Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6




Скачать 312.68 Kb.
НазваниеЛитература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6
страница1/4
Дата конвертации17.02.2013
Размер312.68 Kb.
ТипЛитература
  1   2   3   4

Обработка и передача изображений






а) б)



в)

Рис. 1. Кадры видеопоследовательностей, с выделенными изменившимися блоками.

Литература


  1. Радченко Ю.С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю.С. Радченко// Цифровая обработка сигналов, 2002, №1, с.2-6.

  2. Радченко Ю.С. Метод сжатия и восстановления изображений на основе быстрых чебышевских преобразований // Автометрия. - 2002. - № 4. - С. 32-40.

  3. Радченко, Ю.С. Экспериментальный кодек чебышевского сжатия/восстановления изображений (GDCT) и программный комплекс для его исследования / Ю.С. Радченко, Т.А. Радченко, А.А. Агибалов, А.В.Булыгин // Цифровая обработка сигналов и ее применение -DSPA2007. Труды 9- й Международной конференции. - Москва, 2007. – выпуск IX- 2, С. 286-289 (рус.), 289 (англ.).

  4. Радченко Ю.С. Сравнительный алгоритм сжатия изображений на основе дискретного косинусного (DCT) и чебышевского (GDCT) преобразований / Ю.С. Радченко, Т.А. Радченко, А.В. Булыгин // Цифровая обработка сигналов, 2006.- №4.-С. 15-19.

  5. Радченко Ю.С. Многоальтернативное обнаружение изменений в динамических изображениях. Труды НТО РЭС им. А.С. Попова, серия «Цифровая обработка сигналов и ее применения», Москва, 2005, вып. VII-2, C.-301-303(рус), с. 303-304-англ.



Spectral detector subsystem of interframe changes in MGDCT codec


Radchenko Yu., Radchenko T., Bulygin A.V.

Voronezh State University

Universitetskaya pl., 1, Voronezh, 394006

The paper considers researches spectral detector subsystem of interframe changes in combined MGDCT video codec. Codec allows using DCT or GDCT transform in according to required bitrate and additional features. Spectral detector subsystem is aimed at decreasing bitrate of video.

Spectral detector subsystem of interframe changes based on spectral detection changes in frame’s block algorithm [1, 2]. Taking a decision of block changing based on comparison: (1).

Where, h0 – threshold value for taking decision of block changing; D0 – metric, evaluated: (2). Where, k,m – indexes of spectral coefficients block; Xk,m – spectral coefficients of current frame block; Ck,m – spectral coefficients of comparing frame block; C0,0 – DC coefficient of comparing frame block.

Block X of spectral coefficients is considered changed if metric’s D0 value is greater than threshold value h0.

Changes detection algorithm allows transmitting only changed blocks. The Metric D0 (2) computed at any block for changes detection. This metric computed for blocks in current frame and the frame which the block is changed last time. The Metric D0 is calculated only for brightness component Y of frame. Spectral coefficients of block will transmitted to decoder if the block has been considered changed. This operation is used for all blocks of frame.

Research results prove that spectral detector subsystem could be used in systems of video compression. The subsystem allows decreasing video bitrate up to 60% depending on dynamics of video and compression rate. Experiments had shown efficiency of using GDCT transform for spectral detector subsystem creation. The subsystem hasn’t high calculation requirements for video codec.

References

1. Yu.S. Radchenko. Image compression algorithm based on polynomial transforms/Yu.S. Radchenko//Digital signal processing, 2002.-№4.-pp.2-6.

2. Yu.S. Radchenko, “Multiple-choice changes detection in dynamic images”, Digital Signal Processing and its Applications, vol. 7, №2, 2005, pp. 301-304.




ИССЛЕДОВАНИЕ РЕКУРСИВНОЙ И СЕПАРАБЕЛЬНОЙ РЕАЛИЗАЦИИ ФИЛЬТРА НЕЛОКАЛЬНОГО УСРЕДНЕНИЯ

Егорова М.А., Литвинов В.Е.

Московский инженерно-физический институт (государственный университет)

Подавление шумов является важной задачей для улучшения качества изображений вообще и цифровых фотографий в частности. В 2005 году Buades предложил фильтр нелокального усреднения (NL-means) [1], который может рассматриваться как некое обобщение фильтра усреднения пикселов, имеющих близкие значения [2], и билатерального фильтра [3]. NL-means фильтр интуитивно понятен, в значительной степени предохраняет перепады и текстуры от размытия, обеспечивает высокое качество фильтрации в смысле критерия отношения пикового значения сигнала к шуму (PSNR) для аддитивного белого гауссового шума (AWGN). Только несколько алгоритмов, эксплуатирующие более сложные идеи, дают лучшие результаты фильтрации, например, совместная (collaborative) фильтрация [4].

На ряде вычислительных систем применению алгоритма нелокального усреднения препятствует его высокая вычислительная сложность. В последнее время было опубликовано несколько подходов для некоторого ускорения и одновременно улучшения качества NL-means фильтрации [5,6], а также редукции [7] фильтра нелокального усреднения, которая значительно уменьшила время работы, но привела к ухудшению качества фильтрации.

Целью данной работы является исследование рекурсивной и сепарабельной реализаций фильтра нелокального усреднения. Мотивацией для этого исследования явились статьи [8] и [9], которые для ускорения билатеральной фильтрации предлагают осуществлять фильтрацию с пространственным ядром в виде одномерного вектора сначала по строкам, а затем по столбцам. По аналогии с линейными сепарабельными фильтрами, такой фильтр также называют сепарабельным, что кратко и четко характеризует подобный способ обработки, хотя в строго математическом смысле это неверно. В [9] также предлагается рекурсивная реализация билатерального фильтра. Основные свойства билатерального фильтра, такие как подавление шумов и предохранение резкости контурных перепадов, при сепарабельной и рекурсивной реализации, в целом, сохраняются. Можно ожидать аналогичного сохранения свойств при рекурсивной и сепарабельной реализациях фильтра нелокального усреднения.

Традиционный NL-means фильтр является нерекурсивным и вычисляется с помощью следующих соотношений: , (1), где I – исходное изображение с шумом, If результирующее изображение, (r,c) – координаты текущей точки изображения, S и K – размеры скользящего окна, в пределах которого происходит усреднение пикселов исходного изображения с весами, задаваемыми функцией сходства между блоками изображения:

, (2), где M и L задают размер блока.

При нерекурсивной реализации требуется два буфера памяти: для исходного и фильтрованного изображения или их фрагментов. Это препятствует эффективной реализации на платформах, имеющих ограничения на объем используемой памяти или относительно медленный интерфейс к оперативной памяти, таких как КПК, смартфоны, мобильные телефоны, цифровые фотоальбомы, цифровые фотокамеры и камкордеры. Рекурсивный NL-means фильтр использует только один буфер для хранения изображения, что для ряда платформ позволяет реализовать более быструю обработку. При использовании рекурсивного алгоритма, каждый вновь полученный пиксел записывается в массив исходного изображения I, при усреднении и при вычислении весов используются как исходные пикселы, так и пикселы измененные на предыдущих позициях скользящего окна: . (3).

При сепарабельной реализации сначала осуществляется обработка всех пикселей исходного изображения I при помощи одномерного горизонтально ориентированного скользящего окна, результат обработки сохраняется в буфер Ir. Затем скользящее окно транспонируют и обрабатывают Ir по столбцам:

, . (4).

Перечисленные три варианта фильтров были реализованы в программе для персонального компьютера и 32-битной операционной системы Windows. Программа была написана на С++. Результаты работы фильтров сравнивались качественно и на основе критерия PSNR для различных изображений зашумленных аддитивным белым шумом. Также оценивались результаты билатеральной фильтрации. В целом поведение фильтров для различных изображений сходно. Большой интерес для анализа представляет способность NL-means фильтра сохранять текстуру, поэтому в данной работе мы приводим результаты для изображения barbara, на котором присутствует большое количество разнообразных текстур (рисунок 1). Пиковые отношения сигнала к шуму для различного уровня AWGN приведены в таблице 1. Были выбраны такие параметры фильтров, которые обеспечили максимум PSNR.

Таблица 1. PSNR (dB) для различного уровня AWGN и изображения barbara

Фильтр \ Дисперсия AWGN









Билатеральный

47.4842

34.5556

30.8434

28.4344

NL-means

47.4754

36.8367

33.2655


31.3161

Рекурсивный NL-means

47.4754


36.4283


32.3117


29.9079


Сепарабельный NL-means

47.4749


29.8482


28.9449


27.8376







Обычный NL-means



Рекурсивный NL-means



Сепарабельный NL-means

Рис. 1. Результаты фильтрации AWGN () изображения Barbara

Сепарабельный фильтр значительно быстрее NL-means фильтра, использующего прямоугольное скользящее окно. Однако результаты фильтрации, особенно для большого уровня шума, оказались невысокими, хуже чем у билатерального фильтра и даже сепарабельного билатерального фильтра. Шумы подавляются неэффективно, текстуры часто размываются, иногда вдоль резких перепадов яркости возникают артефакты типа зернистости. Таким образом, способы редукции NL-means фильтра, направленные на уменьшение количества сравниваемых блоков, ведут к потере основных положительных качеств данного способа фильтрации и являются неэффективными.

Из рис. 1 видно, что результаты фильтрации обычным и рекурсивным фильтром визуально не отличаются. Аналогичный вывод дает анализ разностных изображений исходного и фильтрованного изображений, которые Buades назвал “noise method”. Границы и текстуры при фильтрации размываются очень мало. Для малого уровня шумов отличие по PSNR также незначительно, однако с ростом шумов, как правило, начинает расти, но это зависит от содержимого изображения. Следует отметить, что часто для рекурсивной реализации сходная с нерекурсивной степень фильтрации достигается для меньшего размера скользящего окна, что сокращает время фильтрации иногда до 2 раз. Отсутствие дополнительного буфера памяти также обеспечивает прирост производительности до 20%. К недостаткам такого способа оптимизации обработки следует отнести то, что рекурсивные алгоритмы гораздо сложнее параллелизовать.

Таким образом, рекурсивная реализация фильтра нелокального усреднения обеспечивает, в целом аналогичное, качество фильтрации, как и традиционная нерекурсивная реализация, но на ряде вычислительных платформ может быть реализована оптимальнее с точки зрения времени работы и используемого объема оперативной памяти.

Литература

  1. A. Buades, B. Coll, and J. M. Morel, "A Non Local Algorithm for Image Denoising," Proc. IEEE Int. Conf. on Computer Vision and Pattern Recognition, vol. 2, pp. 60-65, 2005.

  2. L. Yaroslavsky, “Digital Picture Processing - An Introduction”, Springer Verlag, 1985.

  3. C.Tomasi, R.Manduchi, “Bilateral Filtering for Gray and Color Images”, IEEE conf. on Computer Vision, 1998.

  4. K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, "Image Denoising by Sparse 3D Transform-Domain Collaborative Filtering," IEEE Transactions on Image Processing, 2006.

  5. M. Mahmoudi and G. Sapiro, "Fast Image and Video Denoising via Nonlocal Means of Similar Neighborhoods," IEEE Signal Processing Letters, vol. 12, no. 12, pp. 839–842, 2005.

  6. J.Wang, Y.Guo , Y.Ying, Y.Liu, Q.Peng “Fast non-local algorithm for image denoising”, IEEE International conference on Image Processing, 2006.

  7. A. Kharlamov, V.Podlozhnyk, CUDA: Image Denoising, NVIDIA Corp., 2007.

  8. T.Q. Pham, L.J. van Vliet, ”Separable bilateral filtering for fast video preprocessing”, Proc. IEEE International Conference on Multimedia, 2005.

  9. I.V. Safonov, M.N. Rychagov, K.M. Kang, S.H. Kim, "Automatic correction of exposure problems in photo printer", IEEE 10th International Symposium on Consumer Electronics, pp. 13-18, 2006.


Investigation of Recursive and Separable Implementation of Non-Local Means Filter

Egorova M., Litvinov V.

Moscow Engineering Physics Institute (State University)

Noise suppression is an important problem of digital image enhancement. Non-Local means filter preserves edges and textures from blurring, ensures high filtration quality in term of peak signal-to-noise ratio (PSNR) for additive white Gaussian noise (AWGN). We conduct an investigation of different implementations of this filter: conventional nonrecursive, recursive and separable. Traditional NL-means filter is nonrecursive and it is computed in the following way: , (1), where I – initial noised image, If – the resulted image, (r,c) – coordinates of the current image pixel, S and K – size of slide window used for pixels averaging in initial image with weights specified by similarity function between image blocks (which size is MхL):

. (2).

Using recursive algorithm each new pixel is written to initial image I instead of additional memory buffer. Both pixels of initial image and pixels changed at the previous steps are used while averaging and weights computing:

. (3).

If separable implementation is used at first all pixels of initial image are processed via one dimensional horizontal sliding window. Result of this step is written down to buffer Ir. Then sliding window is transposed and Ir is processed by column: , . (4).

The results of nonrecursive and recursive filtrations do not differ visually and have slight PSNR difference, edges and textures are blurred insignificantly. Recursive filter is more effective than nonrecursive in terms of processing time and used RAM. Separable filter is more rapid than NL-means using rectangular sliding window. However noise is suppressed inefficiently, texture is often blurred, and sometimes granularity artifacts appear along edges.



  1   2   3   4

Добавить в свой блог или на сайт

Похожие:

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconАдаптивная обработка сигналов
Обработки сигналов» и «Радиотехнические цепи и сигналы». Знания и навыки, полученные при изучении дисциплины «Адаптивные системы»,...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconЛитература. Обработка изображений
Ярославский Л. П. Цифровая обработка сигналов в оптике и голографии. М.: Радио и связь, 1987. 296 с

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconЦифровая обработка сигналов
...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconУчебно-методический комплекс (умк) дисциплины «Цифровая и аналоговая обработка сигналов» для специальности кафедры ту
Курячий М. И. Цифровая обработка сигналов: Учебное пособие для вузов с грифом умо. – Томск: Томск гос ун-т систем упр и радиоэлектроники,...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconНовые книги, поступившие в библиотеку с 16-29 февраля 2012 г. Автоматизация сельского хозяйства
Радченко Г. Е. Автоматизация сельскохозяйственной техники : учебно-методическое пособие / Г. Е. Радченко. Минск : ивц минфина, 2011....

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconАлгоритм вейвлет-сжатия неподвижных цифровых изображений с использованием оптимального базиса на соответствующих уровнях разложения
Овых изображений с использованием оптимального базиса класса Добеши на каждом уровне разложения Показано, что предложенный алгоритм...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconЦифровая обработка многомерных сигналов модифицированный билатеральный фильтр для улучшения качества jpeg-изображений
Для удаления блочного эффекта в сжатых изображениях можно использовать билатеральный фильтр (БФ) [4, 5]. Однако прямое его применение...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconСжатие изображений на основе их сегментного представления
Рассматривается алгоритм восстановления изображения из кода и приводится оценка коэффициента сжатия, полученная на разработанной...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconАлгоритм сжатия неподвижных цифровых изображений с использованием оптимального базиса класса Добеши на каждом уровне вейвлет разложения
Добеши на каждом уровне разложения Показано, что предложенный алгоритм при обработке 8-ми битных монохромных изображений превосходит...

Литература Радченко Ю. С. Алгоритм сжатия изображений на основе полиномиальных преобразований/ Ю. С. Радченко// Цифровая обработка сигналов, 2002, №1, с. 2-6 iconВ. В. Сюзев цифровая обработка сигналов: методы и алгоритмы
Включен так же ряд оригинальных результатов в области разработки быстрых алгоритмов обработки на скользящих интервалах времени и...


Разместите кнопку на своём сайте:
lib.convdocs.org


База данных защищена авторским правом ©lib.convdocs.org 2012
обратиться к администрации
lib.convdocs.org
Главная страница