KOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.

Rozměr: px

Začít zobrazení ze stránky:

Download "KOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut."

Matěj Čech
před 2 lety
Počet zobrazení:

Transkript

1 1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac

2 KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl: Spočívá v redukci množství dat potřebných k reprezentaci obrazu. Spotřebované množství paměti se měří například v bitech. Použití: Pro přenos a uchování dat. Proč se liší komprese 2D obrazů od komprese 1D dat?

Spotřebované množství paměti se měří například v bitech.

3 ROZDĚLENÍ METOD KOMPRESE OBRAZŮ 1. Segmentace objektů v obraze. 3/24 Je potřebná interpretace obrazu. Metody jsou závislé na datech. Dosahuje se nejvyšších kompresních poměrů. Není možná zpětná rekonstrukce výchozího obrazu. 2. Odstranění redundandní informace. Data se neinterpretují. Lze použít na libovolná obrazová data. Využívá se statistických závislostí v obraze (sekvenci obrazů).

Dosahuje se nejvyšších kompresních poměrů. Není možná zpětná rekonstrukce výchozího obrazu. 2.

4 ODSTRANĚNÍ REDUNDANTNÍ INFORMACE 4/24 Dvě velké třídy používaných postupů: 1. Bezeztrátové metody. Umožňují úplnou rekonstrukci výchozího signálu. 2. Ztrátové metody. Umožňují pouze částečnou rekonstrukci výchozího signálu.

Umožňují úplnou rekonstrukci výchozího signálu. 2.

5 KÓDOVÁNÍ SEGMENTOVANÝCH DAT (1) Kódování hranic oblastí 5/24 Polygonální aproximace hranice

6 KÓDOVÁNÍ SEGMENTOVANÝCH DAT (2) Kódování hranic oblastí 6/24 Řetězový (též Freemanův) kód, 4-okolí Řetězový kód: 3, 0, 0, 3, 0, 1, 1, 2, 1, 2, 3, 2. Derivace kódu: 1, 0, 3, 1, 1, 0, 1, 3, 1, 1, 3, 1.

1 2 0 3 Řetězový kód: 3, 0, 0, 3, 0, 1, 1, 2, 1, 2,

7 KÓDOVÁNÍ SEGMENTOVANÝCH DAT (3) Kódování hranic oblastí 7/24 Řetězový (též Freemanův) kód, 8-okolí Kód:

8 KÓDOVÁNÍ SEGMENTOVANÝCH DAT (4) Kódování oblastí 8/24 Kódování úseky řádků (angl. Run Length Encoding, RLE) Kódem je seznam seznamů. Každý seznam popisuje situaci v jednom řádku. Používá FAX (CCITT Group 3). ((11144)(214)(52355))

Run Length Encoding, RLE) 0 1 2 3 4 5 6 0 1 2 3 4 5 6 Kódem je

9 KOMPRESE OBRAZU A JEHO REKONSTRUKCE 9/24 Original image Data redundancy reduction Coding Transmission, Archiving Reconstructed image Reconstruction Decoding

10 POSTUPY ODSTRAŇOVÁNÍ REDUNDANCE V DATECH 10/24 Pomocí lineárních integrálních transformací obrazu, např. Fourierou transformací. Prediktivní komprese. Hybridní metody. KÓDOVÁNÍ Obvykle optimální kódování, tj. nejkratším kódem. Kódy pevné délky (Huffmanovo kódování) nebo kódy proměnné délky (aritmetické kódování).

Hybridní metody. KÓDOVÁNÍ Obvykle optimální kódování, tj. nejkratším kódem.

11 TEORIE INFORMACE A REDUNDANCE Entropie ve fyzice je měrou energie soustavy, která není k dispozici k vykonání práce. Jelikož práci lze získat z řádu soustavy, je entropie měrou neuspořádanosti soustavy. Souvisí s druhou termodynamickou větou. Pojem zavedl v roce 1850 německý fyzik Rudolf Claudius. 11/24 Entropie v teorii informace, Claude Shannon, 1948 H e = i p i log 2 p i [bitů], kde p i je pravděpodobnost i-tého symbolu ve zprávě.

Souvisí s druhou termodynamickou větou. Pojem zavedl v roce 1850 německý fyzik Rudolf Claudius.

12 ENTROPIE, DVA PŘÍKLADY Nechť jsou ve zprávě jen dva znaky a, b. Příklad 1 12/24 p(a) = p(b) = 1 2 H = ( 1 2 log log ) = ( ) = 1 Příklad 2 p(a) = 0, 99; p(b) = 0, 01 H = (0, 99 log 2 0, , 01 log 2 0, 01) = (0.99 ( 0, 0145) + 0, 01 ( 6, 6439)) = 0, , 0664 = 0, 0808

2 1 + 1 2 1 ) = 1 Příklad 2 p(a) = 0, 99; p(b) = 0, 01 H = (0, 99 log 2 0, 99

13 ENTROPIE PRO ŠEDOTÓNOVÝ OBRAZ 13/24 Nechť obraz má G jasových úrovní, k = 0... G 1 s pravděpodobnostmi P (k). Entropie H e = k P (k) log 2 P (k) [bitů], Nechť b je nejmenší počet bitů, kterým lze reprezentovat počet kvantizačních úrovní. Informační redundance r = b H e.

Entropie H e = k P (k) log 2 P (k) [bitů], Nechť b je nejmenší

14 ODHAD ENTROPIE Z HISTOGRAMU OBRAZU 14/24 Nechť h(k), 0 k 2 b 1 a M, N jsou rozměry obrazu. Odhad pravděpodobnosti ˆP = h(k) M N. Odhad entropie Ĥe = 2 b 1 k ˆP (k) log 2 ˆP (k) [bitů] Poznámka: odhad entropie je příliš optimistický, protože mezi jasy obrazu existují závislosti.

Odhad entropie Ĥe = 2 b 1 k ˆP (k) log 2 ˆP (k) [bitů] Poznámka:

15 TŘI DEFINICE KOMPRESNÍHO POMĚRU 15/24 1. Na základě redundance (měřené entropií) K = b Ĥ e 2. Na základě úspory paměti κ = n 1 n 2 = délka zprávy před kompresí délka zprávy po kompresi 3. Relativní úspora paměti R = 1 1 κ Příklad 1: n 1 = n 2 κ = 1, R = 0. Příklad 2: n 1 : n 2 = 10 : 1 κ = 10, R = 0, 9 = 90%.

Na základě úspory paměti κ = n 1 n 2 = délka zprávy před kompresí délka

16 JPEG PŘÍKLAD, K = /24 Po rekonstrukci K = 3.8. Rozdílový snímek.

17 JPEG PŘÍKLAD, K = /24 Po rekonstrukci K = 4.2. Rozdílový snímek.

18 JPEG PŘÍKLAD, K = /24 Po rekonstrukci K = 5.6. Rozdílový snímek.

19 JPEG PŘÍKLAD, K = /24 Po rekonstrukci K = Rozdílový snímek.

20 PREDIKTIVNÍ KOMPRESE MYŠLENKA 20/24 Najít matematický model, který dokáže predikovat na základě předchozích hodnot další hodnotu. Přenášet pouze rozdíl mezi skutečnou a predikovanou hodnotou. Ke kompresi dochází, protože rozdílová data mají menší statistickou variaci (např. rozptyl) než původní data. f(i,j) + - Quantizer d(i,j) d(i,j) + + f(i,j) Predictor + Predictor (a) + (b)

Přenášet pouze rozdíl mezi skutečnou a predikovanou hodnotou.

21 DIGITÁLNÍ PULSNĚ KÓDOVÁ MODULACE (1) 21/24 Mějme obraz f (i, j), odhad jeho statistických vlastností pomocí autokorelační funkce R(i, j, k, l) = E(f (i, j)f (k, l)) = f f T. Hledáme matematický model prediktoru Rozdíl d(i, j) = ˆ f (i, j) f (i, j) ˆ f (i, j) Předpokládejme např. lineární prediktor 3. řádu ˆ f (i, j) = a 1 f (i, j 1) + a 2 f (i 1, j 1) + a 3 f (i 1, j), kde a 1, a 2, a 3 jsou parametry prediktivního modelu..

22 DIGITÁLNÍ PULSNĚ KÓDOVÁ MODULACE (2) Jak se odhadnou parametry prediktivního modelu a 1, a 2, a 3? 22/24 Vyřešením statistické optimalizační úlohu. Předpokládá se stacionární náhodný proces f a nulová střední hodnota. e = E([ f (i, j) f (i, j)] 2 ) a 1 R(0, 0) + a 2 R(0, 1) + a 3 R(1, 1) = R(1, 0) a 1 R(0, 1) + a 2 R(0, 0) + a 3 R(1, 0) = R(1, 1) a 1 R(1, 1) + a 2 R(1, 0) + a 3 R(0, 0) = R(0, 1) kde R(m, n) je autokorelační funkce speciálního tvaru R(α, β) = R(0, 0) exp( c 1 α c 2 β).

23 DPCM PŘÍKLAD, K = /24 Po rekonstrukci K = 3.8. Rozdílový snímek.

24 DPCM PŘÍKLAD, K = /24 Po rekonstrukci K = 6.2. Rozdílový snímek.

Podobné dokumenty

Algoritmy komprese dat

Algoritmy komprese dat Úvod do teorie informace Claude Shannon (1916 2001) 5.11.2014 NSWI072-7 Teorie informace Informace Co je to informace? Můžeme informaci měřit? Existují teoretické meze pro délku