автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Цветовой анализ, сжатие и выделение объектов на изображениях для телекоммуникационных целей

ЦВЕТОВОЙ АНАЛИЗ, СЖАТИЕ И ВЫДЕЛЕНИЕ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ДЛЯ ТЕЛЕКОММУНИКАЦИОННЫХ ЦЕЛЕЙ

Специальность 05 13 01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 6 2т

Санкт-Петербург - 2008

Работа выполнена в Санкт-Петербургском государственном университете телекоммуникаций им проф М А Бонч-Бруевича

Научный руководитель доктор технических наук, профессор

Дегтярев Владимир Михайлович

Официальные оппоненты доктор технических наук, профессор

Смирнов Юрий Михайлович

кандидат технич еских наук, старший научный сотрудник Подкорыгов Сергей Наумович

Ведущая организация ОАО «Авангард»

Защита состоится « 13 » марта 2008 г в 14-00 часов на заседай диссертационного совета Д 219 004 02 при Санкт-Петербургск

государственном университете телекоммуникаций им проф М А Бо Бруевича

по адресу 191065, Санкт-Петербург набр Мойки, 61

С диссертацией можно ознакомится в библиотеке Санкт-Петербургск государственного университета телекоммуникаций им проф М А Бо Бруевича

Отзыв на автореферат в двух экземплярах, заверенный печа учреждения, просим направлять по указанному адресу на имя учен секретаря диссертационного совета

Автореферат разослан « 7 » февраля 2008 г

Ученый секретарь диссертационного совета, кандидат технических наук, доца

В X Харитон

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы. Интенсивное развитие цифровой вычислительной и связной техники привело к широкому использованию цифровой фото и видео аппаратуры, переходу с аналогового телевидения на цифровое вещание и потребовало поиска новых путей к сжатию цветовых многокрасочных изображений и передачи их по каналам связи

Качество изображения и узнаваемость (распознаваемость) объектов на цветном дискретном изображении - одна из главных характеристик передачи изображений

Человек воспринимает изображения в области световых частот (700 - 300 нм) дискретно, разбивая их на элементы (120 млн палочек - черно белое изображение и 7 млн колбочек — цветное изображение) с высокой разрешающей способностью (около 160 тыс элементов на 1 кв мм) и большим диапазоном интенсивности освещения Изображение передается в виде электрических импульсов по нервным волокнам сетчатки глаза в слепое пятно, где обрабатывается и по миллиону нервных волокон параллельно передается для обработки в мозг

Технические устройства аналогичные глазу по своим характеристикам и методам обработки (сжатию и распознаванию объектов изображений) пока не реализованы

В настоящее время передача дискретных изображений на большие расстояния требует мощных и дорогостоящих каналов при сравнительно невысокой разрешающей способности Можно ускорить передачу изображений, разбивая его на части и каждую часть передавать по отдельному каналу Можно упрощать дискретное изображение, снижать разрешение, число полутонов или цветов Можно передавать только изменения в сценах при неизменном фоне Можно передавать цифровые модели псевдореальных объектов в компактной записи с последующей визуализацией на приемном пункте Все эти мероприятия ведут к снижению размера передаваемого кода Качество изображения и размер передаваемого кода имеют непосредственную зависимость

Задача данной диссертационной работы, сохраняя высокое качество изображения, снизить длину передаваемого кода Устранение избыточности (сжатие) в изображениях и цифровых кодах позволяет уменьшить объем цифровой записи изображения Наиболее сложно сжимать кадр многоцветного изображения с большим числом мелких неповторяющихся элементов

Одной из важных проблем, которую необходимо решать для передачи изображений по существующим каналам связи, является сокращение объема записи изображения за счет удаления избыточности информации, появляющейся при записи в цифровом виде, и снижения избыточной цветовой гаммы изображений

Огромное многообразие изображений, различие их по размерам, разрешающей способностью, цветовому насыщению создают значительные трудности при исследовании и разработке универсальных методов анализа, сжатия и выделения объектов на изображениях

В данной работе предложены методы сжатия (без снижения и с управляемым снижением качества изображений) и выделения объектов на сложных многоцветных изображениях, которые позволяют ускорить передачу таких изображений по дискретным каналам связи и более компактно архивировать изображения

Для дальнейшего развития систем обработки и передачи сложных цветных изображений в телекоммуникационных сетях данная работа весьма актуальна

Цель работы. Целью диссертационной работы является исследование возможности эффективного кодирования сложных многоцветных дискретных изображений и разработка методов (алгоритмов) сжатия и выделения объектов на этих изображениях, пригодных для эффективного практического применения в области связи и архивирования данных

Методы исследования В процессе исследования использовались методы кодирования и преобразования изображений, методы распознавания объектов на изображении, методы передачи дискретных сообщений, программирование с 4

использованием средств компьютерной графики Разработанные теоретические положения и методы проверены в рамках экспериментов с использованием вычислительной техники на базе созданного комплекса вычислительных программ и сравнения с существующими методами

Научные положения, выносимые на защиту:

- Анализ методов кодирования и сжатия изображений, стандартов сжатия изображений для передачи их в телекоммуникационных сетях,

- Методы цветового анализа и цветового сжатия дискретных цветных высокого разрешения изображений, содержащих произвольное число объектов,

- Методы цветового выделения объектов на изображении,

- Экспериментальная проверка предложенных методов и алгоритмов и сравнение их с существующими методами

Научная новизна В процессе решения поставленных задач получены следующие новые научные результаты

- Определен уровень наличия и состояние разработки методов кодирования и сжатия цветных дискретных изображений, цветовых объектов с целью их архивирования и передачи в телекоммуникационных сетях,

- Разработаны методы цветовой фильтрации, цветового анализа и сжатия дискретных цветных изображений,

- Разработаны методы и алгоритмы выделения цветовых объектов на изображениях и сжатия их для архивирования и передачи по каналам связи,

- Определены дальнейшие пути развития полученных результатов

Практическая ценность работы Разработанные и предложенные в данной работе методы и алгоритмы дают возможность

- проводить анализ цветных изображений,

- эффективно сжимать изображения с управляемой потерей цветового качества изображения без искажения формы объектов,

- выделять цветовые элементы с целью распознавания цветовых объектов,

ускорить процесс передачи по каналам связи многоцветных изображений,

- применять в системах слежения за динамическими объектами с компактным архивированием результатов за длительные промежутки времени наблюдений

Реализация результатов работы Результаты работы использованы в учебном процессе кафедры «Инженерная Машинная Графика» Санкт-Петербургского государственного университета телекоммуникаций им проф М А Бонч-Бруевича при чтении лекций и проведении практических занятий по дисциплинам инженерная и компьютерная графика, компьютерная геометрия и графика, компьютерная графика

Апробация работы Результаты работы докладывались на заседании секции дома ученых им М Горького (РАН) «Начертательная геометрия, графика и автоматизация проектирования» в мае и октябре 2007 года, на 61-ой Научно-технической конференции студентов и аспирантов Санкт-Петербургского государственного университета телекоммуникаций, май, 2007, на заседании кафедры «Инженерная Машинная Графика» Санкт-Петербургского государственного университета телекоммуникаций, январь, 2008

Личный вклад автора. Основные научные положения, теоретические выводы, а также результаты компьютерных экспериментов, содержащиеся в диссертационной работе, получены автором самостоятельно

Публикации По теме диссертации опубликовано 4 научные работы, из них одна в издании, находящемся в перечне ВАК

Структура и объем диссертации Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 154 наименования и двух приложений Работа изложена на 142 страницах, содержит 25 рисунков, 26 таблиц, объем приложения составляет 49 страниц

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении содержится обоснование актуальности решения задач сжатия многоцветного кадра изображения без потерь и с управляемыми потерями качества изображения, выделения объектов на цветных дискретных изображениях с целью их распознавания, архивирования и передаче по каналам связи Определена цель исследований и разработок 6

В главе 1 «Анализ методов кодирования, сжатия и передачи дискретных изображений» рассмотрены три основных графических формата, которые широко используются для кодирования и передачи изображений (BMP, TIFF, GIF) Проведен анализ алгоритмов без потерь таких как RLE, LZ, LZW, JBIG, Lossless JPEG и алгоритмы Хаффмана, который показал, что основная проблема, которую решают эти алгоритмы, это сокращение длины двоичных кодов, нахождение одинаковых кодов и удаление избыточных нулей Такой подход к сжатию не дает большого эффекта. Стандарт JPEG с потерями имеет лучшие показатели, чем выше рассмотренные форматы, однако и он не решает задачу эффективного сжатия многоцветных изображений для передачи по каналам связи в реальном времени На рис 1 приведены коэффициенты сжатия форматов 11 тестовых изображений (подробно Приложение 1) Актуальность решения задач эффективного сжатия многоцветных изображения остается, несмотря на значительные достижения в области вычислительной и связной техники

В главе 2 «Методы и алгоритмы цветового анализа и сжатия изображений» разработаны методы и алгоритмы анализа, методы и алгоритмы сжатия, удаляющие цветовую избыточность из дискретных изображений

Цветовое дискретное изображение состоит из пикселов, цвет которых получается смешением трех цветов (красного, зеленого и синего), изменяющихся дискретно от минимального значения светимости до максимального

Вводится понятие чистых цветов, которые могут менять свою интенсивность от нулевого значения до 255 Таких цветов 7 (красный, зеленый , синий, красно-зеленый, красно-синий, зелено-синий и серый)

Цветовая модель страницы (кадра) изображения имеет следующий вид

M [Кт,п)] = («)> у,(и), с0( r(l), g(l), Ъ(Т) ) ],

Рх [*i (m), у! (и), С1 ( КО. g(0> К J) ) ],

Рк[хк{пг), ук(п), ск ( r(l), g(l), Ъ{1) ) ] }, где М- массив точек (пикселов) страницы (кадра) изображения,

/(т,п) - функция расположения точек на странице изображения, р - пиксел, состоящий из трех цветов (красный, зеленый, синий), х - местоположение пиксела на горизонтальной строке изображения, у - местоположение пиксела на вертикальной строке изображения, с - номер цвета, г - красный цвет, g - зеленый цвет, Ь - синий цвет,

I - номер уровня интенсивности цвета, к- число пикселов в изображении

При записи изображения внешняя освещенность определяет уровни интенсивности цвета каждого пиксела изображения

Модель освещения выражается следующей формулой

' = (у яУ+к,1,+к,1,гТде

] 1

I- наблюдаемая интенсивность освещения,

ко, кц, к! - коэффициенты рассеянного, диффузного и зеркального отражения,

к,- коэффициент пропускания,

Ь - направление наJ-ый источник света,

5, Я - локальные векторы наблюдения и отражения,

п - степень пространственного распределения Фонга зеркального отражения

Таким образом, модель изображения имеет сложную многомерную структуру, которая определяет пространственный характер плоского изабражения

Однако сложные зависимости освещения создают трудности при анализе изображений, так как многие факторы окружающей среды при построении изображения могут быть неизвестными (сложность получения значений действительной окраски объектов, направления и интенсивности источников освещения, длин волн освещения, отражающих, преломляющих, пропускающих и поглощающих свойств объектов), например, анализ старых фотографий, архивных изображений и т п 8

Коэффициенты сжатии

Объзм записи форматов, байты: Коэффициент по отношению к Ьгпр.

'.АЬггф 30Mpi 4 Ш.Ъпр MOcçi

F t F2 F3 Fi F6 FC F? F8 F9 F10 Fil Рис.1 Коэффициенты сжатия форматов 11 тестовых изображений

В данной работе для удаления избыточной информации и получения минимальных кодов записи цвета без потери цветов предлагается цветовой анализ каждого отдельного изображения

Первичный анализ цветового изображения состоит из разложения изображения на цветовые плоскости, которые содержат 1 бит на точку изображения Число таких плоскостей должно равно общему числу возможных цветов в изображении

Рис 2 Разложение цветового изображения на цветовые плоскости При более полном анализе изображение делится на цветовые поля, которые в свою очередь делятся на уровневые поля одного цвета (рис 3)

Рис 3 Разложение цветового изображения на цветовые и уровневые поля

Метод цветового анализа разделяет исходное (полное) изображение на две составляющие серую и цветовую Определяются количественные и цветовые характеристики изображения Результат анализа тестового изображения «Цветы» (рис 4) представлен в табл 1 и табл 2 10

Рис.4. Тестовое изображение «Цветы»

Табл. 1 Количественные характеристики изображений «Цветы»

Характеристики Изображение

Полное | Серое | Цветное

Размер файла изображения в байтах 662502

Размер заголовка файла в байтах 54

Размер растрового массива в байтах 662448

Ширина изображения в пикселах 592

Высота изображения в пикселах 373

Число пикселов в изображении 220816

Число используемых цветов пикселов 173824 239 16797

Минимальный номер цвета пиксела 593421 0 0

Максимальный номер цвета пиксела 16050911 15790320 11993143

Максимальное число записей для одного цвета 11 3097 526

Число повторных записей цветов 65 204556 25746

Табл. 2 Цветовые характеристики чистых цветов изображения «Цветы»

Наименование Изображение «Цветы»

Полное Серое Цветное

Число полутонов всех чистых цветов 135 220858 14110

Число полутонов красного цвета 0 0 6083

Число полутонов зеленого цвета 0 0 2031

Число полутонов синего цвета 0 0 И61

Число полутонов красно-зеленого цвета 0 0

Число полутонов красно-синего цвета 0 0 1570

Число полутонов зелено-синего цвета 0 0 751

Число полутонов серого цвета 135 220858 135

Цветовой анализ разделенных изображений открывает возможности определения объема избыточной информации и поиска путей ее устранения.

Суть метода цветового сжатия, использующий цветовой анализ, при сжатии без потерь, заключается в снижении числа бит на запись номеров используемых цветов с 24 бит до числа бит, описывающих максимальный номер цвета и равный числу используемых в данном изображении цветов, затем перекодировке номеров цветов в порядке частоты использования цветов в изображении и упаковки в непрерывную запись растрового массива, а в случае с потерями снижается число цветов, используемых в изображении

Алгоритм цветового сжатия с потерями и без потерь цветов представлен на рис 5 Число полутонов красного, зеленого и синего цветов при цветовом сжатии уменьшается от 256 до 128, 64, 32, 16, 8, 4, 2 Цветовые искажения наблюдаются от 8 до 2, однако при этом форма объектов не искажается

Восстановление сжатых изображений осуществляется в обратном порядке В главе 3 «Методы и алгоритмы выделения объектов на цветном изображении» дано описание методов (алгоритмов) выделения контуров и освещенных элементов всех цветовых объектов, находящихся на изображении, а также выделение объектов отдельного чистого цвета

Анализ цветных изображений говорит о том, что в изображении много всякого цветного шума, который вносит цветные искажения в отображение реальных объектов Цветной шум появляется из-за неравномерного, цветного и не монохромного освещения, дополнительных отражений и переотражений, поглощений и других световых явлений, цветовых искажений в оптике и электронике принимающих устройств

Для того чтобы выделить цветовые объекты, необходимо из изображения удалить серый цвет Делим изображение на две составляющие - серую и цветную Затем используем следующий алгоритм

1 Выбираем цветовую составляющую изображения

2 Проводим цветовой анализ цветовой составляющей изображения и находим минимальный и максимальный уровни градаций чистых цветов

3 Устанавливаем цвет для поиска объектов

4 Определяем условия для выделения контуров искомых объектов

Рис 5 Алгоритм цветового сжатия с потерями и без потерь цветов

Заключение по результатам проведенных исследований и разработок

В ходе проведенных исследований и разработок получены следующие научные и практические результаты

1 Проведен анализ графических форматов дискретных изображений, методов и алгоритмов сжатия информации с потерями и без потерь, широко используемых архиваторов и стандартов JPEG и MPEG-4 Рассмотрены их возможности для обеспечения передачи видео информации в реальном времени по телекоммуникационным сетям

2 Оценены возможности использования перспективных методов сжатия изображений, таких как, фрактальный метод, метод всплесков, метод полевых структур для телекоммуникационных целей в современных условиях

3 Предложены метод цветового анализа, метод цветового сжатия дискретных изображений без потерь и с цветовыми потерями, метод выделения цветовых объектов и алгоритмы, позволяющие реализовать предложенные методы

4 Создан комплекс экспериментальных программ методов цветового анализа, сжатия, выделения цветовых объектов на дискретных изображениях и проведена экспериментальная проверка теоретических методов и алгоритмов

5 Сделано сравнение разработанных методов с существующими методами по критериям объема записи и показана их высокая эффективность

6 Намечены пути использования и развития полученных результатов исследований и разработок

- Создание интеллектуальных аппаратных цветовых анализаторов изображений,

- Создание автоматических систем слежения за динамическими объектами в

реальном времени,

Разработка цветовых стандартов и использование их в телекоммуникационных сетях

Основные положения диссертации опубликованы в следующих работах:

1 Баранов А А, Дегтярев В М Метод оптимальной спиральной развертки при сжатии полутоновых изображений для передачи по каналам связи // Труды учебных заведений связи/СПбГУТ СПб, 2007 №176 С 86-89

2 Баранов А А Анализ цифрового изображения для сжатия и передачи по каналам связи//Труды учебных заведений связи/СПбГУТ СПб, 2007 № 177 С 22-27

3 Баранов А А Выделение контуров объектов на цветных дискретных изображениях Сборник статей «World Press» http //d 17-71 com/2008/01/07 /vyideleme-obektov-na-tsvetnyih-diskretnyih-izobrazheniyah/

4 Баранов А А, Дегтярев В М, Карпова И Р Анализ и сжатие многоцветного изображения для распознавания объектов //Вопросы радиоэлектроники, серия Электронная вычислительная техника (ЭЛТ), Выпуск 1,2008 стр 108-117 (В перечне изданий, рекомендуемых ВАК)

Подписано к печати 11 01 2008г Объем 1 печ л Тир 80 экз

Тип СПбГУТ 191186, С-Петербург, наб р Мойки 61

Введение

Глава 1 Анализ методов кодирования, сжатия и передачи дискретных изо- 8 бражений

1.1 Графические форматы BMP, TIFF, GIF, JPEG

1.2 Алгоритмы сжатия изображений без потерь

1.3 Методы спектрального сжатия дискретных изображений

1.4 Фрактальное сжатие изображений

1.5 Метод волновых всплесков

1.6 Сжатие изображений на основе их представлений в виде полевой 54 структуры

1.7 Стандарт сжатия цифровых изображений JPEG

1.8 Требования к цифровой обработке и передаче видеоинформации 62 по каналам связи

1.9 Сравнение существующих форматов изображений

1.10 Выводы

Глава 2 Методы и алгоритмы цветового анализа и сжатия изображений

2.1 Цветовой анализ изображения

2.2 Цветовое арифметическое сжатие

2.3 Сканирование изображений

2.4 Снижение цветовой избыточности

2.5 Кодирование и декодирование цветного изображения

2.6 Выводы

Глава 3 Методы и алгоритмы выделения объектов на цветном изображении

3.1 Разделение изображения на серую и цветовую составляющие

3.2 Поиск объектов на изображении

3.3 Локализация выделенных объектов

3.4 Удаление избыточной информации из изображения

3.5 Выводы

Глава 4 Экспериментальная проверка разработанных методов и алгоритмов

4.1 Цветовой анализ сложных изображений

4.2 Цветовое сжатие изображения

4.3 Выделение объектов на цветном изображении

4.4 Выводы 128 Заключение 129 Литература 130 Приложение 1 Тестовые цветные изображения, форматы, сжатие 143 Приложение 2 Тексты экспериментальных программ

Человек в своем повседневном существовании получает из окружающего мира через органы чувств информацию, необходимую для его деятельности. 98 % этой информации приходится на зрение. Создание, сохранение, обработка и передача зрительных образов (изображений), сопровождает человечество во всей его истории. Наскальные и песчаные рисунки, графические наброски, чертежи, художественные полотна, фотографии, кино, телевидение, интернет - вот этапы использования изображений человеком в его жизни. Развитие науки и техники позволило человеку изучить собственное зрение, представить методы и алгоритмы обработки изображений человеческим мозгом, создать средства передачи изображений на большие расстояния.

Появление телевидения напрямую связало задачи обработки изображений с задачами обработки электрических сигналов, а необыкновенный подъем в последние десятилетия цифровой электроники привел к тому, что повсеместный переход от аналоговых форм представления сигналов (аналоговое телевидение) к цифровым изображениям стал характерной чертой современных электронных систем, и приобретает сегодня особую актуальность.

Если вернуться к человеку, то он получает видео информацию [1] в области световых частот (700-300 нм) в дискретном виде. Сетчатка глаза содержит около 127 млн. рецепторов (120 млн. палочек для рассматривания черно-белого изображения и 7 млн. колбочек, каждая из которых содержит три отдельных приемника для различения лучей красного, зеленого и синего цвета). Плотность размещения рецепторов 160 тыс. на 1 кв. мм. Глаз обладает глубокой адаптацией по отношению к интенсивности света, то есть он может различать огромное количество порогов яркости и соответственно огромное количество цветов при смешивании лучей красного, зеленого и синего цветов.

Информация от рецепторов в виде электронных импульсов очень малой мощности по 127 млн. нервным волокнам поступает в слепое пятно одновременно, то есть имеет место параллельная передача информации. Затем в слепом пятне происходит первичная обработка зрительной информации (фильтрация и сжатие) и далее из слепого пятна зрительная информация передается для обработки в головной мозг уже только по 1 млн. нервным волокнам. Как видим, здесь также имеет место параллельная передача зрительной информации. Мы не знаем точно, как мозг запоминает и обрабатывает зрительную информацию. Имеется ряд гипотез и этот вопрос постоянно изучается.

Ученые создали электронные устройства, которые запоминают, передают и строят изображения на экране, но это выполняется в основном последовательно (в редких случаях параллельно), а по своей разрешающей способности и пороговой чувствительности такие устройства намного уступают человеческому глазу.

В вопросах параллельной обработки изображений результаты в вычислительной технике по сравнению с человеком весьма скромные.

Просматриваются два пути ускорения обработки и передачи изображений: параллельный процесс или при последовательном процессе сжатие данных с последующим восстановлением.

В первом случае нужно фиксировать изображение с помощью матриц определенного разрешения и значение каждого элемента матрицы передавать по отдельному каналу. Число таких каналов будет равно числу элементов матрицы. Если изображение имеет миллион элементов, то и каналов нужно будет столько же. Разворачивать такое изображение не будет необходимости, так как все элементы изображения будут приходить одновременно и выводиться сразу же в определенной точке поля изображения. Такая реализация возможна на уровне нанотехноло-гий и использования для каналов очень высоких частот, проникающих на большие расстояния (например, гравитационные волны). Пока это не достижимо.

Следующий путь заключается в сжатии информации после получения с устройств фиксации изображения до минимальных размеров, передача сжатой информации по каналам связи и восстановления этой информации в виде изображения. Время суммы всех трех этапов обработки видеоинформации определит время общения. Задача перед исследователями и разработчиками заключается в снижении временных показателей на всех этапах обработки информации. При этом необходимо учитывать разрешающую способность видеоинформации (градаций яркости и цветности), искажения ее в результате передачи по каналам связи и потерь качества и цветности в результате ее воспроизведения. Видеоинформация проходит процесс преобразования ее в двоичную форму и обратно и понятно, что при этом возможны потери информации.

Повышение требований к качеству получаемого дискретного многоцветного изображения заставляет искать новые пути кодирования зрительной информации и разрабатывать эффективные методы сжатия изображения.

Одним из таких путей может быть анализ цветовой составляющей изображения, получаемой непосредственно с цифрового устройства записи изображения, определение минимального цифрового кода записи этого изображения, разработка методов сжатия цветовой информации с коррекцией потерь для решения задач передачи изображений, архивирования, выделения и распознавания объектов на изображении и т.п.

Таким образом, задача диссертационной работы была определена как исследование возможности эффективного кодирования изображений с использованием цветового анализа и разработка соответствующих методов (алгоритмов) сжатия, пригодного для практического применения.

Новизна поставленной задачи вытекает из того, что применение цветового анализа для кодирования дискретных изображений изучено мало, актуальность обусловлена исключительной важностью проблем цифровой обработки видеоинформации, сжатия изображений для передачи их по каналам связи и архивации.

В первой главе диссертации проводится анализ и классификация основных подходов к реализации эффективного сжатия и обработки дискретных изображений, отмечается, что существует целый ряд методов, которые могут быть использованы для сжатия изображений с целью передачи их по каналам связи.

Рассмотрены различные форматы и алгоритмы сжатия записи дискретных изображений без потерь информации. Рассмотрены методы дискретных преобразований изображений, их квантование и кодирования для достижения наивысших коэффициентов сжатия дискретных изображений при учете возможных потерь информации. Наибольшее внимание здесь уделено стандарту JPEG, который был выбран в качестве прототипа при сравнении с различными методами сжатия дискретных изображений. Рассмотрены современные требования к сжатию, обработке и передаче дискретных естественных и искусственных изображений по каналам связи. Проведен анализ стандартов передачи изображений на основе стандарта MPEG-4.

Дано сравнение эффективности существующих архиваторов для сжатия различных видов изображений.

Во второй главе представлены разработанные методы и алгоритмы цветового сжатия изображений: цветовой анализ, сканирование изображений, арифметическое сжатие цветовых полей, снижение цветовой избыточности и восстановление цветного изображения.

В третьей главе рассмотрены разработанные методы распознавания объектов на цветном изображении: выделение цветовых контуров объектов, определение однотипных объектов, локализация выделенных объектов, удаление избыточной информации из изображения.

В четвертой главе представлены результаты экспериментальной проверки предложенных методов (алгоритмов) и сравнение их с другими методами.

В приложении приведены фотографии, используемые в вычислительном эксперименте, таблицы и графики сравнений, исходные тексты некоторых программ обработки цветных дискретных изображений на алгоритмическом языке С++.

ЗАКЛЮЧЕНИЕ

В ходе проведенных исследований и разработок получены следующие научные и практические результаты:

1. Проведен анализ графических форматов дискретных изображений, методов и алгоритмов сжатия информации с потерями и без потерь, широко используемых архиваторов и стандартов JPEG и MPEG-4. Рассмотрены их возможности для обеспечения передачи видео информации в реальном времени по телекоммнуникационным сетям.

2. Оценены возможности использования перспективных методов сжатия изображений, таких как, фрактальный метод, метод всплесков, метод полевых структур для телекоммуникационных целей в современных условиях.

3. Предложены метод цветового анализа, метод цветового сжатия дискретных изображений без потерь и с цветовыми потерями, метод выделения цветовых объектов и алгоритмы, позволяющие реализовать предложенные методы.

4. Создан комплекс экспериментальных программ методов цветового анализа, сжатия, выделения цветовых объектов на дискретных изображениях и проведена экспериментальная проверка теоретических методов и алгоритмов.

5. Сделано сравнение разработанных методов с существующими методами по критериям объема записи и показана их высокая эффективность.

6. Намечены пути использования и развития полученных результатов исследований и разработок:

- Создание интеллектуальных аппаратных цветовых анализаторов изображений;

- Создание автоматических систем слежения за динамическими объектами в реальном времени;

- Разработка цветовых стандартов и использование их в телекоммуникационных сетях.

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

2. Chrestenson Н.Е. A class of generalized Walsh functions // Pacific. J. Math. -1955. V.5. -№1.-P. 17-32.

3. Andrews H.C., Pratt W.K. Transform image coding // Proc. Computer processing in communications. New York: Polytechnic Press, 1969. - P. 63-84.

4. Прэтт У., Кэйн Д., Эндрюс X. Кодирование изображений посредством преобразования Адамара // ТИИЭР. 1969. - Т.57.-№1. - С. 66-77.

5. Habibi A., Wintz P.A. Image coding by linear transformation and block quantization // IEEE Trans. Commun. Tech. 1971. - V. COM-19. - №1. - P.50-63.

6. Pratt W.K., Chen W.H., Welch L.R. Slant transform image coding // IEEE Trans. Commun. -1974. -V. COM-22. P. 1075-1093.

7. Rao K.R., Narusimhan M.A., Revuluri K. Image data processing by Hadamard-Haar transform // IEEE Trans. Computers. 1975. - V. C-23. - №9. - P. 888-896.

8. Эндрюс Г. Применение вычислительных машин для обработки изображений / Пер. с англ. под ред. Б.Ф.Курьянова. М.: Энергия. - 1977. - 161 с.9. Кн.1 и 2.-312 и 480 с.

9. Жуков Д.М. Эквивалентность одномерного и двумерного преобразования Крестенсона-Леви // Методы цифровой обработки изображений: Сб. науч. тр. МИЭТ. М.: МИЭТ, 1982 - С. 65-70.

10. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. Gray R.M. Vector Quantization // IEEE ASSP Magazine. - April 1984. - P. 429.

11. Кунт M., Икопомопулос А., Кошер M. Методы кодирования изображений второго поколения // ТИИЭР. 1985. -Т.73. - №4. - С. 59-86.

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

13. Голубов Б.И., Ефимов A.B., Скворцов В.А. Ряды и преобразования Уолша: Теория и применения. М.: Наука, 1987. - 344 с.

14. Nasrabadi N.M., King R.A. Image coding using vector quantization: A review // IEEE Trans, on Communication. 1988. - V. 36. - №8. - P. 957-971.

15. Perkins M.G. A comparison of the Hartley, Cas-Cas, Fourier, and discrete cosine transforms for image coding // IEEE Trans. Commun. 1988. - V.36. - № 6. - P.758-761.

16. Efimov A. V. Multiplicative function systems and their applications in discrete information processing // Approximation and function spaces / Banach center publications. 1989. - V.22. -P. 111-117.

17. Kubrick A., Ellis T. Classified vector quantization of images codebook design algorithm. // IEEE proceedings Information, 1990, 137, № 6, стр. 379-386

18. Li Weiping. Vector transform and image coding // IEEE trans.circuits and syst.video technol. 1991, 1, №4, стр.308-317.

19. Pancha Rathan S., Golderg M. Mini-max algorithm for image adaptive vector quantization // IEEE proc. I. 1991 - 138, №1, стр.53-60.

20. Ngan K.N., Koh H.C. Predictive classified vector quantization // IEEE Trans. Image Proc. -1992. -V.I. -№3. P. 269-280.

21. Kim T. Side match overall match vector quantizers for images // IEEE Trans. Image Proc. -1992. -V.I. -№2. P. 170-185.

22. Mathews V.J. Multiplication free vector quantization using L/ distortion measure and its variants II IEEE Trans. Image Proc.- 1992. -V.I.-№1.~P. 11-17.

23. Chan Ch.-K., Po L.-M. A complexity reduction technique for image vector quantization // IEEE Trans. Image Proc. 1992. -V.I. -№3. - P. 312-321.

24. Huang C.M. et al. Fast full search equivalent encoding algorithms for image compression using vector quantization // IEEE Trans. Image Proc. 1992. -V.I. -№3. -P. 413-416.

25. Senoo Т., Giord B. Vector quantization for entropy coding of image subbands // IEEE Trans. Image Proc. 1992. -V.I. -№4. - P. 526-532.

26. Kim E.H., Modestmo J.W. Adaptive entropy coded subband coding of images // IEEE Trans. Image Proc. 1992. -V.I. -№1.- P. 31-48.

27. Nanda S., Pearlman W.A. Tree coding of image subbands // IEEE Trans. Image

28. Proc. 1992. -V.I.-№2.-P. 133-147.

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

30. Buhman J., Kunel H. Vector quantization with complexity costs // IEEE Trans, on Information Theory.- 1993.-V.39.-X24.-P. 1133-1145.

31. Cosman P.C. et al. Using vector quantization for image processing // Proc. IEEE 1993. -V.81.-№9.-P. 1326-1341.

32. Huang C.M., Harris R. W. A comparison of several vector quantization code book generation approaches // IEEE Trans. Image Proc.- 1993.-V.2.-№1 .-P.108-112.

33. Задирака В.К., Евтушенко В.Н. Оптимальный способ зонного кодирования с использованием Слэнт-преобразования // Кибернетика и системный анализ. 1994. -№4.-С. 56-60.

34. Barlaud М. et al. Pyramidal lattice vectior quantization for multiscale image coding // IEEE Trans. Image Proc. 1994. -V.3. -№ 4. - P. 367-381.

35. Kossentini F., Chung W.C., Smith M. Subband image coding using entropy-constrained residual vector quantization // Information Processing and Management. 1994. -V.30. -№6. -P. 887-896.

36. Tuubman D., Zakhor A. Orientation adaptive subband coding of images // IEEE Trans. Image Proc. 1994. -V.3. -№4. - P. 421-437.

37. Tan K.H. Ghanbari M. Layered image coding using the DCT pyramid // IEEE Trans. Image Proc. 1995. -V.4. -№4.-P. 512-516.

38. Kovacevic J. Subband coding system incorporating quantizer models // IEEE Trans. Image Proc. 1995. -V.4. -№5. - P. 543-553.

39. Woods J. W., Huang T.S. Picture bandwidth compression by linear transformation and block quantization // Picture bandwidth compression / Ed.: Huang T.S., Tretiak O.J. New York: Gordong and Breach, 1972. - P.555-573.

40. Джайн A.K. Сжатие видеоинформации: Обзор // ТИИЭР.- 1981 .-Т.69.-№3,-С. 71-117.

41. Witten I., Neal R.M., Cleary J.G. Arithmetic coding for data compression //

42. Comm. ACM.-1987.-V.30.-№ 6.

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

44. Desoky Ahmed, O'Connor Carol, Kleim Tomas Compression of image data using arithmetic coding // Comput.sci.and statist.: proc. 20th symp.interface, Fairfax, Va, 20-23 apr 1988, Alexandria (Va), 1988, стр. 812-815.

45. Desoky A., O'Connor C., Kleim T. Compression of image data using arithmetic codng. // Computer science and statistics: proceedings 20th symposium interface, Fairfax, Va, 20-23 apr 1988, стр. 812-815

46. Stranger V.J. A feature motion compensation technique for image sequence compression // Proc. 6th scand. conf. Image anal, Oulu, june 19-22, 1989 vol.2, Стр. 1059-1066.

47. Kosis S.M. Fractal-based image compression // 23rd Asilonaz conf.sygnals. Syst. And comput., Pasific grove, Calif., oct.30 nov.l, 1989 conf.rec.vol.l, San Jose, 1989, стр. 177-181.

48. Hung A.C. Image compression: The emerging standard for color images // IEEE Computing Futures. 1989. - Inagural issue. - P. 20-29.

49. Algazi V.Ralph, Kelly Philip L., Estes Robert R. Compession of binary facsimile images by preprocessing and color shrinking // IEEE trans.commun. -1990, 38, №9, стр.1592-1598.

50. Nasrabadi Nasser M., Feng Yushn. Image compression using address-vector quantization // IEEE trans.commun. 1990, 38, №12, стр. 2166-2173.

51. Wallace G.K. Overview of the JPEG (ISO/CCITT) still image compression: image processing algorithms and techniques // Proceedings of the SPIE. 1990. -V. 1244. - P. 220-233.

52. Arozullah Mohhamed, Namphol Aran. A data compression system using neural network based architecture // IJCNN int. jt. Conf. Neural networks, San Diego, Calif. 1990, vol.1 NY, стр.531-536.

53. L. Torres-Urgell and R. Lynn Kirlin. Adaptive Image Compression using Kar-hunen-Loeve Transform // Signal Processing, vol. 21, no. 4, pp. 303-313, December 1990.

54. Arozullah M., Namphol A. A data compression system using neural network based architecture. // IJCNN international conference Neural Networks, San Diego, California, 1990, vol.1, стр531-536

55. Paik Chul Hwa, Fox Martin D. Transform-based medical image compression using a recursive preprocessing approach // Proc. 16th Annual Northeast Bio-eng.conf. University park, Pa, March 26-27, 1990, №4, стр.67-68.

56. Shweizer L., Paridon G., Sienranza G.L., Marsi S. A fully neural approach for image compression // Artif. Neural Networks: Proc. Int.conf., Espoo, 24-28 june, 1991, vol.1 Amsterdam, 1991, стр.815-820.

57. Li C.G., Gokmen M., Hirchman A.D., Wang Y. Information preserving image compression for archiving NMR images // Comput. Med. Image and graph. -1991, 15, №4, стр.277-283.

58. Wallance Gregory. The JPEG stillpicture compression standart // Commun. ACM 1991, 34, №4, стр.31-34.

59. Wallace G.K. The JPEG algorithm for image compression standard // Communications of the ACM. 1991.-V.34. -№4. - P. 30-44.

60. ISO/IEC JTCI Committee Draft 10918-1. Digital compression and coding of continuous-tone still images. Part 1. Requirements and guidelines. 1991.

61. ISO/IEC JTCI Committee Draft 10918-2. Digital compression and coding of continuous-tone still images. Part 2. Compliance Testing. 1991.

62. Mougeot M., Azencott R., Angeniol B. Image compression with back propagation: Improvement of the visual restoration using different cost functions // Neural Networks 1991, 4, №4, стр. 467-476.

63. Huynh Dung T. Effective entropies and data compression // Inf. And comput. -1991, 90, №1, стр. 67-85.

64. Sayood Khalid, Anderson Karen. A differential losseless image compression scheme // IEEE trans. Sygnal process., 1992, 40, №1, стр.236-241.

65. Kokkinidis P.A., Metaxalci-Kossionidou С. An adaptive improvement of an image compression technique // Microprocess. And microprogram., 1992, 34, №15, стр. 231-234.

66. Горшков А.С. Быстрый теоретико-числовой метод для синтеза и сжатия изображений // Програмирование, 1992, №4, стр.72-78.

67. Vaisey Jacques, Gersho Allen. Image compression with block size segmentation // IEEE trans.signal process, 1992 40, №8, стр.2040-2060.

68. Perkins Michael G. Data compression of stereopairs // IEEE trans. Communications 1992, 40, №4, стр.684-696.

69. Sayood K., Anderson K. A differential lossless image compression scheme. // IEEE transaction signal processing, 1992, 40, №1, стр. 236-241

70. Пеев E., Боянов К., Белчева О. Методи и средства за компрессия на изображения // Автоматика и информатика.-1994.-28, №3.-стр.З-14.

71. Shusterman Е., Feder М. Image compression via improved quadtree decomposition algorithms. // IEEE transactions image processing, 1994, 3, №2, стр. 207215

72. Scordas A.N., Kurtis K.M. A fast picture compression technique. // IEEE transactions consumer electronics, 1994, 40, №1, стр.11-19

73. Yokoo H. Adaptive encoding for numerical data compression. // Information processing and management, 1994, 30, №6, стр. 863-873

74. Криворучко В.О. Об одном методе сжатия полноцветных изображений. // Автометрия, 1994, №6, стр. 72-77

75. Kwosaki М., Waki Н. A JPEG-compliant color image compression / dccom-presssion LSI //Mitshubisi Elec. Adv. -1994. -V.68, Sept. P. 17-18.

76. Мастрюков Д. Алгоритмы сжатия информации. Часть 2. Арифметическое кодирование // Монитор. 1994. -№1. - С. 20-26.

77. Shusterman Е., Feder Meir. Image compression via improved quadtree decomposition algorithms // IEEE trans.image process 1994 - 3, №2, стр.207-215.

78. К. Shen, G. Cook, L. Jamieson, and E. Delp. An Overview of Parallel Processing Approaches to Image Compression // Proceedings of SPIE Visual

79. Communications and Image Processing, San Jose, CA, vol. 2186, pp. 197-208, February 1994.

80. Saden Iian. Universal data compression based on approximate string matching // Appl.math.and comput.sci. 1995, 5, №4, стр.717-742.

81. V. Bhaskaran and K. Konstantinides. Image and Video Compression Standards: Algorithms and Architectures / Kluwer Academic Publishers, 1995.

82. N. Netravali and B. G. Haskell. Digital Pictures Representation Compression, and Standards / Plenum Press, 1995.

83. Антонова H.A., Наумов H.A. Методы сжатия данных в вычислительных системах. Методы нумерации в сжатии данных. Методы сжатия двоичной информации. // Препринт Институт прикладной математики РАН, 1996, №43, стр. 1-32

84. Memon Nazir, Wu Xiaolin. Recent developments in context-based predictive techniques for lossless image compression // Comput.J, 1997, 40, №2-3, стр.127-136.

85. Storer James A., Helfgott Harald. Lossless image compression by block matching // Comput J., 1997, 40, №2-3, стр.137-145.

86. Storer J., Helfgott H. Lossless image compression by block matching. // Computer Journal, 1997, 40, №2-3, стр.137-145

87. Горин A.K., Поляков Г.А. Сравнительная оценка эффективности методов сжатия данных. // Вопросы прикладной математики и математического моделирования / Днепропетровский державный университет, Днепропетровск, 1997, стр. 36-38

88. Hafner Ullrich, Albert Jurgen, Frank Stefan, Unger Michael. Weighted finite automata for video compression // IEEE J. Selec. Areas Commun. 1998. - 16, 1. -C. 108-119.

89. Меньшиков В.И., Пасечников M.A. О возможности создания эффективных итеративных алгоритмов сжатия информации // Мурм.гос.техн. Ун-т -Мурманск, 1999.

90. Королев А. В., Рубан И. В., Малахов С. В. Метод сжатия видеоданных посредством преобразований // Электрон, моделир. 1999. - 21, 4. - С. 47-56.

91. Болтов Ю.Ф., Носков А.Ф., Ситников В.В. Система предикативного сжатия изображений на основе полевой структуры // Труды учебных заведений связи / СП6ГУТ. СПб. 2000. № 166.

92. Горлов С.К., Новиков И.Я., Родин В.А. Коррекция полиномов Хаара, применяемая для сжатия графической информации // Изв. Вузов мат. 2000 №7, стр.6-10.

93. Болтов Ю.Ф., Бобылев А.В., Смирнов Р.С. Усовершенствование системы сжатия изображений на основе их представлений в виде полевой структуры // Труды учебных заведений связи / СПбГУТ. СПб, 2002 № 168. С. 316324.

94. Good J. The interaction algorithm and practical Fourier analysis // J. Royal Stat. Soc. (London). 1958. - V. B-20. - P. 361-372.

95. Cooley J. W., Tukey J. W. An algorithm for machine computation of complex Fourier series // Mach. Comput. 1965. - V.19. - P. 297-301.

96. Andrews H.C., Pratt W.K. Fourier transform coding of images // Hawaii International Conference on System Science, January 1968. P. 677-679.

97. Anderson J.B., Huang T.S. Piecewise Fourier transformation for picture bandwidth compression // IEEE Trans. Commun. -1972.- V. COM-20 №3. - P.488-491.

98. Prult W.K., Andrews H.C. Application of Fourier-Hadamard transformation to bandwidth compression // Picture bandwidth compression / Ed.: Huang T.S., Tretiak O.J. -New York: Gordongand Breach, 1972.-P. 515-554.

99. Wallance G. The JPEG stillpicture compression standart. // Communication ACM 1991, 34, №4, стр. 31-34

100. Горлов C.K., Корыстны A.B., Родин В.А. Об одной реализации метода сжатия отображений с помощью нелинейной аппроксимации сумм Фурье-Хаара // Теор. функций и прибл.: Тр. 7-й Саратов, зим. шк. (1994 г.). Ч. 2,-Саратов: Изд.-во СЕУ, 1995.

101. Гагарин Ю.И., Гагарин К.Ю. Гиперкомплексные быстрые преобразования Фурье в расширенных полях рациональных чисел труды СПбГТУ 1998 -472 стр.77-80

102. Kosis S.M. Fractal based image compression. // 23rd Asilonaz conference signals systems and computing, Pasific grove, California, 1989, стр. 177-181

103. Beaumont J.M. Image data compression using fractal techniques // ВТ Technological Journal. 1991.-V. 9-№4.-P. 92-109.

104. Jaquin A.E. Image coding based on a fractal theory of iterated contractive image transformations // IEEE Trans. Image Proc. 1992. -V.I.-№1. - P. 18-30.

105. Бондаренко В.А., Дольников В.JI. Фрактальное сжатие изображений по Барнсли-Слоану // Автоматика и телемеханика. 1994. - №5. - С.12-20.

106. Fractal image compression: theory and application./ Ed.: Y.Fisher. New York, 1995.-XVIII, 341 p.

107. Cochran W.O., Hart J., Flynn P. Fractal volume compression. // IEEE transactions visual and computer graphics, 1996, 2, №4, стр. 313-322

108. Barsnsley Michael F. Fractal image compression // Notic.Amer.Math.Soc. -1996 -43, №6, стр.657-662.

109. Гузак В.Ф., Костюк А.И. Фрактальное сжатие и восстановление изображений. // Управляющие системы и машины, 1998, №1, стр. 44-49

110. Зайцев Д.Ю. Использование фрактальных методов для сжатия информации. // Микроэлектроника и информатика 1998. Всероссийская межвузовская конференция студентов и аспирантов, Зеленоград, 1998, тезисы докладов, часть 2, стр. 184

111. Daubechies I. Orthonormal bases of compactly supported wavelets. // Communication Pure Applied Mathematics, 41, 1988, стр. 909-996

112. Rioul Oliver, Vetterli Martin. Wavelets and signal processing // IEEE signal process.mag, 1991, 8, №4, стр.14-38.

113. Beylkin G., Coifman R., Rokhlin V. Fast wavelet transforms and numerical algorithms. // Communications on pure and applied Mathematics, 44 (1991), стр. 141-183

114. Antoni M. et al. Image coding using wavelet transform // IEEE Trans. Image Proc. 1992. -V.l.-№ 2. -P. 205-220.

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

116. Donoho D.L. Interpolating wavelet transforms. // Preprint, Department of Statistics, Stanford University, 1992.

117. Chui C.K. An introduction to wavelets. // Academic press, San Diego, CA, 1992

118. Gortler S., Shroder P., Cohen M., Hanrahan P. Wavelet radiosity. // in Computer Graphics Annual Conference Series 1993, стр. 221-320

119. Pattanaik S.N., Bouatouch K. Fast wavelet radiosity method. // Computer Graphics Forum 13,3, 1994

120. Ramuchandran K., Vetteri M. Best wavelet packet bases in a rate-distortion sense // IEEE Trans. Image Proc. 1993. -V.2. -№ 2. - P. 160-175.

121. Stefunoiu D. Introduction to signal processing with wavelets // Studies on Information and Control. -1994. V.3. - №1. - P. 97-110.

122. IEEE Trans. Image Proc. 1995. -V.4. -№2. - P. 162-177.

123. Bouatouch K., Pattanaik S.N. Discontunity meshing and hierarchical Multi-Wavelet Radiosity. // In proceedings of Graphics Interface, 1995

124. Lippert L., Gross M. Fast wavelet based volume rendering by Accumulation of Transparent Texture Maps. // In proceedings Eurographics '95

125. Schroder P., Sweldens W. Spherical Wavelets: Texture processing. // In rendering techniques, 1995

126. Daubechies I., Guslcov I. Wavelets on Irregular Point Sets. // Program for Applied and Computational Mathematics, Princeton University, 1995

127. Romaswamy V.N., Namuduri K.R., Ranganathan N. Lossless image compression using wavelet decomposition // Proc 13th IAPR int.ocnf.pattern recogn., Vienna, aug 25-29, 1996, vol.3, track C: applic.and robotic systems Los Ala-mitos, 1996, стр.924-928.

128. Cochran Wayne O., Hart John C., Flynn Patrick J. Fractal volume compression // IEEE trans. Visual and comput.graph., 1996 2, №4, стр.313-322.

129. Забярянский С. Фрактальное сжатие изображений // Компьютеры + прогр. 1997, №6, стр. 16-22.

130. Chrysafis Christos, Ortega Antonio. Line-based, reduced memory, wavelet image compression // IEEE trans. Image precess. 2000-9 №3, стр.378-389.

131. Ahmed N., Naturajan Т., Rao K.R. On image processing and a discrete cosine transform // IEEE Trans. Computers. -1974. V. C-23 - №1.- P.90-93.

132. Rao K.R., Yip P. Discrete cosine transform algorithms, advantages, applications. - London: Academic Press inc., 1990.

133. Duhamel P., Guillemont C. Polynomial transform computation of 2-D DCT // Proc. ASSP'90. -1990.-P.1515-1518.

134. Cho N., Lee S. Fast algorithm and implementation of 2-D discrete cosine transform // IEEE Trans. Circuits and Systems. 1991. -V.38. - P.297-305.

135. Kim D., Lee S.U. Image vector quantizer based on classification in the DCT domain. // IEEE transactions communications- 1991, 39, №4, стр. 549-557

136. Birney K.A., Fischer T.R. On the modeling of DCT and subband image data for compression // IBEE Trans. Image Proc. 1995. - V.4. - №2. - P. 186-193.

137. Andrews H.C., Hunt B.R. Digital Image Restoration.- Englewood Cliffs (NJ): Prentice Hall, 1977. XVIII, 238 p.

138. Li Jinghua, Yu Songyu, Yan Feng. Аппаратная реализация ВС на основе сжатия декомпрессии изображений // J. Data Acquis, and Process. - 1999. -14,2.-С. 214-217.

139. L.S. Davis. A survey of Edge Detection Techniques. Computer Graphics & Image Processing, 4:248-270, 1975

140. Yopgeshwaz J., Mammone K.J. A new perceptual model for video sequence encoding // 10th int. conf. Pattern recognition. Atlantic City, NJ, 16-21 june 1990 Vol2, стр. 188-193.

141. Алпатов Б.А., Блохин A.H. Модели и алгоритмы обнаружения и выделения движущихся фрагментов изображений. // Автометрия, 1995, №4, стр. 100104.

142. S.K. Nayar, S. Baker, and Н. Murase. Parametric Feature Detection. In Proceedings of IEEE, International Conference on Computer Vision and Pattern Recognition, pages 471-477, San Francisco, 1996.

143. Сергеев В.В. Применение методологии распознавания образов в задачах цифровой обработки изображений. // Автометрия, 1998, №2, стр.63-76.

144. V.S. Nalwa. Edge-Detector Resolution Improvement by Image Interpolation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 9(3): 446-451, 2005148. http://mpeg.telecomitalialab.com/standards/mpeg-4/mpeg-4.htm142

145. Роджерс Д. Алгоритмические основы машинной графики. М.: МИР, 1989. - 512 с.

146. Шишенко А.П. Метод цифровой фильтрации кадра изображения // Труды учебных заведений связи / СПбГУТ. СПб, 2003 № 169. С. 50-54.

147. Баранов А.А., Дегтярев В.М. Метод оптимальной спиральной развертки при сжатии полутоновых изображений для передачи по каналам связи. // Труды учебных заведений связи / СПбГУТ. СПб, 2007. № 176. С. 86-89.

148. Баранов А.А. Анализ цифрового изображения для сжатия и передачи по каналам связи.// Труды учебных заведений связи / СПбГУТ. СПб, 2007. № 177. С. 22-27.

149. Баранов А.А. Выделение контуров объектов на цветных дискретных изображениях. Сборник статей «World Press» http://d.l7-71 .com/2008/01/07/vyidelenie-obektov-na-tsvetnyih-diskretnyih-izobrazheniyah/

150. Баранов A.A., Дегтярев B.M., Карпова И.Р. Анализ и сжатие многоцветного изображения для распознавания объектов.//Вопросы радиоэлектроники, серия Электронная вычислительная техника (ЭЛТ), Выпуск 1, 2008. стр. 108-117.

151. Сравнение изображений, их форматов и сжатие RGB (24 бита), разрешение 100 dpi

152. Наименование изображений Вид Изображений Объем записи форматов, байты коэффициент по отношению к bmp Объем сжатого формата (WinRar) коэффициент сжатияbmp tif gif jpeg bmp tif gif jpeg

153. Парашютист Черно-белое с небольшим заполнением площади 478 914 479 920 0,998 33 712 14,206 20 447 23,422 242 951 1,971 239 244 2,005 33 702 1,000 19 982 1,023

154. Свободное падение Черно-белое со средним заполнением площади 652 446 653 500 0,998 73 761 8,845 42 673 15,289 482 470 1,352 484 489 1,348 73 850 0,998 42 708 0,999

155. Самолет Черно-белое с большим заполнением площади 563 442 564 472 0,998 88 565 6,361 42299 13,320 438 543 1,284 441 353 1,278 88 362 1,002 49 339 0,857

156. Котенок Цветное, репродукция 652 446 653 500 0,998 114 074 5,719 45 669 14,286 584 072 1,117 588 714 1,110 113 951 1,001 45 100 1,012

157. Радуга Цветное с небольшим количеством цветов 709 890 710 960 0,998 61 217 11,596 32177 22.062 467 678 1,517 470 517 1,511 61 085 1,002 32106 1,002

158. Собака Цветное с выделенным объектом 669 606 670 668 0,998 72175 9,277 45 632 14,674 443 929 1,508 453 110 1,480 72 035 1,001 45 703 0,998

159. Ирина Цветное с неравномерно освещенным объектом 687 366 688 428 0,998 117 020 5,873 67 807 10,137 558 365 1,231 551 275 1,248 115 958 1,009 67 887 0,998

160. Море Цветное с несколькими объектами 662 502 663 556 0,998 56 668 11,690 34 189 19,377 405 939 1,632 408 929 1,622 56 747 0,998 34 268 0,997

161. Цветы Цветное с большим количеством объектов 662 502 663 556 0,998 124 165 5,335 59 826 11,073 548 910 1,206 549 654 1,207 123 936 1,001 59 906 0,881

162. Аэрофото днем Цветное при дневном освещении 360 294 361 268 0,997 54 534 6,606 28 711 12,584 270 963 1,329 271 860 1,328 54 396 1,002 28 713 0,999

163. Аэрофото ночью Цветное при инфракрасной съемке 360 294 361 268 0,997 79 389 4,538 40 629 8,867 339 650 1,060 341 207 1,058 78 678 1,009 40 687 0,998

164. Сравнение изображений, их форматов и сжатие RGB (24бита), разрешение 300 dpi

165. Наименование изображений Вид Изображений Объем записи форматов, байты коэффициент по отношению к bmp Объем сжатого формата (WinRar) коэффициент сжатияbmp tif gif jpeg bmp tif gif jpeg

166. Парашютист Черно-белое с небольшим заполнением площади 4 305 654 4 307 724 0,999 184 508 23,335 97 310 44,246 1 826 775 2,356 1 831 267 2,352 184 599 0,999 90 881 1,070

167. Свободное падение Черно-белое со средним заполнением площади 5 856 054 5 858 532 0,999 423 023 13,843 296 910 19,723 3 497 841 1,614 3 502 568 1,672 423 112 0,999 296 891 1,000

168. Самолет Черно-белое с большим заполнением площади 5 062 614 5 064 908 0,999 422 959 11,969 262 325 19,299 2 949 913 1,716 2 917 648 1,735 423 034 0,999 262 400 0,999

169. Котенок Цветное, репродукция 5 856 054 5 858 532 0,999 1 110 230 5,274 494 959 11,831 5 366 414 1,091 5 371 407 1,090 1 109 394 1,000 491 021 1,008

170. Радуга Цветное с небольшим количеством цветов 6 354 654 6 357 436 0,999 403 395 15,752 221 209 28,726 3 659 443 1,736 3 660 102 1,736 403 477 0,999 218 714 1,011

171. Собака Цветное с выделенным объектом 6 007 134 6 009 820 0,999 401 392 14,965 244 186 24,600 3 197 928 1,878 3 197 031 1,879 401 471 0,999 244 265 0,999

172. Ирина Цветное с неравномерно освещенным объектом 6 166 614 6 169 348 0,999 604 323 10,204 338 668 18,208 3 542 729 1,740 3 547 219 1,739 604 403 0,999 338 748 0,999

173. Море Цветное с несколькими объектами 5 953 974 5 956 644 0,999 414 863 14,351 216 257 27,531 3 466 316 1,717 3 468 570 1,717 414 942 0,999 215 331 1,004

174. Цветы Цветное с большим количеством объектов 5 953 974 5 956 644 0,999 720 465 8,264 328 647 18,116 3 640 471 1,635 3 642 065 1,635 720 545 0,999 328 727 0,999

175. Аэрофото днем Цветное при дневном освещении 3 226 254 3 227 980 0,999 306 943 10,510 181 960 17,730 1 960 748 1,645 1 967 300 1,640 307 018 0,999 182035 0,999

176. Аэрофото ночью Цветное при инфракрасной съемке 3 226 254 3 227 980 0,999 454 668 7,095 253 087 12,747 2 198 384 1,467 2 205 054 1,463 454 744 0,999 253 163 0,999

177. Сравнение изображений, их форматов и сжатие RGB (24бита), разрешение 600 dpi

178. Наименование Вид Объем записи форматов, байты Объем сжатого формата (WinRar)изображений Изображений коэффициент по отношению к bmp коэффициент сжатия bmp tif gif jpeg bmp tif gif jpeg

179. Парашютист Черно-белое с небольшим 17 222454 17 228884 626 515 280 546 6 720 698 6 728 873 626 606 252 093заполнением площади 0,999 27,489 61,389 2,562 2,560 0,999 1,112

180. Свободное Черно-белое со средним 23 424054 23 431332 1 260 713 905 235 12 784788 12 790427 1 260 802 903 690падение заполнением площади 0,999 18,580 15,876 1,832 1,831 0,999 1.001

181. Самолет Черно-белое с большим 20 224854 20 231388 1 276 291 709 821 10 586984 10 592168 1 276 366 708412заполнением площади 0,999 15,846 9,728 1,910 1,910 0,999 1.001

182. Котенок Цветное, 23 424054 23 431332 3 966 535 1795923 18 990882 19 025702 3 966 618 1793348репродукция 0,999 5,905 13,042 1,233 1,231 0,999 1.001

183. Радуга Цветное с небольшим 25 418454 25 428852 1 364140 741 862 14 066471 14 070113 1 364 222 731 617количеством цветов 0,999 18,633 34,263 1,807 1,807 0,999 1,014

184. Собака Цветное с выделенным 24 001254 24 011172 1 240 609 676 034 12 084770 12 078798 1 240 688 673 409объектом 0,999 19.346 35,503 1,986 1,987 0,999 1,003

185. Ирина Цветное с неравномерно 24 638454 24 648612 1 867 249 891 855 13 419691 13 418370 1867329 891 935освещенным объектом 0,999 13,195 27,626 1,852 1,836 0,999 0,999

186. Море Цветное с несколькими 23 788854 23 798692 1382667 732 154 13 297135 13 299908 1382746 727 345объектами 0,999 17,205 32,491 1,789 1,789 0,999 1,006

187. Цветы Цветное с большим 23 788854 23 798692 2278703 953 041 14 101598 14 100943 2 278 783 953 121количеством объектов 0,999 10,439 24,960 1,686 1,687 0,999 0,999

188. Аэрофото Цветное при дневном 12 882054 12 886732 959 553 535 870 7 027 091 7 022 374 959 628 535 945днем освещении 0,999 13,425 24,039 1,833 1,835 0,999 0,999

189. Аэрофото Цветное при инфракрасной 12 882054 12 886732 1 365 869 713 657 7 479 767 7 482 006 1 365 945 713 733ночью съемке 0,999 9,431 18,050 1,722 1,722 0,999 0,999