коэффициент сжатия методом LZW В( - ковариация

Ковариация характеризует разброс уровней а и b и зависимость их друг от друга Если соседние пиксели сильно коррелированны, то значение р близко к 1, тем больший коэффициент сжатия может быть достигнут при использовании любого метода сжатия Коррелированность пикселей позволяет представить информацию в более компактной форме, так как хранить необходимо лишь часть информации, а оставшаяся часть легко и достаточно точно может быть восстановлена по имеющейся Все методы сжатия

используют этот факт

Следующие два признака характеризуют разность между уровням! пикселей, что является существенным фактором, влияющим на коэффициен сжатия, так как большинство алгоритмов сжатия рассчитывают на редкие незначительные изменения этих уровней В, -момент инерции В - средняя абсолютная разность

Чем меньше значение этих двух величин, тем больше коэффициен сжатия и тем с большими потерями и меньшим фактором качества могут быт сжаты изображения Зависимость коэффициента сжатия от них носит обрати пропорциональный характер

- энергия второго порядка Энергия второго порядка характеризует совместное распределение па пикселей по уровням квантования Диапазон значений ее заключен в интервал (О, 1] Значения, близкие к 1, указывают на то, что большая часть пар пикселе" изображения на двумерной гистограмме концентрируются около нескольки точек Значения, близкие к 0, указывают на то, что значения пар пикселе" приблизительно равномерно распределены между различными значениям уровней квантования

Математическая модель многорядной селекции и оценки растровы изображений на основе метода группового учета аргументов

Для повышения адекватности преобразования изображений необходим комплексный показатель, позволяющий сравнивать методы сжатия В качестве такого показателя целесообразно использовать коэффициент сжатия Кроме того, преобразование реальных изображений требует выделения незначимых элементов, которые являются существенными для одних типов изображений и играют незначительную роль в других В работе представлена математическая модель многорядной селекции и оценки растровых изображений, базирующаяся на методе группового учета аргументов (МГУА), отличающаяся процедурой исключения незначимых элементов и позволяющая снизить их влияние

МГУА позволяет решать задачу определения структуры и параметров изображения по результатам наблюдений Этот метод удовлетворяет двум принципам

1) Принципу внешнего дополнения - только внешние критерии, основанные на новой информации, позволяют найти истинную модель объекта, скрытую в зашумленных данных (принцип Геделя),

2) Всякая однорядная процедура структурной идентификации может быть заменена многорядной (обладающей меньшей трудоемкостью) только при условии охранения «свободы выбора» нескольких лучших решений каждого предыдущего ряда (принцип Д Габора)

В основу метода положен принцип массовой селекции, а в качестве функции, которая является шаблоном для построения частных моделей, используется квадратичный полином вида

/(х^х^) - а„ + + а2х2 +а-х,д^ + + а}х;

Установлено, что, начиная с некоторого ряда селекции, происходит накопление шума, обусловленное тем, что на каждом этапе преобразования в модели вместе со значимыми признаками попадают и незначимые

В работе предложена процедура анализа незначимых членов полинома Для этого используется коэффициент множественной детерминации Анализ получаемого на каждом ряду преобразования и формирования модели изображения позволяет исключить статистически незначимые члены полинома для каждого ряда селекции, и достичь наименьшего значения внешнего критерия

Селекция продолжается до тех пор, пока не будет достигнуто минимальное значение комбинированного внешнего критерия р

Р = I ->41111

где ./^„-критерий минимума смещения, J1 - критерий регулярности Для получения оценок максимально возможных коэффициентов сжатия и параметров различных алгоритмов разработан полиномиальный алгоритм исключения незначимых элементов на каждом ряду селекции

Коэффициент сжатия для изображения в целом при наличии коэффициентов сжатия по каждой компоненте рассчитывается по известной формуле

' "V

где К- общий коэффициент сжатия,

N - количество компонент, используемых для описания пикселя изображения,

К,и) - коэффициент сжатия г(7)-°й компоненты

В третьей главе представлено описание методики оценки эффективности и выбора метода сжатия Методика построена на основе разработанных математических моделей изображения и включает в себя следующие этапы

1 Комплексное определение гистограммных признаков изображения первого и второго порядка

2 Моделирование изображений на основе многорядной селекции с исключением незначимых элементов

3 Оценка эффективности и выбор метода сжатия

Комплексное определение гистограммных признаков изображения первого и второго порядка

При синтезе алгоритма определения гистограммных признаков были выделены такие, которые можно вычислить непосредственно по полю изображения Они считаются при проходе по полю изображения совместно с построением гистограммы При вычислении остальных признаков

операции с плавающей точкой были сведены к минимуму, за счет использования вместо оценок вероятностей Р(Ъ) и Р(а, Ь) частот Ы(Ъ) и Ы(а,Ь) Также были введены дополнительные временные переменные для промежуточных результатов, используемых при вычислении нескольких признаков

Моделирование изображений на основе многорядной селекции с исключением незначимых элементов

Входными данными для алгоритма является экспериментальная выборка, устанавливающая соответствие между значениями свойств моделируемой системы и значениями выходной переменной На каждой итерации производится поиск моделей вида

/(г,,х2) = а„ +0,*, +а2х2 +а3х,х2 +аАх? , которые позволяют лучше других моделей прогнозировать выходные величины Отобранные модели становятся признаками для построения моделей на следующей итерации В алгоритме реализована протекция входных переменных и введено ограничение на максимальное количество рядов селекции

На основе оценок экспериментальных данных многорядных моделей разработан алгоритм оценки эффективности и выбора метода сжатия

В исследовании для каждой конкретной модели определены вычислительные затраты при ее применении и, произведено сопоставление их с вычислительными затратами на сжатие изображений

Это позволяет оценить целесообразность использования оценивающих моделей изображения для повышения эффективности применения методов сжатия

В четвертой главе представлено экспериментальное исследование предложенных моделей изображения и алгоритмов, и основные результаты их внедрения

Разработана автоматизированная система исследования методов и параметров сжатия, позволяющая осуществлять синтез многорядных моделей и интегрировать ее в различные системы обработки, хранения и передачи цифровых изображений

В состав системы входит

1 Подсистема реализации стандартных алгоритмов сжатия

2 Модуль сбора экспериментальных данных

3 Подсистема реализации метода МГУА с исключением незначимых элементов модели

4 База данных моделей

5 Модуль вычисления параметров моделей

6 Модуль оценки эффективности и выбора метода сжатия

7 Интерфейс пользователя

Автоматизированная система в режиме обучения обеспечивает сбор экспериментальных данных

В режиме функционирования осуществляется моделирование характеристик изображений, с использованием подсистемы реализации метода МГУА исключаются незначимые элементы, строится база данных моделей

изображения, производится оценка эффективности и выбор метода сжатия По полученным данным оценивается максимальный коэффициент сжатия и производится сохранение изображения в выбранном формате с помощью подсистемы реализации стандартных алгоритмов сжатия

Экспериментальные исследования показали, что использование разработанных алгоритмов позволило увеличить коэффициент сжатия для 16-битных растровых изображений на 10-15 %, для 32-битных - на 20-22%

Разработанная автоматизированная система обеспечивает свободный доступ к созданной информации и возможность организации взаимодействия с другими функционирующими на предприятии системами (например, с автоматизированной системой технологической подготовки производства)

Сокращение объема хранимой и передаваемой информации является исключительно актуальным при ведении состава изделия, получении полного комплекта конструкторской документации, управлении процессом конструкторской подготовки производства и защищенном хранении конструкторско-технологической документации

В заключении сформулированы основные выводы по работе

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ:

1 Оценки эффективности методов сжатия изображения базируются на зависимостях коэффициента сжатия от характера изменения яркости, количества деталей, наличия и обширности областей с однородным или плавно изменяющимся фоном, типа текстуры (мелкозернистой, крупнозернистой) Установлено, что качество оценок ухудшается по мере возрастания дисперсии исходного изображения Существующие оценки конкретных методов сжатия не учитывают особенностей кодируемого изображения и алгоритмов преобразования

2 Для построения моделей изображения, позволяющих оценить максимально возможный коэффициент и параметры сжатия необходимо представить изображение в виде набора признаков, характеризующих базовые принципы методов сжатия и опыт специалистов

3 Разработана алгебраическая модель оценки растровых изображений, базирующаяся на теории стационарного поля Особенностью модели является комплексное использование гистограммных признаков первого и второго порядка для оценки сжимаемости изображения

4 Разработана математическая модель многорядной селекции и оценки растровых изображений на основе метода группового учета аргументов, отличающаяся процедурой исключения незначимых элементов Установлено, что, при массовой селекции начиная с некоторого ряда, происходит накопление шума, обусловленное тем, что на каждом этапе преобразования в модели вместе со значимыми признаками попадают и незначимые, вносящие шум, который усиливается на последующих этапах преобразования Это позволяет на каждом этапе селекции отбрасывать статистически незначимые члены

полинома на основе анализа коэффициента множественной детерминации

5 Разработана методика оценки эффективности и выбора метода сжатия изображений, включающая в себя следующие этапы комплексный анализ признаков изображения, моделирование изображений на основе многорядной селекции с исключением незначимых элементов, оценка эффективности и выбор метода сжатия

6 Разработан алгоритм комплексного анализа признаков изображения Особенностью алгоритма является то, что он по разработанным правилам позволяет выделить цепочки одинаковых байт, динамически формирует словарь и осуществляет поиск новой цепочки Установлено, что для изображений небольшого размера для вычисления признаков изображения требуется в 2 раза меньше операций, приходящихся на один пиксель

7 Разработан алгоритм моделирования изображений на основе многорядной селекции с исключением незначимых элементов Определен размер экспериментальной выборки для построения моделей, оценивающих влияние незначительных элементов Алгоритм защищен от бесконечного зацикливания в случае, если экспериментальные данные содержат недостаточно информации для построения модели за счет ограничения максимального количества итераций

8 Разработан алгоритм оценки эффективности и выбора метода сжатия В зависимости от сжимаемого изображения используются два класса методов сжимающие индексы палитры, сжимающие отдельно каждую цветовую плоскость

9 Разработанные алгоритмы реализованы в автоматизированной системе и позволяют осуществить выбор метода, параметров сжатия и провести обучение на тестовых изображениях При сохранении изображения пользователю предоставляется информации о значениях измеренных признаков и достигнутом коэффициенте сжатия, а также о соотношении сигнал/шум для восстановленного изображения и само декодированное изображение для возможности оценки его качества

Публикации по теме диссертации Статьи в журналах, входящих в перечень ВАК РФ

1 Линьков В В Математическое моделирование и анализ растровых изображений на основе комбинированного критерия / Линьков В В // Известия ОрелГТУ Серия «Фундаментальные проблемы техники и технологии информационные системы и технологии» Орел Изд-во ОрелГТУ, 2007 — № 4/268(535) - С 211-215

2 Линьков В В Методика выбора метода и параметров сжатия цифровых изображений в модульных структурах сбора и обработки данных АСУП/ Линьков В В , Еременко ВТ // Известия ОрелГТУ Серия «Фундаментальные проблемы техники и технологии информационные системы и технологии» Орел Изд-во ОрелГТУ, 2007 -№4/268(535) - С 205-210

3 Линьков В В Методика оценки состояния объектов средствами видеоконтроля и регистрации / Линьков В В, Кузьменко О Г // Телекоммуникации №7 - 2006 - С 31-33

Статьи в журналах и материалы конференций

4 Линьков В В Некоторые аспекты оценки рисков в распределенной системе видеоконтроля и регистрации / В В Линьков // Доклады 111 Всероссийской научно-технической конференции «Информационные системы и модели в научных исследованиях, промышленности и экологии» - Тула Изд-воТулГУ, 2005 -С 86-90

5 Линьков В В Методика фрактального сжатия графических объектов / В В Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД» - Орел Изд-во ОрЮИ МВД РФ, 2007 - С 34-38

6 Линьков В В Классификация алгоритмов сжатия изображений / В В Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД» - Орел Изд-во ОрЮИ МВД РФ, 2007-С 23-28

7 Линьков В В Методы оптимизации изображений в формате ОН7/ В В Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД» - Орел Изд-во ОрЮИ МВД РФ, 2007 - С 42-46

8 Линьков В В Классификация алгоритмов сжатия изображений в системах обеспечения безопасности / В В Линьков // Доклады 5-й региональной научно-практической конференции «Современные проблемы экологии и рационального природопользования в Тульской области - Тула Изд-во ТулГУ, 2006 - С 173-177

9 Линьков В В Методика фрактального сжатия графических объектов в системах обеспечения безопасности / В В Линьков // Доклады 5-й региональной научно-практической конференции «Современные проблемы экологии и рационального природопользования в Тульской области» - Тула Изд-во ТулГУ, 2006 - С 178-181

10 Линьков В В Некоторые аспекты оценки рисков в распределенной системе видеоконтроля и регистрации // Доклады 5-й региональной научно-практической конференции «Современные проблемы экологии и рационального природопользования в Тульской области» / - Тула Изд-во ТулГУ, 2006 -С 181-184

ЛР ИД № 00670 от 05 01 2000 г Подписано к печати « /У & ^ ' 2008 г Уел печ л 1,5 Тираж 100 экз Заказ № /¿"У /3

Полиграфический отдел ОрелГТУ 302005, г Орел, ул Московская, 65

ВВЕДЕНИЕ.

1 АНАЛИЗ СПОСОБОВ И ПОДХОДОВ К СЖАТИЮ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ.

1.1. Способы представления цифровых изображений.

1.2. Классификация методов сжатия цифровых изображений. Описание и анализ основных широко используемых методов сжатия.

1.2.1 .Статистическое (энтропийное) кодирование.

1.2.2.Кодирование одинаковых последовательностей

LZ-подобные алгоритмы, LZW).

1.2.3.Кодирование на основе преобразования: алгоритмы

JPEG и JPEG2000.

1.3. Анализ подходов к оценке потерь качества при восстановлении изображений

1.4.Анализ подходов к оценке эффективности методов сжатия.~.

1.5.Анализ программных средств повышения эффективности применения методов сжатия цифровых изображений.

1.6.Постановка задач на исследование.

Выводы.

2. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ РАСТРОВЫХ

ИЗОБРАЖЕНИЙ.

2Л.Разработка алгебраической модели оценки растровых изображений .40 2.2.Разработка математической модели многорядной селекции и оценки растровых изображений.

Выводы.

3 РАЗРАБОТКА МЕТОДИКИ ОЦЕНКИ ЭФФЕКТИВНОСТИ И ВЫБОРА

МЕТОДА СЖАТИЯ.

3 Л .Разработка алгоритма комплексного анализа признаков изображения.

3.2.Алгоритм моделирования изображений на основе многорядной селекции с исключением незначимых элементов.

3.3.Алгоритм оценки эффективности и выбора метода сжатия.

3.4.Вывод ы.

4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛЕЙ И АЛГОРИТМОВ ЭФФЕКТИВНОГО СЖАТИЯ РАСТРОВЫХ ИЗОБРАЖЕНИЙ.

4.1. Автоматизированная система исследования методов и параметров сжатия

4.1.1 .Структура автоматизированной системы.

4.1,2.Разработка подсистемы сбора экспериментальных данных

4.1.3 .Разработка подсистемы моделирования.

4.2.Исследование эффекта от применения процедуры исключения незначимых элементов в математической модели многорядной селекции

4.3.Анализ многорядных моделей, получаемых на различных наборах данных.

4.4. Автоматизация формирования электронных архивов в автоматизированной системе технологической подготовки производства.

Выводы.

Актуальность темы. Выпуск новой техники и освоение новых технологий, расширение и обновление ассортимента изделий, автоматизация проектно-конструкторских работ требует обработки значительного объема изображений в различных автоматизированных системах предприятий.

Наличие многочисленных методов и способов сжатия, необходимость передачи изображений в корпоративных сетях и их хранение в электронных архивах предприятий приводит к необходимости рационального использования ресурсов. Очевиден тот факт, что эффективность методов и способов сжатия в значительной степени зависит от структуры самого изображения. Сейчас эту проблему решают интуитивно, что не всегда является эффективным, как с точки зрения хранимых в архивах объёмов информации, так и объёмов информации, передаваемых по корпоративным сетям предприятий.

Таким образом, задача выбора эффективного метода сжатия на основе проведения научных исследований в автоматизированных системах предприятий различного типа (САПР, АСТПП, АСУП, АСУТП) в зависимости от параметров хранимой и передаваемой информации, а также эффективности 'метода для конкретного изображения является актуальной.

Анализ ретроспективы предметной области показывает, что исследованию вопросов эффективного сжатия изображений посвящено большое количество работ. Теоретические основы методов сжатия исследовались зарубежными учёными Барнсли М., Макхоулом Дж., Прэттом У. Проблемы применения высокоэффективных методов сжатия в телекоммуникационных системах решались Ланнэ A.A., Дворковичем В. П., Зубаревым Ю.Б., Харатишвили Н.Г., Устиновым A.A.

Оценки коэффициента сжатия для некоторых методов сжатия цифровых изображений были ранее получены В.М. Ефимовым, А.Н. Колесниковым, Ю.Н. Золотухиным, Н.П. Коршуновой.

Исследованию сжатия изображений посвящены работы JI.E. Назарова и З.Т. Назаровой, в которых были рассмотрены нейросетевые методы сжатия. В основу их оценок было положено приближенное вычисление объема сжатых данных, при этом в оценках фигурируют параметры методов и не учитываются характеристики изображения.

В существующих академических изданиях и специальных трудах имеются достаточные научные предпосылки для решения поставленной задачи. Между тем до настоящего времени существующие подходы к решению задачи выбора метода и параметров сжатия носят, как правило, локальный по областям и разрозненный по методам характер.

В различных автоматизированных системах предприятий наибольшее применение при цифровом- отображении чертежей, графиков, схем нашли растровые изображения, что обусловило выбор объекта, предмета и цели исследования.

Объектом исследования являются автоматизированные системы научных исследований методов сжатия цифровых изображений.

Предметом исследования являются методы и алгоритмы сжатия растровых изображений.

Цель исследования. Увеличение коэффициента сжатия для растровых изображений.

Для достижения сформулированной цели были поставлены и решены следующие задачи:

1.Анализ существующих подходов к сокращению объема данных при хранении цифровых изображений.

2.Анализ существующих моделей изображения и методов сжатия, а также подходов к оценке их эффективности.

3.Анализ гистограммных характеристик изображения первого и второго порядка, и оценка их влияния на коэффициент сжатия.

4.Разработка способов и приёмов выбора метода и параметров сжатия изображения.

Методы исследования. В качестве основного инструмента теоретического исследования использовались методы системного анализа, линейной алгебры, теории вероятностей и математической статистики, теории информации, методы самоорганизации моделей сложных систем.

Научная новизна диссертационного исследования заключается в том, что получены новые научные результаты:

1. Алгебраическая модель оценки растровых изображений, базирующаяся на теории стационарного поля, отличающаяся комплексным использованием гистограммных признаков первого и второго порядка.

2. Математическая модель многорядной селекции и оценки растровых изображений, базирующаяся на методе группового учёта аргументов, отличающемся процедурой исключения незначимых элементов и позволяющей' снизить их влияние.

3.Методика оценки эффективности и выбора метода сжатия изображений, включающая разработанные модели и позволяющая оценить качество сжатия на основе измеренных признаков и самого декодированного изображения.

4. Автоматизированная система исследования методов и параметров сжатия, обеспечивающая моделирование, визуальную оценку качества изображения и научно обоснованный выбор метода сжатия.

Практическая значимость заключается в применении математических моделей и методики выбора метода и параметров сжатия в автоматизированной системе.

В частности, полученные результаты использованы:

- для определения направления конструктивного решения по построению специализированного аппаратно-программного комплекса в ОКР «ГИАЦ-3 комплекс» ФГУ НИИ «Энергия» (г. Ступино);

- при проведении исследований модульных систем сбора и обработки информации в НИОКР «Комплекс-МК» ОАО «ЭЛВИС-ПЛЮС»;

- в ОКР «Оса-БЕСТ» Краснодарского филиала ФГУП НТЦ «Атлас» при разработке математического и программного обеспечения модульных структур систем сбора и обработки данных в специализированных автоматизированных системах управления (АСУ).

Результаты внедрения подтверждены соответствующими актами. Достоверность и обоснованность научных положений, результатов, выводов и рекомендаций, приведенных в диссертационной работе, достигнута: за счет корректного применения методов математического и функционального анализа, теории вероятностей и математической статистики, теории случайных процессов; непротиворечивости и воспроизводимости результатов, полученных теоретическим путем; сочетания формальных и неформальных методов исследования; использования методов, адекватных природе изучавшихся процессов и явлений; верификации отдельных результатов в рамках известных теоретических конструкций, широко используемых в теории сложных технических систем.

Апробация работы. Основные положения диссертационной работы докладывались на следующих конференциях:

1. Ш-й Всероссийской научно-технической конференции «Информационные системы и модели в научных исследованиях, промышленности и экологии» (г. Тула, 2005);

2. У-ой региональной научно-практической конференции «Современные проблемы экологии и рационального природопользования в Тульской области» (г. Тула, 2006);

3. Х1-ой конференции преподавателей и аспирантов ОрелГТУ «Неделя науки» (г. Орел, 2006);

4. II Международной научно-практической конференции «Информационные технологии в науке, образовании и производстве (ИТНОП)» (г. Орел, 2006).

Публикации. По результатам исследований опубликовано- 10 работ, в том числе, 3 статьи в журналах, входящих в перечень ВАК РФ, 7 статей в< журналах и материалах конференций.

Положения, выносимые на защиту:

1. Алгебраическая модель оценки растровых изображений.

2. Математическая модель многорядной селекции и оценки растровых изображений на основе метода группового учёта аргументов.

3. Методика выбора метода и параметров сжатия изображений.

4. Автоматизированная система исследования методов и параметров сжатия изображений.

Структура и объем-работы. Диссертационная работа изложена на 144 страницах и состоит из введения, четырех глав, заключения и 1 приложения. Библиографический список включает в себя 105 наименований. Работа содержит 26 рисунков и 14 таблиц.

Выводы

1. На основе разработанных моделей и методики предложена автоматизированная система, позволяющая оценить эффективность методов сжатия и осуществить выбор метода, параметров сжатия и провести обучение на тестовых изображениях.

2. При сохранении изображения пользователю предоставляется информации о значениях измеренных признаков и достигнутом коэффициенте сжатия, а также о соотношений сигнал/шум для восстановленного изображения и само декодированное изображение для возможности оценки его качества.

3. Для хранения экспериментальных данных используется файл специального формата, что позволяет уменьшить объём хранимых данных.

4. При построении модели пользователь в диалоговом режиме выбирает формат, входные характеристики и выходную величину. В режиме функционирования программного средства полученная модель оптимальной сложности выводится на экран и при сохранении изображения производится оценка коэффициентов сжатия и осуществляется выбор формата, обеспечивающего максимальную степень сжатия.

5. Исходя из гипотезы, что исключение незначимых элементов не приводит к потере качества, был проведён ряд экспериментов. В результате сравнения моделей без исключения незначимых элементов (Мб) и с исключением (Ми) установлено, что последняя получилась проще, а наивысшая степень полинома равна 4 (у модели Мб степень полинома равна 8). Выявлено, что модель, использующая процедуру исключения незначимых элементов, получилась качественнее по комбинированному критерию. Кроме того, продемонстрирована корректность правила останова алгоритма исключения незначимых элементов.

6. В результате сравнения модели, использующей только гистограммные признаки (Мгп) и модели, учитывающей также неоднородность поля изображения (Мн), установлено, что модель Мгп получилась более сложной и качество не улучшилось, а по некоторым параметрам даже уменьшилось.

ЗАКЛЮЧЕНИЕ

1. Оценки эффективности методов сжатия изображения базируются на зависимостях коэффициента сжатия от характера изменения яркости, количества деталей, наличия и обширности областей с однородным или плавно изменяющимся фоном, типа текстуры (мелкозернистой, крупнозернистой). Установлено, что качество оценок ухудшается по мере возрастания дисперсии исходного изображения. Существующие оценки конкретных методов сжатия не учитывают особенностей кодируемого изображения и алгоритмов преобразования.

2. Для построения моделей изображения, позволяющих оценить максимально возможный коэффициент и параметры сжатия необходимо представить изображение в виде набора признаков, характеризующих базовые принципы методов сжатия и опыт специалистов.

3. Разработана алгебраическая модель оценки растровых изображений, базирующаяся на теории стационарного поля. Особенностью модели является комплексное использование гистограммных признаков первого и второго порядка для оценки сжимаемости изображения.

4. Разработана математическая модель многорядной селекции и оценки растровых изображений на основе метода группового учёта аргументов, отличающаяся процедурой исключения незначимых элементов. Установлено, что, при массовой селекции начиная с некоторого ряда, происходит накопление шума, обусловленное тем, что на каждом этапе преобразования в модели вместе со значимыми признаками попадают и незначимые, вносящие шум, который усиливается на последующих этапах преобразования. Это позволяет на каждом этапе селекции отбрасывать статистически незначимые члены полинома на основе анализа коэффициента множественной детерминации.

5. Разработана методика оценки эффективности и выбора метода сжатия изображения, включающая в себя следующие этапы: комплексный анализ признаков изображения, моделирование изображений на основе многорядной селекции с исключением незначимых элементов, оценка эффективности и выбор метода сжатия.

6. Разработан алгоритм комплексного анализа признаков изображения. Особенностью алгоритма является то, что он по разработанным правилам позволяет выделить цепочки одинаковых байт, динамически формирует словарь и осуществляет поиск новой цепочки. Установлено, что для изображений небольшого размера для вычисления признаков изображения требуется в 2 раза меньше операций, приходящихся на один пиксель.

7. Разработан алгоритм моделирования изображений на основе многорядной селекции с исключением незначимых элементов. Определён размер экспериментальной выборки для построения моделей, оценивающих влияние незначительных элементов. Алгоритм защищен от бесконечного зацикливания в случае, если экспериментальные данные содержат недостаточно информации для построения модели за счёт ограничения максимального количества итераций.

8. Разработан алгоритм оценки эффективности и выбора метода сжатия. В зависимости от сжимаемого изображения используются два класса методов: сжимающие индексы палитры; сжимающие отдельно каждую цветовую плоскость.

9. Разработанные алгоритмы реализованы в автоматизированной системе и позволяют осуществить выбор метода, параметров сжатия и провести обучение на тестовых изображениях. При сохранении изображения пользователю предоставляется информации о значениях измеренных признаков и достигнутом коэффициенте сжатия, а также о соотношении сигнал/шум для восстановленного изображения и само декодированное изображение для возможности оценки его качества.

1. Ансон Л., Барнсли М. Фрактальное сжатие изображений. // Мир ПК.- 1992. -№4.-с. 12-20

2. Артюшенко В.М., Шелухин О.И., Афонин М.Ю. Цифровое сжатие видеоинформации и звука. Дашков и Ко, 2004 - 426 с.

3. Барвиненко C.B. Инструмент автоматизации пропускного режима // Конфидент, №2, 2003.

4. Белей A.B. Типы компрессии при сжатии видеоданных // Телевидение в системах физической защиты, 2004.

5. Бондаренко В.А., Дольников B.JI. Фрактальное сжатие изображений по Барнсли-Слоану // Автоматика и телемеханика. 2004. №5. С.12-20.

6. Ватолин Д.С. Алгоритмы сжатия изображений // М.: Диалог-МИФИ, 2002.

7. Ватолин Д.С. Алгоритмы сжатия изображений // М.: Московский государственный университет им.Ломоносова 1999.

8. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео // Диалог-МИФИ, 2002.

9. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных.Устройство архиваторов, сжатие изображений и видео.- М.: ДИАЛОГ- МИФИ, 2003. -384 с.

10. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. СПб: ВУС, 1999.-203 с.

11. Гольцов А.Г. Разработка и исследование метода для сжатия полутоновых изображений, обеспечивающего быстрое восстановление. Дис. к. т. н.; 05.13.13 -М., 1998

12. Джайн А.К. Сжатие видеоинформации: Обзор // ТИИЭР. 1981. -Т.69. - №3,- С. 71-117.

13. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.:Мир, 1976.-230с.

14. Ефимов В.М., Золотухин Ю.Н., Колесников А.Н. Оценка эффективности некоторых алгоритмов сокращения избыточности информации при абсолютной точности воспроизведения. // Автометрия. 1991. - № 6. - с.50-55.

15. Ефимов В.М., Колесников А.Н. Эффективность некоторых алгоритмов сжатия информации в двумерных массивах данных без потери точности при их восстановлении. // Автометрия. -1997.-№6.- с. 93-97

16. Ивахненко А.Г., Зайченко Ю.П., Дмитров В.Д. Принятие решений на основе самоорганизации. М: "Сов.радио", 1976. - 280 с.

17. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: "Техника", 1971.102 с.

18. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. - 312 с.

19. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.:Радио и Связь, 1987. -120 с.

20. Ивахненко А.Г. Моделирование сложных систем: Информационный подход/Под общ. ред. Павлова В.В. Киев: Вища.шк., 1987. 62с.

21. Индуктивный метод самоорганизации моделей сложных систем./ Ивахненко А.Г. и др. Киев: Наук, думка, 1981 - 296 с.

22. Климов A.C. Форматы графических файлов. С.-Петербург: ДиаСофт, 1995.-480с.

23. Ковалгин Ю.А., Вологдин Э.И. Цифровое кодирование звуковых сигналов. Корона - принт, 2004 - 240 с.

24. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров: Пер. с англ. М.: Наука, 1970. - 720 с.

25. Коршунова Н.П. Повышение эффективности применения методов сжатия цифровых изображений / Диссертация на соискание ученой степени кандидата технических наук. ТулГУ, 2004 г - 155 с.

26. Коршунова Н.П. Получение оценки коэффициента сжатия файлов растровой графической информации на основе интегральных признаков. // Материалы конференции "XVIII научная сессия, посвященная дню радио РНТОРЭС им A.C. Попова" ТулГУ .Тула:, 2001. С. 29.

27. Линьков В.В. Моделирование растровых изображений в методах сжатия./ Линьков В.В. // Известия ОрелГТУ. Серия «Фундаментальные проблемы техники и технологии: информационные системы и технологии». Орел: Изд-во ОрелГТУ, 2007. № 4/268(535). -С. 211-215.

28. Линьков В.В. Методика оценки состояния объектов средствами видеоконтроля и регистрации. / Линьков В.В., Кузьменко О.Г. // Телекоммуникации №7 2006. - С.31-33.

29. Линьков В.В. Методика фрактального сжатия графических объектов / В.В.Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД». Орел: Изд-во ОрЮИ МВД РФ, 2007. - С. 34-38.

30. Линьков В.В. Классификация алгоритмов сжатия изображений / В.В.Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД». Орел: Изд-во ОрЮИ МВД РФ, 2007.- С. 23-28.

31. Линьков В.В. Методы оптимизации изображений в формате GIF/ В.В.Линьков // Сборник научных статей «Актуальные проблемы информационного обеспечения деятельности ОВД». Орел: Изд-во ОрЮИ МВД РФ, 2007. - С. 42-46.

32. Мастрюков Д. Алгоритмы сжатия информации. // Монитор. 1994. -№1.С. 15-20.

33. Мастрюков Д. Алгоритмы сжатия информации. // Монитор. 1994. -№3.с.5-19

34. Матвеев С. Форматы графических файлов. // Открытые системы. -1997.-№4.- с. 12-15.

35. Методы компьютерной обработки изображений / Под ред. Сойфера М.:Физматлит, 2001.-784 с.

36. Миано Дж. Форматы и алгоритмы сжатия изображений в действии // Триумф, 2003

37. Мюррей Д.Д., Райнер У. Ван. Энциклопедия форматов графических файлов. Пер. с англ. Киев: BHV , 1997, - 535с.

38. Назаров Л.Е., Назарова З.Т. Нейросетевой, фрактальный и JPEG алгоритмы сжатия изображений. // Информационные технологии. 2001 .№ 1 С. 3 -1 0

39. Огунбона Ф., Харитоненко И., Джон P. JPEG2000 новая волна в сжатии изображений // CCTV focus, январь 2000.

40. Орловский Е.Л. Передача факсимильных изображений. М.: Связь, 1980.

41. Поспелов В.В., Кислицина М.А. Использование преобразования Хаара для модификации алгоритма JPEG сжатия изображений. Тезисы доклада III конференции «Распознавание образов и анализ изображений».ч.1. -Н.Новгород: РОАИ, 1997.- с. 210-212.

42. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982.-Кн. 1 -257с. 53.Прэтт У. Цифровая обработка изображений: Пер. с англ. - МЛ Мир, 1982.—Кн. 2-480с.

43. Просис Д. Файлы растровой графики: взгляд внутрь. // PC Magazine. 1996.- December 3.- с. 3-21

44. Птачек М. Цифровое телевидение. Теория и техника / Пер. с чешек, под ред. Л.С.Виленчика. М.: Радио и связь, 1990. -528 с.

45. Рабинович Е.В. Использование кусочно-полиномиальной аппроксимации для сжатия изображений // Автометрия. 1996. - № 2. -с.56-60

46. Ричардсон Ян Видеокодирование. Н.264 и MPEG-4 стандарты нового поколения (Н.264 and MPEG-4 Video Compression: Video Coding for Next-Generation Multimedia) // Серия «Мир цифровой обработки» // Издательство Техносфера, 2005. - 368 с.

47. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.-256 с.

48. Романов В.Ю. Популярные форматы файлов для хранения графических изображений на IBM PC. Москва: Унитех, 1992. - 320с.

49. Сван Т. Форматы файлов Windows. М.: Бином, 1995. - 258с.

50. Сэломон Д. Сжатие данных, изображений и звука // Техносфера. Серия «Мир программирования», 2004.

51. Сэломон Д. Сжатие данных, изображений и звука // Техносфера. Серия «Мир программирования», 2004.

52. Теория информации и кодирование / Самсонов Б.Б., Плохов Е.М., Филоненко А.И., Кречет Т.В. Ростов н/Д, 2002. - 288 с.

53. Уинтц П.А. Кодирование изображений посредством преобразований.-ТИИЭР. тематический вып. «Обработка изображений при помощи цифровых вычислительных машин.». — 1972. — т. 60. — №7. — с. 69-48

54. Умняшкин СВ. Применение дискретного преобразования Кре-стенсона-Леви в цифровой обработке изображений Дис. к. т. н.: 05.13.01 -М., 1997

55. Умняшкин СВ. Математические методы и алгоритмы цифровойкомпрессии изображений с использованием ортогональных преобразований. Дис. д.ф-м.н: 05.13.11 М., 2001

56. Умняшкин СВ. Оценка эффективности использования уни-тарныхпреобразований для сжатия данных // Информатика и связь: Сб. Научных трудов под ред. В.А. Бархоткина. М.ЖМИЭТ. -1997 С.73-78

57. Умняшкин СВ., Кочетков М.Е. Анализ эффективности исполь-зованиядискретных ортогональных преобразований для цифрового кодирования коррелированных данных // Известия вузов. Электроника. №6. - 1998.- С.79-84

58. Уэлстид С. Фракталы и вейвлеты для сжатия изображений в действии. Учебное пособ. М: Издательство Триумф, 2003 -320 с.

59. Цифровая обработка телевизионных и компьютерных изображений. / A.B. Дворкович, В.П. Дворкович, Ю.Б. Зубарев и др. М.: Радио и связь, 1997.-2 12с.

60. Яншин В.В. Анализ и обработка изображений: Принципы и алгоритмы: Учебное пособие для студентов вузов М.: Машиностроение, 1995,- 111с.

61. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии. Введение в цифровую оптику. М.: Радио и связь. - 1987. -296 с.

62. Christiansen В.О., Schauser К.Е. Fast Motion Detection for Thin Client Compression // Proceedings Data Compression Conference, Snowbird Utah, March 2003.

63. DOUGLAS W. JONES APPLICATION OF SPLAY TREES TO DATA COMPRESSION // GENERAL TERMS: Algorithms, Perform-ance.Communication of the ACM. 31, 8 ( August 1988 ), 996-1007.

64. Duda R.O. Image Data Extraction (неопубликованные данные), July 1975

65. Duda R.O., Image Segmentation and Description (неопубликованные данные), 1975

66. Effelsberg W., Steinmetz R. Video Compression Techniques.

67. Equitz W.H. Fast Algorithms for Vector Quantization Picture Coding. M.S.Thesis, MIT, June 1984

68. Forchhammer S. and J.M.Salinas Progressive Coding of Palette Images and Digital Maps // Proceedings Data Compression Conference, Snowbird Utah, March 2003.

69. Hanzo L., Somerville C., Woodward J. Voice Compression and Communications: Principles and Applications for Fixed and Wireless Channels.

70. Haralik R.M., Shanmugan K., Dinstein I. Texture Featers for Image Classification // IEEE Trans. Systems. Man and Cybernetics. SMC-3. -1973. -№11 -pp. 610-621

71. Huffman D.A. A method for the construction of minimum redundancy codes. In processing.//IRE. 1962. - vol.40. - pp. 1098-1101

72. Gormish M.J. Compression of palettized images by color // International Conference on Image Processing, 1995, Washington D.C.

73. Iain E Richardson H.264 and MPEG-4 Video Compression // John Wiley & Sons, September 2003.

74. ISO/IEC DIS 10918-1 Information Technology. Digital Compression andCoding Of Continuous tone Still Images: Requirements and Guidelines/Ed. 1, JTS l/sc29, 1994

75. ISO/I EC DIS 10918-1 Information Technology. Digital Compression andCoding Of Continuous tone Still Images: Compliance Testing /Ed. 1, JTSl/sc29, 1994.

76. IS0/1EC DIS 10918-1 Information Technology. Digital Compression and Coding Of Continuous tone Still Images: Extensions/Ed. 1, JTS l/sc29, 1994

77. ISO/IEC FCD 15444-1:2000(V 1.0, 16 March 2000) JPEG 2000 Part I FinalCommittee Draft Version 1.0/ JTC1/SC29 WG1, JPEG 2000.

78. Kopylov P., Franti P. Context tree compression of multi-component map images // Proceedings Data Compression Conference, Snowbird Utah, March 2003.

79. Linde Y., Buzo A., Gray R. An Algorithm for Vector Quantization Designs //IEEE Transactions On Communications. COM - 28. - 1980. -January.

80. Patent 2-605-361 (USA) Differential Quantization Of Communication SignalsCutler C.C. —Application June 1950, Issuance July 1952.

81. Paul J. Ausbeck Jr. The Piecewise-Constant Image Model / Proceedings of the IEEE, Vol. 88, No. 11, November 2000, pp. 1779-1789.

82. Paul J. Ausbeck Jr. The Skip-Innovation Model for Sparse Images / Proceedings of IEEE Data Compression Conference, Snowbird, Utah, March 28-30, 2000.

83. Pennebaker W.B., Mitchell J.L. JPEG Still Image Data Compression-Standard.- Van Nostrand Reinhold, 1993.-638 pp.

84. Ratnakar V. RAPP: Lossless Image Compression with Runs of Adaptive Pixel Patterns. / 32nd Asilomar Conference on Signals, Systems and Computers, Nov. 1998.

85. Richardson I. Video Codec Design: Developing Image and Video Compression Systems.

86. Rosenfeld A., Connectivity in Digital Pictures. // JACM. 1970. - Vol. 17. -№l.-pp. 146-160

87. Rosenfeld A., Pflatz J.L. Distance Functions on Digital Pictures. // Pat-ternRecognition. 1968. - № 1. - pp. 33-62

88. Salomon D. Data Compression: The Complete Reference // LCCN QA76.9.D33 S25 2000. xvi + 823 pages.

89. Sayood Kh. Introduction to Data Compression, Second Edition.

90. Saupe D. The Fatility of Square Isometrics In Fractal Image Compression. // IEEE International Conference of Image Processing. 1996. -Vol.1. -№3. - pp. 60-67

91. Tate S.R.Lossless Compression of Region Edge Maps. // Duke University Computer Science Technical Report CS-1992-09.

92. Taubman D.S., Marcellin M.W. Jpeg2000: Image Compression Fundamentals, Standards, and Practice.

93. Yuval Fisher Fractal Image Compression: Theory and Application // Springer; 1st ed. 1995. Corr. 2nd printing edition (October 3, 1996).

94. Vasudev Bhaskaran Image and Video Compression Standards: Algorithms and Architectures (The Springer International Series in Engineering and Computer Science) // Springer; 2nd ed. edition (June 30, 1997).

95. Wayner P. Compression Algorithms for Real Programmers.

96. Welch T.A. Technique for High-Performance Data Compression. // Computer.-1984.-Vol. 17.-№6.-pp. 35-54

97. Westwater R., Furht Borko, Furht Borivoje. Real-Time Video Compression: Techniques and Algorithms

98. Wallace G. K. The JPEG Still Picture Compression Standard. //Communications of the ACM.- 1991. -Vol. 34. -№4. pp. 30-44.

99. Vetterli M., Kovacevic J. Wavelets and Subband Coding. New Jersey: Prentice Hall, 1995. - 327 pp.

100. Yang F., Liao W. Modeling and Decomposition of HRV Signals with Wavelet Transforms // IEEE Engineering in Medicine and Biology. -1997. Vol. 16. - №4.- pp. 17-22

101. Ziv J., Lempel A. Compression of Individual Sequences via Variable Rate Coding.// IEEE Transactions on Information Theory. — 1977. -Vol. 23. -№3.-pp. 234-247