Содержание

Введение

1. Зачем нужна видеокомпрессия?

1.1. Алгоритмы сжатия - JPEG или Wavelet

1.2. Требования, предъявляемые к преобразованиям

2. Применение вейвлет-преобразования для сжатия изображения

2.1. Базовый вейвлет-кодер изображения

2.1.1. Выбор вейвлетов для сжатия изображения

2.1.2. Осуществление преобразования на границах изображения

2.1.3. Квантование

2.1.4. Энтропийное кодирование

2.1.5. Меры искажения, взвешенные с учетом восприятия

человеком

2.2. Новые идеи в области сжатия изображений, связанные с

вейвлет-преобразованием

2.3. Кодирование посредством нульдерева

2.3.1. Алгоритм Льюиса и Ноулеса

2.3.2. Алгоритмы Шапиро и Саида-Перельмана

2.3.3.Оптимизация нульдеревьев по критерию скорость-искажение

2.4. Современные направления исследований

Заключение

Список литературы

ВЕДЕНИЕ

В последнее десятилетие в мире возникло и оформилось новое научное направление, связанное с так называемым вейвлет - Слово “wavelet”, являющееся переводом французского “ondelette”, означает небольшие волны, следующие друг за другом. Можно без преувеличения сказать, что вейвлеты произвели революцию в области теории и практики обработки нестационарных сигналов. В настоящее время вейвлеты широко применяются для распознавания образов; при обработке и синтезе различных сигналов, например речевых, медицинских; для изучения свойств турбулентных полей и во многих других случаях.

Особо большое развитие получила практика применения вейвлетов для решения задач сжатия и обработки изображений, являющихся нестационарными по своей природе. В этой области применение вейвлет - позволило достичь одновременного снижения сложности и повышения эффективности кодеров. В настоящее время уже находятся в разработке международные стандарты по сжатию неподвижных изображений и видео – JPEG2000 и MPEG-4. Ядром этих стандартов будет вейвлет. Огромный интерес к изучению теории и практики вейвлет вызвал лавинообразный поток издающейся литературы. В США и других развитых странах ежегодно издаются десятки книг, учебных пособий, тематических выпусков журналов, посвященных данной тематике. На этом фоне почти полное отсутствие публикаций в отечественных журналах выглядит достаточно странно. Теория и практика вейвлет - находится на стыке различных наук: математики, физики и т.д.

Первое упоминание о вейвлетах появилось в литературе по цифровой обработке и анализу сейсмических сигналов (работы А.Гроссмана и Ж.Морлета). Так как интерес авторов заключался в анализе сигналов, набор базисных функций был збыточным. Далее, математик И.Мейер показал существование вейвлетов, образующих ортонормальный базис. Дискретизация вейвлет - была описана в статье И.Добеши, которая перекинула мост между математиками и специалистами в области обработки сигналов. Добеши разработала семейство вейвлет - имеющих максимальную гладкость для данной длины фильтра.

Популярность вейвлетов увеличилась после введения С.Маллатом концепции кратномасштабного анализа. Он же, первым применил вейвлеты для кодирования изображений.

И И.Добеши, и С.Маллат показали, что практическое выполнение вейвлет - осуществляется посредством двухполосного банка фильтров анализа - известного ранее в теории субполосного кодирования. Эта теория может быть описана в терминах вейвлетов. Главное различие между этими двумя направлениями заключается в критериях построения фильтров.

Некоторые идеи теории вейвлетов частично были разработаны уже очень давно. Например, А.Хаар опубликовал в 1910 году полную ортонормальную систему базисных функций с локальной областью определения. Эти функции называются теперь вейвлетами Хаара.

В настоящее время исследования в области вейвлетов ведутся по многим направлениям. Несмотря на то, что теория вейвлет - уже в основном разработана, точного определения, что же такое "вейвлет", какие функции можно назвать вейвлетами, насколько известно, не существует. Обычно под вейвлетами понимаются функции, сдвиги и растяжения которых образуют базис многих важных пространств. Эти функции являются компактными как во временной, так и в частотной области.

Вейвлеты непосредственно связаны с кратномасштабным анализом сигналов. Вейвлеты могут быть ортогональными, полуортогональными, биортогональными. Эти функции могут быть симметричными, асимметричными и несимметричными. Различают вейвлеты с компактной областью определения и не имеющие таковой. Некоторые функции имеют аналитическое выражение, другие – быстрый алгоритм вычисления связанного с ними вейвлет. Вейвлеты различаются также степенью гладкости. Для практики желательно было бы иметь ортогональные симметричные (асимметричные) вейвлеты. К сожалению, доказана теорема о том, что такими вейвлетами являются лишь вейвлеты Хаара. Функции Хаара не обладают достаточной гладкостью и не подходят для большинства приложений, поэтому для кодирования изображений обычно используют биортогональные вейвлеты.

В настоящее время многие исследователи понимают под вейвлетами более широкий класс функций. Это и вейвлет - локальные тригонометрические базисы (вейвлеты Малвара), и мультивейвлеты, и так называемые вейвлеты второго поколения, не являющиеся сдвигами и растяжениями одной функции. Базисы преобразования Фурье не являются вейвлетами, так как у них отсутствует локализация в пространстве (времени).

Российские математики вейвлеты иногда называют всплесками. На наш взгляд, этот термин является неудачным, а попытка русификации терминологии может ввести в заблуждение и порождать ошибки.

Некоторым может показаться, что вейвлеты не являются чем - фундаментально новым. В самом деле, сходные идеи появлялись на протяжении последних десятилетий: субполосное кодирование, успешно применяемое при кодировании речи, пирамидальные схемы кодирования изображений, преобразование и функции Габора (вейвлеты Габора). С развитием теории вейвлетов произошло как бы объединение, взаимопроникновение, взаимообогащение этих идей, что привело к качественно новому результату. Так как с точки зрения практики наиболее интересными представляются быстрые алгоритмы вычисления вейвлет

1. Зачем нужна видеокомпрессия?

Под видеокомпрессией обычно понимается сокращение объема памяти, необходимой для хранения цифровых видеоданных и передачи их по каналам связи. Цель видеокомпрессии - более компактное представление изображений.

Широко распространенные приложения мультимедиа (графика, аудио, видео) с каждым днем предъявляют все более высокие требования к аппаратной базе компьютера. Ни наращивание тактовой частоты процессора, ни увеличение объема жесткого диска, ни улучшение пропускной способности каналов передачи данных не в состоянии спасти положение. Единственным путем решения этой проблемы является разработка эффективных алгоритмов видеокомпрессии.

Задача написания новых программ видеосжатия чрезвычайно актуальна для создателей цифровых систем видеонаблюдения - ведь именно в этой области постоянно приходится обрабатывать и хранить большие объемы видеоданных. Но возникает вопрос: как изменится качество изображения после сжатия?