RU2557755C1 - Method for image compression during fractal coding - Google Patents
Method for image compression during fractal coding Download PDFInfo
- Publication number
- RU2557755C1 RU2557755C1 RU2014107166/08A RU2014107166A RU2557755C1 RU 2557755 C1 RU2557755 C1 RU 2557755C1 RU 2014107166/08 A RU2014107166/08 A RU 2014107166/08A RU 2014107166 A RU2014107166 A RU 2014107166A RU 2557755 C1 RU2557755 C1 RU 2557755C1
- Authority
- RU
- Russia
- Prior art keywords
- lbp
- domain
- rank
- image
- circle
- Prior art date
Links
Images
Landscapes
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
Description
Изобретение относится к области обработки изображений для хранения и передачи цифровой информации и может применяться при фрактальном кодировании изображения.The invention relates to the field of image processing for storing and transmitting digital information and can be used in fractal image encoding.
Фрактальное кодирование изображения является одним из наиболее перспективных методов сжатия информации с потерями в настоящее время. Фрактальное кодирование отличается как высокой степенью сжатия, так и высокой скоростью восстановления изображения. Степень сжатия данного алгоритма можно сравнить с известными современными методами кодирования, например JPEG, а скорость восстановления изображения гораздо выше. Математическое описание изображения как результат фрактального кодирования позволяет восстановить изображение любого размера без каких-либо значительных масштабных искажений, которые свойственны другим методам кодирования. Фрактальное кодирование является очень перспективным для компьютерных мультимедиа приложений и цифрового видео. Основным недостатком метода является большая вычислительная сложность этапа кодирования изображения [1].Fractal image coding is one of the most promising lossy information compression methods at present. Fractal coding is distinguished by both a high compression ratio and a high image recovery rate. The compression ratio of this algorithm can be compared with well-known modern encoding methods, for example JPEG, and the image recovery speed is much higher. The mathematical description of the image as a result of fractal coding allows you to restore the image of any size without any significant scale distortion, which are characteristic of other encoding methods. Fractal coding is very promising for computer multimedia applications and digital video. The main disadvantage of this method is the large computational complexity of the image coding stage [1].
Фрактальное кодирование изображения подразумевает нахождение множества сжимающих преобразований, которые отображают доменные блоки во множество ранговых блоков. Ранговые блоки покрывают все изображение, могут быть одинакового размера, но чаще используют адаптивное разбиение с переменным размером блоков.Fractal coding of an image involves finding a lot of compressive transformations that map domain blocks to a lot of rank blocks. Rank blocks cover the entire image, can be the same size, but more often they use adaptive partitioning with a variable block size.
Рассмотрим базовый алгоритм фрактального кодирования изображения [2]. Изображение I разбивают на прямоугольные ранговые блоки Ri, причем ранговые блоки не перекрываются и покрывают все изображение. Далее покрывают изображение I множеством доменных блоков Di. Доменные блоки могут перекрываться, иметь разный размер, и их количество может достигать сотни или тысячи единиц. Для каждого рангового блока Ri находят сжимающее аффинное преобразование wi, которое наилучшим образом аппроксимирует данный ранговый блок в доменный блок Di.Consider the basic algorithm for fractal image coding [2]. Image I is divided into rectangular ranking blocks R i , and the ranking blocks do not overlap and cover the entire image. Next, image I is covered with a plurality of domain blocks D i . Domain blocks can overlap, have different sizes, and their number can reach hundreds or thousands of units. For each rank block R i , a compressive affine transformation w i is found that best approximates the given rank block to the domain block D i .
Аффинное преобразование включает поворот, сжатие, масштабирование, сдвиг, отражение. Для того чтобы аффинное преобразование было сжимающим, размеры доменной области должны превышать размеры ранговой. Параметры этого преобразования сохраняют для дальнейшего восстановления рангового блока. Хорошее сжатие зависит от возможности найти хорошее соответствие между доменными и ранговыми блоками. Поиск наилучшего соответствия между ранговым и доменным блоками требует наибольших вычислительных затрат.Affine transformation includes rotation, compression, scaling, shift, reflection. In order for the affine transformation to be compressive, the dimensions of the domain domain must exceed the sizes of the rank domain. The parameters of this transformation are saved for further restoration of the rank block. Good compression depends on the ability to find a good match between domain and rank blocks. Finding the best match between rank and domain blocks requires the most computational cost.
Наиболее близким по технической сущности к заявляемому способу сжатия изображения при фрактальном кодировании является способ обработки изображений с помощью метода LBP [3].The closest in technical essence to the claimed method of image compression during fractal coding is a method of image processing using the LBP method [3].
В данной процедуре предложено использовать известный метод двоичных локальных шаблонов LBP (Local Binary Patterns) [4]. Алгоритм метода LBP заключается в следующем. Выделяют окрестность размера 3x3 вокруг каждого пикселя. Соседним пикселям, которые имеют значение выше или равны значению центрального пикселя, присваивают значение 1, а тем пикселям, у которых значение меньше значения центрального пикселя, присваивают значение 0. Восемь двоичных чисел, связанных с восемью соседними пикселями, читают последовательно по часовой стрелке, чтобы сформировать двоичное число. Эти двоичные числа или их десятичный эквивалент могут быть ассоциированы с центральным числом и использованы как характеристики локальной текстуры.In this procedure, it is proposed to use the well-known method of local binary patterns LBP (Local Binary Patterns) [4]. The algorithm of the LBP method is as follows. Select a 3x3 neighborhood around each pixel. Neighboring pixels that have a value higher than or equal to the central pixel value are assigned a value of 1, and those pixels that have a value lower than the central pixel value are assigned a value of 0. Eight binary numbers associated with eight neighboring pixels are read clockwise sequentially so that form a binary number. These binary numbers or their decimal equivalent can be associated with a central number and used as characteristics of a local texture.
В данной позиции пикселя (xc, yc) LBP код определен как упорядоченный набор двоичных сравнений интенсивности пикселя между центральным пикселем и восемью соседними пикселями.At this pixel position (x c , y c ), the LBP code is defined as an ordered set of binary comparisons of pixel intensity between a central pixel and eight adjacent pixels.
Десятичная форма получающегося 8-битного слова - LBP кода для пикселя с координатами (xc, yc) выражена формулой:The decimal form of the resulting 8-bit word is the LBP code for a pixel with coordinates (x c , y c ) expressed by the formula:
где in - значение интенсивности соседнего пикселя с индексом n;where i n is the intensity value of the neighboring pixel with index n;
ic - значение интенсивности центрального пикселя (xc, yc);i c is the intensity value of the central pixel (x c , y c );
s(x) - пороговая функция, которая определена следующим образом:s (x) is a threshold function, which is defined as follows:
Благодаря отличительным свойствам текстуры и очень низким вычислительным затратам LBP метод является эффективным методом при анализе текстуры изображения.Due to its distinctive texture properties and very low computational cost, the LBP method is an effective method for analyzing image texture.
Способ-прототип предусматривает уменьшение исходного изображения и вычисление его LBP кода, получение новой матрицы значений LBP кода размером с уменьшенное изображение. Ввиду того, что вторая матрица ассоциируется с уменьшенным исходным изображением, то число LBP кода, выбранное в ней, представляет область изображения большую, чем значение из первой матрицы в исходном изображении. Эта матрица представляет доменные области.The prototype method involves reducing the original image and calculating its LBP code, obtaining a new matrix of LBP code values the size of a reduced image. Due to the fact that the second matrix is associated with a reduced original image, the number of LBP code selected in it represents a region of the image larger than the value from the first matrix in the original image. This matrix represents domain domains.
Недостатком данного способа является то, что LBP код вычисляют для ранговой и доменной областей с одинаковыми размерами, и получаемые характеристики, описывающие данные области, не обладают достаточной точностью.The disadvantage of this method is that the LBP code is calculated for the rank and domain domains with the same size, and the resulting characteristics that describe these areas do not have sufficient accuracy.
Технический результат, на достижение которого направлено изобретение, заключается в создании способа для увеличения скорости фрактального кодирования изображений. Способ сжатия изображений заключается в выделении характеристик, описывающих доменную и ранговую области, для сравнения доменной и ранговой областей на основании этих характеристик, а не по отдельным пикселям, что существенно сокращает объем работы.The technical result to which the invention is directed is to create a method for increasing the speed of fractal coding of images. A method of compressing images consists in highlighting the characteristics that describe the domain and rank areas for comparing the domain and rank areas based on these characteristics, rather than individual pixels, which significantly reduces the amount of work.
Поставленная задача осуществляется путем применения модифицированного метода LBP, при котором пиксели выбирают на некотором расстоянии от центрального пикселя и их координаты P(xp, yp) определяют следующим образом:The task is carried out by applying the modified LBP method, in which the pixels are selected at some distance from the central pixel and their coordinates P (x p , y p ) are determined as follows:
где xp, yp - координаты выбранных пикселей;where x p , y p are the coordinates of the selected pixels;
xc, yc - координаты центрального пикселя;x c , y c - coordinates of the central pixel;
R - радиус окружности, которую образуют выбранные пиксели;R is the radius of the circle that the selected pixels form;
Р - количество пикселей на окружности.P is the number of pixels on the circle.
После вычисления значений LBP кода ранговой области с определенным радиусом R и количеством точек Р берут для вычисления доменной области такое же количество точек Р, но с радиусом большим радиуса, который использовался для вычисления значения LBP кода ранговой области, причем каждое значение матрицы LBP кода доменной области представляет большую область, чем значение матрицы LBP кода ранговой области. При этом некоторые соседние пиксели имеют разные значения LBP кода, на что влияет его чувствительность к вращению и выбор первого соседнего пикселя (фиг. 4.).After calculating the values of the LBP code of the rank domain with a certain radius R and the number of points P, the same number of points P are taken to calculate the domain area, but with a radius larger than the radius that was used to calculate the LBP code of the rank domain, each value of the matrix of the LBP code of the domain domain represents a larger area than the value of the LBP matrix of the rank domain code. Moreover, some neighboring pixels have different values of the LBP code, which is affected by its sensitivity to rotation and the choice of the first neighboring pixel (Fig. 4.).
Просмотр значений выполняют последовательно по часовой стрелке, от того какой пиксель является стартовым, зависит, какие двоичные номера и их десятичные эквиваленты будут сформированы. В данном случае можно брать максимальное, минимальное или медианное значение LBP кода, чтобы сделать инвариантным данный код к вращению.Viewing values is performed sequentially clockwise, on which pixel is the starting one, it depends on which binary numbers and their decimal equivalents will be generated. In this case, you can take the maximum, minimum, or median value of the LBP code to make this code invariant to rotation.
Далее для любого значения LBP кода из первой матрицы находят эквивалентное значение во второй. Таким образом находят подобные области на обоих изображениях, которые представляют ранговую и доменную область и соответствие между ними. Проделывают это для всех значений LBP кода первой матрицы и сохраняют координаты второй матрицы, где находится число эквивалентное значению первой матрицы, и позицию центрального пикселя.Next, for any value of the LBP code from the first matrix, an equivalent value is found in the second. In this way, similar regions are found in both images that represent the rank and domain domains and the correspondence between them. This is done for all values of the LBP code of the first matrix and the coordinates of the second matrix are stored, where the number equivalent to the value of the first matrix is located, and the position of the central pixel.
Заявленный способ поясняется чертежами:The claimed method is illustrated by drawings:
фиг.1 - отображение ранговых областей в доменные области;figure 1 - mapping of ranking areas in domain domains;
фиг.2 - вычисление LBP кода;figure 2 - calculation of the LBP code;
фиг.3 - модифицированный LBP код;figure 3 is a modified LBP code;
фиг.4 - варианты формирования LBP кода.figure 4 - options for the formation of LBP code.
Экспериментальное применение предлагаемого способа сжатия изображения с применением метода LBP позволяет значительно сократить временные и вычислительные расходы при фрактальном кодировании изображений. Способ прост, эффективен и универсален.The experimental application of the proposed image compression method using the LBP method can significantly reduce the time and computational costs of fractal image encoding. The method is simple, efficient and versatile.
Источники информацииInformation sources
1. Barnsley М., Hurd L. Fractal Image Compression. - Wellesley, MA: A.K. Peters, Ltd, 1993.1. Barnsley M., Hurd L. Fractal Image Compression. - Wellesley, MA: A.K. Peters, Ltd, 1993.
2. С. Уэлстид. Фракталы и вейвлеты для сжатия изображений в действии. Учебное пособие. - М.: Издательство Триумф, 2003, 320 с;2. S. Welstead. Fractals and wavelets for compressing images in action. Tutorial. - M .: Triumph Publishing House, 2003, 320 p .;
3. Зыков А.Н., Карцов С.К., Куприянов Д.Ю. Обработка изображений с помощью метода LBP (Local Binary Patterns). Известия МГИУ №3 (27), 2012, с.42.3. Zykov A.N., Kartsov S.K., Kupriyanov D.Yu. Image processing using the LBP (Local Binary Patterns) method. Proceedings of MGIU No. 3 (27), 2012, p. 42.
4. Ojala Т., Pietikainen М., Maenpaa Т. Multi resolution gray-scale and rotation invariant texture classification with local binary patterns. - IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.24. N7. Jul 2002. P.971-987.4. Ojala T., Pietikainen M., Maenpaa T. Multi resolution gray-scale and rotation invariant texture classification with local binary patterns. - IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.24. N7. Jul 2002. P.971-987.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014107166/08A RU2557755C1 (en) | 2014-02-25 | 2014-02-25 | Method for image compression during fractal coding |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014107166/08A RU2557755C1 (en) | 2014-02-25 | 2014-02-25 | Method for image compression during fractal coding |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2557755C1 true RU2557755C1 (en) | 2015-07-27 |
Family
ID=53762512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014107166/08A RU2557755C1 (en) | 2014-02-25 | 2014-02-25 | Method for image compression during fractal coding |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2557755C1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2616562C1 (en) * | 2015-12-31 | 2017-04-17 | Акционерное общество "Воронежский научно-исследовательский институт "Вега" (АО "ВНИИ "Вега") | Method for transmitting images through communication channel |
RU2681360C1 (en) * | 2017-12-20 | 2019-03-06 | Акционерное общество "Воронежский научно-исследовательский институт "Вега" (АО "ВНИИ "Вега") | Transmission technique of an image by communication line |
CN110222749A (en) * | 2019-05-27 | 2019-09-10 | 成都信息工程大学 | A kind of visible images and infrared image matching process |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999049412A1 (en) * | 1998-03-20 | 1999-09-30 | University Of Maryland | Method and apparatus for compressing and decompressing images |
US7697771B2 (en) * | 1998-09-21 | 2010-04-13 | Mitsubishi Electric Corporation | Method and apparatus for compressing and decompressing images |
RU2406258C2 (en) * | 2006-03-27 | 2010-12-10 | Квэлкомм Инкорпорейтед | Method and system for coding and decoding of information related to compression of video signal |
RU2479941C2 (en) * | 2008-04-10 | 2013-04-20 | Квэлкомм Инкорпорейтед | Prediction techniques for interpolation in video coding |
-
2014
- 2014-02-25 RU RU2014107166/08A patent/RU2557755C1/en active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999049412A1 (en) * | 1998-03-20 | 1999-09-30 | University Of Maryland | Method and apparatus for compressing and decompressing images |
US7697771B2 (en) * | 1998-09-21 | 2010-04-13 | Mitsubishi Electric Corporation | Method and apparatus for compressing and decompressing images |
RU2406258C2 (en) * | 2006-03-27 | 2010-12-10 | Квэлкомм Инкорпорейтед | Method and system for coding and decoding of information related to compression of video signal |
RU2479941C2 (en) * | 2008-04-10 | 2013-04-20 | Квэлкомм Инкорпорейтед | Prediction techniques for interpolation in video coding |
RU2505938C2 (en) * | 2008-04-10 | 2014-01-27 | Квэлкомм Инкорпорейтед | Distortion-based interpolation depending on transmission rate for video coding based on fixed filter or adaptive filter |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2616562C1 (en) * | 2015-12-31 | 2017-04-17 | Акционерное общество "Воронежский научно-исследовательский институт "Вега" (АО "ВНИИ "Вега") | Method for transmitting images through communication channel |
RU2681360C1 (en) * | 2017-12-20 | 2019-03-06 | Акционерное общество "Воронежский научно-исследовательский институт "Вега" (АО "ВНИИ "Вега") | Transmission technique of an image by communication line |
CN110222749A (en) * | 2019-05-27 | 2019-09-10 | 成都信息工程大学 | A kind of visible images and infrared image matching process |
CN110222749B (en) * | 2019-05-27 | 2022-06-07 | 成都信息工程大学 | Visible light image and infrared image matching method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | Image super-resolution with non-local sparse attention | |
CN110738207B (en) | Character detection method for fusing character area edge information in character image | |
US11138738B2 (en) | Image processing method and image processing device | |
CN109522874B (en) | Human body action recognition method and device, terminal equipment and storage medium | |
CN108664981B (en) | Salient image extraction method and device | |
JP6493163B2 (en) | Density search method and image processing apparatus | |
Gómez-Ríos et al. | Coral species identification with texture or structure images using a two-level classifier based on Convolutional Neural Networks | |
CN110084238B (en) | Finger vein image segmentation method and device based on LadderNet network and storage medium | |
CN107705270A (en) | The treating method and apparatus of medium filtering, electronic equipment, computer-readable storage medium | |
CN111767819A (en) | Image identification method and device, electronic equipment and computer readable medium | |
Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
CN102663399A (en) | Image local feature extracting method on basis of Hilbert curve and LBP (length between perpendiculars) | |
RU2557755C1 (en) | Method for image compression during fractal coding | |
EP2695106B1 (en) | Feature descriptor for image sections | |
CN115759148A (en) | Image processing method, image processing device, computer equipment and computer readable storage medium | |
CN113920147B (en) | Remote sensing image building extraction method and device based on deep learning | |
CN114612709A (en) | Multi-scale target detection method guided by image pyramid characteristics | |
Lategahn et al. | DIRD is an illumination robust descriptor | |
CN114758145A (en) | Image desensitization method and device, electronic equipment and storage medium | |
Waller et al. | Image reconstruction from local binary patterns | |
CN115630660B (en) | Barcode positioning method and device based on convolutional neural network | |
CN107833232A (en) | The extracting method and device of image detail, electronic equipment, computer-readable storage medium | |
Zahid Ishraque et al. | A local adaptive image descriptor | |
Naik et al. | Image segmentation using encoder-decoder architecture and region consistency activation | |
Uttarwar et al. | Distributed content based image search engine using hadoop framework |