Информационные технологии в науке, образовании и производстве ИТНОП-2010. Материалы IV-й Международной научно-технической конференции. Том 2
Подождите немного. Документ загружается.
ИТНОП-2010
131
соответствующих методов интернационализации. Примерами тонкой локализации могут
служить правильные использования окончаний при выводе числительных, учет склонений,
падежей и т.д.
ЛИТЕРАТУРА
1. Gettext GNU Project – Free Software Foundation, Inc., 2010. –
http://www.gnu.org/
software/gettext/.
2. Esselink Bert – A practical guide to localization. – Amsterdam; Philadelphia: John Benjamins
Pub. Co., 2000. – 488 p.: ill. – ISBN 1588110060.
Светкин Александр Васильевич
Орловский государственный технический университет, г. Орел
Аспирант кафедры «Информационные системы»
Тел.: +7 (920) 287-88-46
E-mail:
alex@svetkin.ru
IV Международная научно-техническая конференция
132
УДК 004.021
Е.А. СЕМАШКО, В.Т. ЕРЕМЕНКО, А.В. ТЮТЯКИН
АЛГОРИТМЫ СЖАТИЯ БЕЗ ПОТЕРЬ
ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ
В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ
В статье проанализирована эффективность алгоритмов сжатия без потерь полутоновых
изображений. Выявлено, что эффективность сжатия существенно зависит от функционально-
параметрического профиля (ФПП) алгоритма компрессии, т. е. комбинации его типа, параметров,
характеристик и опций. При этом максимальная эффективность сжатия изображений различного
характера обеспечивается при различных ФПП алгоритма компрессии. Предложен подход к
созданию средств сжатия изображений, основанный на автоматизированном выборе ФПП
алгоритма компрессии, обеспечивающего максимальную эффективность сжатия конкретного
изображения.
Ключевые слова: сжатие изображений; сжатие без потерь; полутоновые изображения;
функционально-параметрический профиль сжатия.
In this article the efficiency of algorithms for lossless compression of grayscale images is analyzed.
The efficiency of compression depends strongly on the functional and parametric profile (FPP) compression
algorithm, ie, the combination of its type, parameters, features and options, was revealed. The maximum
compression efficiency of images of various kinds is provided in various FPP compression algorithm. An
approach to the creation of image compression, based on automated selection of compression algorithm
FPP that maximizes the effectiveness of a particular image compression, is proposed.
Keywords: image compression; lossless compression; grayscale images; functional-parametric
compression profile.
ВВЕДЕНИЕ И ПОСТАНОВКА ЗАДАЧИ
Решение многих задач медицинской диагностики сводится к обработке и анализу
полутоновых растровых изображений, полученных такими методами, как рентгенография,
ультразвуковая локация, магнитно-резонансное сканирование и т. п. [1]. В настоящее время
распространено представление указанных изображений, их хранение и пересылка в
электронном виде. Однако их непосредственное представление в таком виде характеризуется
достаточно большими объемами файлов (порядка одного мегабайта на один кадр). При этом
во многих практических случаях весьма велико и общее количество подобных кадров,
подлежащих хранению в электронных архивах отдельно взятого учреждения или
организации. Так, в некоторых европейских клиниках ежегодный общий объем
накапливаемых файлов изображений, получаемых посредством диагностической аппаратуры
различного назначения, составляет порядка 10 терабайт [2].
Исходя из вышесказанного, хранение и пересылка по коммуникационным сетям
вышеназванных изображений весьма затруднительна или невозможна без компактного
кодирования (сжатия) их файлов.
Вообще говоря, в настоящее время известно достаточно много разнообразных
алгоритмов сжатия изображений. Однако большинство из них ориентировано на
мультимедийные приложения, допускающие сжатие изображений
с потерями
, при условии,
что они незаметны или малозаметны для человеческого глаза [3]. С другой стороны,
алгоритмы сжатия с потерями неприменимы при решении большинства практических задач
хранения, передачи и обработки изображений
в медицинской диагностике, ввиду того, что
обусловленные потерями информации артефакты изображений, будучи приемлемыми для
мультимедиа, недопустимы при обработке и анализе, например, результатов
рентгенографии, УЗИ или магнитно-резонансного сканирования. Поэтому при хранении,
передаче и обработке изображений в медицинской диагностике применимы только
ИТНОП-2010
133
алгоритмы сжатия изображений без потерь. Такие алгоритмы также известны и, в принципе,
достаточно разнообразны [4]. Однако к настоящему времени в недостаточной мере
исследованы вопросы их выбора и практического применения для решения вышеназванных
задач. Настоящая статья посвящена рассмотрению некоторых аспектов данной проблемы, а
именно:
•
выявлению алгоритмов сжатия изображений без потерь, наиболее
предпочтительных для применения в медицинской диагностике;
•
анализу применимости возможных функционально-параметрических профилей
(ФПП) каждого из предпочтительных алгоритмов сжатия изображений без потерь, т. е.
сочетаний его опциональных возможностей, параметров и характеристик, в зависимости от
характера и параметров кодируемого изображения;
•
разработке базовых принципов выбора алгоритма сжатия без потерь и его ФПП, в
зависимости от характеристик и параметров сжимаемого изображения.
АНАЛИЗ АЛГОРИТМОВ СЖАТИЯ БЕЗ ПОТЕРЬ
НЕПОДВИЖНЫХ ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ
Основными известными алгоритмами сжатия неподвижных полутоновых
изображений без потерь или с минимальными потерями являются [5,6]: АРТ; CALIC; CTW;
FELICS; Glicbawls; JPEG-LS; JPEG 2000; JPEG-XR (HD Photo); MRP; TMW; WLS.
Вышеперечисленные алгоритмы могут быть отнесены к одной из следующих групп:
•
алгоритмы, основанные на энтропийном кодировании [7];
•
алгоритмы, базирующиеся на спектральном представлении кодируемого
изображения;
•
алгоритмы, использующие предсказание (предикцию) интенсивностей пикселей по
интенсивностям некоторых «опорных» пикселей;
•
алгоритмы, основанные на комбинации методов сжатия, относящихся к
вышеперечисленным группам.
На энтропийном кодировании
базируется
алгоритм CTW (взвешивание с
применением контекстных деревьев).
Данный алгоритм основывается на представлении
последовательности двоичных слов, описывающих сжимаемое изображение,
последовательностью кодов переменной разрядности, являющейся функцией от вероятности
появления того или иного слова в исходном двоичном описании кодируемого изображения.
Указанные вероятности при этом оцениваются посредством структур, именуемых
контекстными деревьями [8].
Спектральный метод сжатия
лежит в основе
алгоритма JPEG 2000
, который,
являясь, вообще говоря, алгоритмом сжатия изображений с потерями, предусматривает
также режим сжатия без потерь. Он основан на представлении сжатого изображения в виде
его вейвлет-спектра, т. е. набора параметров его вейвлет-составляющих, полученных
посредством специального целочисленного вейвлет-преобразования [9].
Алгоритм JPEG-XR (HD Photo
) основан на JPEG и использует
высокопроизводительное обратимое преобразование цветового пространства, обратимое
биортогональное преобразование и расширенную схему неарифметического энтропийного
кодирования [10]. Алгоритм поддерживает сжатие без потерь и серые изображения.
Поскольку все используемые образования обратимы, кодек поддерживает режим сжатия с
потерями и без, используя один алгоритм.
К алгоритмам
сжатия с предсказанием
из вышеперечисленных относятся FELICS;
JPEG-LS; Glicbawls; TMW; LOCO-I; MRP и WLS.
Алгоритм FELICS
строится на основе последовательного сканирования изображения
слева направо, сверху вниз, с предсказанием интенсивности каждого последующего пикселя
на основе интенсивностей уже закодированных двух предыдущих.
IV Международная научно-техническая конференция
134
Алгоритм JPEG-LS
(lossless JPEG) основан на методе LOCO-I (Low Complexity
Lossless Compression for Images). Алгоритм сжатия без потерь LOCO-I, принятый за основу
при разработке стандарта JPEG-LS, предусматривает не только режим «lossless», но и «near
lossless» (сжатие с ограниченными, задаваемыми пользователем потерями).
Lossless JPEG использует предсказание интенсивности пикселя, используя
интенсивности трех ближайших соседних пикселей: верхнего, левого и верхнего левого
пикселей, а для сжатия разницы интенсивностей пикселей используется энтропийное сжатие
Алгоритм Glicbawls
использует одиночный линейный предиктор (предсказатель),
веса которого пересчитываются для каждого пикселя с применением алгоритма наименьших
квадратов, принимая во внимание все предыдущие пиксели. Вклад каждого пикселя в
алгоритм наименьших квадратов взвешивается фактором, рассчитываемым по определенным
правилам [11].
Алгоритм TMW
использует модель, использующую, в отличие от алгоритма
Glicbawls, не одиночный предиктор, а набор линейных предикторов, включающих в себя
[12]: пиксель-предикторы, предсказывающие значение пикселей, основанное на значениях
случайных соседних пикселей; сигма-предикторы, предсказывающие величину ошибки
прогноза пиксель-предиктора, основанную на величине прогноза ошибки пиксель-
предиктора случайных соседних пикселей; смешанные предикторы, которые прогнозируют,
насколько корректно определенный пиксель-предиктор прогнозирует параметры пикселя, в
зависимости от ошибок предсказания случайных соседних пикселей.
В настоящее время не существует корректной реализации данного алгоритма.
Алгоритм MRP
основывается на использовании основанных на квадродереве
адаптивных предикторов с минимальным рейтингом и улучшенным механизмом
взвешивания ошибок предсказания [13].
Алгоритм WLS
базируется на методе взвешенных наименьших квадратов для
адаптивных предикторов. Каждому наблюдению присваивается определенный вес, в
соответствии с уровнем информации, которую оно несло. Вес назначается в соответствии со
схожестью текущего пикселя и особенностями исследуемых пикселей [14]. В настоящее
время полного описания алгоритма в свободном доступе нет.
Алгоритм APT
основывается на
комбинации предсказания и энтропийного
кодирования
. Он состоит в последовательном выполнении следующих операций [15]:
упорядочивания данных (отсчетов интенсивностей пикселей) в мультикомпонентной
бинарной пирамиде, применяющей эмпирически оптимизированный нелинейный предиктор;
устранения межкомпонентной избыточности; кодирования с использованием HEX-деревьев;
адаптивного кодирования длин серий/кодирования Хаффмана [15].
Алгоритм CALIC
также основывается на комбинации предсказания и энтропийного
кодирования, которое может быть реализовано арифметическим кодированием или
кодированием Хаффмана [16]. При этом алгоритмы CALIC и APT схожи по
производительности, однако на некоторых классах изображений APT уступает CALIC[15].
Алгоритмы GIF, LOCO-I и некоторые другие, характеризуемые априорно более
низкой эффективностью, чем вышеописанные [7,17,18], не будут рассмотрены в данной
статье.
Для выявления алгоритмов из числа вышеперечисленных, которые являются
предпочтительными для компактного кодирования полутоновых изображений в
медицинской диагностике, очевидно, необходимо провести их
сравнительный
количественный анализ
. В качестве критерия сравнения должны выступить значения двух
основных численных характеристик алгоритмов сжатия изображений [19]:
•
степени сжатия файлов изображений,
К
СЖ
, определяемой как отношение объемов
исходного и сжатого файлов;
-
точности восстановления исходного изображения из сжатого, в качестве численной
меры которой представляется рациональным использовать наиболее распространенную на
практике количественную характеристику погрешности восстановления - отношение
ИТНОП-2010
135
пикового сигнала к шуму восстановления (peak signal-to-noise ratio — PSNR) [20],
определяемое по выражению:
(
)
( )
∑ ∑
= =
−
××−
=
n
i
m
j
ijij
N
yx
mn
PSNR
1 1
2
2
12
lg10
; (1)
где
n
и
m
– количество пикселей в сжимаемом изображении по горизонтали и по вертикали
соответственно;
ij
x
– отсчеты интенсивностей пикселей исходного изображения с координатами
по горизонтали и по вертикали, равными
i
и
j
соответственно;
ij
y
– отсчеты интенсивностей аналогичных пикселей восстановленного
изображения;
N
– разрядность отсчетов; причем предполагается, что отсчеты представляются
целыми числами.
Собственно сравнительный анализ алгоритмов сжатия целесообразно осуществлять
путем сопоставления данной численной характеристики результатов сжатия типовых файлов
изображений, полученных посредством медицинской диагностической аппаратуры. При
этом для корректности сравнительного анализа необходимо:
•
в качестве тестовых следует использовать набор файлов, максимально
разнообразных по характеру представляемых ими изображений, причем в качестве критерия
разнообразия представляется корректным использовать характер их пространственного
спектра по горизонтали и по вертикали, т. е. наличие, расположение, ориентация и
полутоновая фактура мелких и крупных деталей;
•
необходимо осуществлять сопоставление результатов сжатия
всех
тестовых файлов
изображений посредством
всех
вышеперечисленных алгоритмов при
всех
типовых
(показательных) профилях последних.
Результаты сравнительного анализа вышеперечисленных алгоритмов сжатия
полутоновых изображений сведены в таблицу 1. В качестве тестовых использовались файлы
изображений, представленных на рис. 1. Наилучшие результаты сжатия для каждого из
файлов (максимальное значение К
СЖ
) выделены в таблице 1 полужирным шрифтом.
а) б) в) г)
Рисунок 1 – Используемые в тестировании медицинские изображения (8 бит): а) рентгенограмма
голеностопного сустава, б) томограмма головного мозга, в) рентгенограмма тазовой области, г)
результат УЗИ брюшной полости
На основе анализа данных, представленных в таблице 1, можно сделать следующий
вывод. Наивысшую степень сжатия всех изображений, использованных в качестве тестовых,
обеспечивает алгоритм MRP.
Однако степень сжатия каждого из них определяется ФПП данного алгоритма,
основными элементами которого являются: число вероятностных моделей; точность
моделей; число предикторов; порядок предсказания; точность коэффициентов предсказания;
IV Международная научно-техническая конференция
136
максимальное число итераций. При этом степени сжатия одного и того же изображения при
различных ФПП могут различаться в несколько раз, а профиль алгоритма MRP,
обеспечивающий максимальную степень сжатия, различен для различных тестовых
изображений (см. таблицу 1). Поэтому практическое решение задач сжатия изображений
требует выбора профиля алгоритма сжатия в зависимости от конкретного типа кодируемого
изображения.
Таблица 1 – Результаты сравнительного анализа алгоритмов сжатия неподвижных
полутоновых изображений без потерь или с минимальными потерями
Алгоритм Профиль Файл
a) б) в) г)
К
СЖ
К
СЖ
К
СЖ
К
СЖ
APT
- 3.680 2.214 2.154 2.211
Бинарный режим: включен 4.254 2.583 2.269 2.571
CALIC
Бинарный режим: выключен 4.258 2.596 2.268 2.572
Макс. глубина дерева: 10 2.725 2.290 2.073 2.777
Макс. число префиксных деревьев в массиве:
10
3.345 2.289 2.073 2.776
Макс. число узлов: 4*10
6
3.347 2.289 2.073 2.776
Запрет обрезания дерева: отключено 3.346 2.289 2.073 2.776
Взвешивание корневых узлов: разрешено 3.321 2.285 2.073 2.770
CTW*
Оценщик: Кричевского-Трофимова 3.327 2.228 2.068 2.779
Максимальный показатель кода Райса: 1 3.174 1.985 2.118 1.860
FELICS
Максимальный показатель кода Райса: 8 3.176 2.100 2.119 2.142
Glicbawls
- 5.312 3.255 2.337 2.585
Порог сброса контекста: 32
Ta: 3, Tb: 7, Tс: 21
4.030 2.474 2.186 2.444
Порог сброса контекста: 64
Ta: 3, Tb: 7, Tc: 21
4.032 2.482 2.197 2.437
Порог сброса контекста: 128
Ta: 3, Tb: 7, Tc: 21
4.030 2.483 2.201 2.438
Порог сброса контекста: 64
Ta: 1, Tb: 7, Tc: 21
3.952 2.465 2.176 2.322
Порог сброса контекста: 64
Ta: 3, Tb: 7, Tc: 255
4.031 2.470 2.197 2.271
JPEG-LS
Порог сброса контекста: 64
Ta: 1, Tb: 7, Tc: 255
3.951 2.451 2.176 2.271
Слоев декомпозиции: 1 3.827 2.485 2.200 2.295
JPEG 2000
Слоев декомпозиции: 5 3.820 2.476 2.195 2.286
Кодирование целостного изображения 3.141 2.108 2.055 2.007
Кодирование блоками 4х4 3.033 2.277 2.076 1.896
JPEG-XR
(HDPhoto)
Кодирование блоками 16х16 3.035 2.275 2.077 1.888
Число предикторов: 41
5.511 3.263
2.365 2.936
Порядок предсказания: 2 4.071 2.568 2.281 2.758
Точность коэффициентов предсказания:12 0.764 1.324 0.880 1.955
Число вероятностных моделей: 32 5.498 3.262
2.375
2.936
Точность моделей: 1 5.412 3.254 2.364 2.926
MRP*
Максимальное число итераций: 1000 5.497
3.263 2.375 2.937
Примечания:
*не указанные параметры профиля сжатия имеют значение, установленное реализацией алгоритма по умолчанию:
CTW: макс. глубина дерева: 6; макс. число префиксных деревьев в массиве: 32; запрет обрезания дерева: включен; взвешивание
корневых узлов запрещено; оценщик: с нулевой избыточностью.
MRP: число предикторов: 16; порядок предсказания: 1; число вероятностных моделей: 6; точность моделей: 3; максимальное
число итераций: 100.
PSNR изображений, сжатых всеми исследованными методами, при всех профилях практически равно бесконечности
Наиболее простым подходом к выбору указанного ФПП является возложение данной
задачи на разработчика программных средств сжатия, который в руководстве по их
применению должен указать рекомендуемые ФПП алгоритма сжатия для каждого из
распространенных типов изображений. Однако при этом практически невозможно
ИТНОП-2010
137
разработать рекомендации, позволяющие выбрать адекватный ФПП алгоритма сжатия для
каждого из изображений, встречающихся на практике.
Потенциально большую гибкость в выборе ФПП обеспечивает возложение данной
задачи на пользователя, который, в зависимости от характера подвергаемого сжатию
изображения и на основании собственных опыта и интуиции, а также (опционально)
рекомендаций разработчика программного обеспечения самостоятельно выбирает ФПП
алгоритма сжатия. Однако, как правило, пользователь не является специалистом в области
обработки изображений. Поэтому велика вероятность того, что выбранный им ФПП не будет
оптимален.
Исходя из вышесказанного, рациональным решением задачи профилирования
алгоритма сжатия представляется автоматизированного выбор его ФПП на основании
параметров и характеристик конкретного изображения, подвергаемого сжатию.
СЖАТИЕ БЕЗ ПОТЕРЬ ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ
НА ОСНОВЕ ВЫБОРА ФПП АЛГОРИТМА СЖАТИЯ
В качестве параметров и характеристик конкретного изображения, служащих
критериями выбора ФПП алгоритма сжатия, наиболее информативными являются
характеристики пространственного спектра изображения по вертикали и по горизонтали, в
первую очередь [21]:
•
характер спектра (равномерный, с одним или несколькими максимумами и т. п.);
•
форма огибающей спектра;
•
расположение максимумов спектра на осях частот;
•
граничные частоты областей спектра, содержащих его основные компоненты (т. е.
спектральные составляющие с амплитудой, большей некоторого порогового значения,
обычно – уровня фоновых шумов).
Указанные характеристики спектра, в свою очередь, могут быть определены одним из
следующих базовых групп методов [15]:
- дискретного косинусного преобразования;
•
пространственного двумерного преобразования Фурье;
•
пространственного двумерного вейвлет-преобразования;
•
модельно-ориентированного спектрального анализа.
На основании характеристик спектра подлежащего сжатию изображения, в свою
очередь, выбирается собственно ФПП алгоритма сжатия. Наиболее простым и
алгоритмически надежным, очевидно, является табличный метод выбора по базе ФПП. Она
представляет собой электронную таблицу, устанавливающую соответствие между каждым из
различимых (с точки зрения выбора ФПП) сочетаний характеристик спектра и ФПП
алгоритма сжатия, наиболее приемлемым при данном сочетании. Возможны и другие
методы выбора, например, основанные на алгоритмах нечеткой логики [22].
Ограниченный объем данной статьи не позволяет рассмотреть в ней достоинства и
недостатки использования каждого из вышеперечисленных методов оценивания
спектральных характеристик сжимаемого изображения, практические аспекты их
применения для этой цели, а также вопросы формирования базы ФПП и инженерные
методики их выбора по указанной базе. Авторы планируют посвятить данной тематике
серию отдельных статей.
Блок-схема обобщенного алгоритма сжатия изображений с автоматизированным
профилированием представлена на рисунке 2.
Необходимо, чтобы файл сжатого изображения включал в себя также информацию о
примененном ФПП алгоритма сжатия.
IV Международная научно-техническая конференция
138
Рисунок 2 – Блок-схема обобщенного алгоритма сжатия изображений
с автоматизированным профилированием
ЗАКЛЮЧЕНИЕ
Таким образом, как следует из вышесказанного, предлагаемый подход к сжатию
изображений позволяет эффективно решить проблему выбора ФПП алгоритмов сжатия.
Основными преимуществами данного подхода, по сравнению с существующими, являются:
•
выбор ФПП, обеспечивающего максимальную степень сжатия при каждом
конкретном сочетании характеристик изображения;
•
независимость от опыта и интуиции как разработчиков, так и пользователей
программного обеспечения сжатия;
•
существенное снижение материальных и временных затрат на хранение
изображений и на их передачу по сетям.
В настоящее время в ОрелГТУ ведутся работы по развитию теоретических и
практических аспектов автоматизированного профилирования алгоритмов сжатия
изображений без потерь.
ЛИТЕРАТУРА
1.
Pоджеpс Д. Алгоритмические основы машинной графики: перевод с англ.
С.А. Вичеса, Г.В. Олохтоновой, П.А. Монахова; под ред. Ю.М. Баяковского,
В.А. Галактионова – М.: Мир, 1989. – 504 с.– Библиогр.: 20000 экз. – ISBN 5-03-000476-9.
2. Ekstrand,N. Universal losless source coding techniques for images and short data sequences:
дис. защищена 06.04.2001г. / Nicklas Ekstrand – Lund Institute of Technology, г. Lund.
3. Семенюк В.В. Экономное кодирование дискретной информации. – СПб, ГИТМР, 2001. –
С. 115.
4. Умняшкин С.В., Коплович Д.М. Метод компрессии изображений на основе векторного
квантования коэффициентов в области дискретных преобразований // Известия высших
учебных заведений. Электроника, № 4-5. – М.: МИЭТ, 2005. – С.149-156.
5. Compression Database [Электронный ресурс] / База данных алгоритмов сжатия – Режим
доступа: http://cdb.paradice-insight.us/?stats=cmpr, свободный. – Яз. англ.
ОЦЕНИВАНИЕ ХАРАКТЕРИСТИК
ПРОСТРАНСТВЕННОГО ДВУМЕРНОГО
СПЕКТРА ИЗОБРАЖЕНИЯ
ВЫБОР ФПП АЛГОРИТМА СЖАТИЯ
СЖАТИЕ ИЗОБРАЖЕНИЯ
НЕСЖАТОЕ ИЗОБРАЖЕНИЕ
СЖАТОЕ ИЗОБР. С ДАННЫМИ О ФПП
АЛГОРИТМА СЖАТИЯ
ИТНОП-2010
139
6. Определение оптимальных параметров сжатия изображений (на примере JPEG сжатия):
Отчет о прохождении магистерской практики в условиях кафедры АСУ ДОННТУ, тема
магистерской работы / Донецкий национальный технический университет; рук. Спорыхин
В.Я.; исполн.: Андреева О.А.
7. Ватолин Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и
видео / Д. Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. – М.: Диалог-МИФИ, 2002. – 384
с. – Библиогр.: 3000 экз. – ISBN 5-86404-170-х
8. Ekstrand N. Lossless Compression of Grayscale Images via Context Tree Weighting
/ N. Ekstrand // In Proceedings Data Compression Conference (DCC), IEEE Computer Society
Press – 1996. – С. 132-139.
9. Diego, S. C., Christopoulos An analytical study of JPEG 2000 functionalities [Электронный
ресурс] / Diego Santa Cruz, Touradj Ebrahimi, Joel Askelof, Mathias Larsson and Charilaos –
Режим доступа: http://www.jpeg.org/public/wg1n1816.pdf, свободный – Яз. Англ.
10. HD Photo specification V. 1.0 [Электронный ресурс] / Спецификация HD Photo. – Режим
доступа: http://www.microsoft.com/whdc/xps/wmphoto.mspx, свободный. – Яз. англ.
11. Meyer, B. Grey level image compression by adaptive weighted least squares [Электронный
ресурс] /P.E.Tischer, B.Meyer. – Режим доступа:
http://www.compression.ru/
download/articles/i_glless/meyer_tischer_glicbawls.pdf, свободный. – Яз. англ.
12. Meyer, B. TMW – a New Method for Lossless Image Compression [Электронный ресурс] /
B. Meyer, P.E. Tischer, International Picture Coding Symposium PCS97 conference
proceedings, 1997 – Режим доступа:
http://compression.graphicon.ru/download/articles/
i_glless/meyer_tischer_1997_tmw.pdf, свободный. – Яз. англ.
13. Losless image coding using minimum-rate predictors [Электронный ресурс] / Страница
проекта MRP. – Режим доступа: http://itohws03.ee.noda.sut.ac.jp/%7Ematsuda/mrp/,
свободный – Яз. Англ.
14. Ye, Hua A weighted least squares method for adaptive prediction in losless image compression
[Электронный ресурс] / Hua Ye, Guang Deng, John C. Devlin. – Режим доступа:
http://www.compression.ru/download/articles/i_glless/ye_deng_devlin_2003_weighted_least_sq
uare_pdf.rar, свободный – Яз. Англ.
15. Robinson, J. A. Adaptive Prediction Trees for Image Compression [Электронный ресурс] /
J. A. Robinson, IEEE Transactions on Image Processing, Vol 15, № 5, 2006, с 2131-2145 –
Режим доступа: http://www.image2003.com/paperen/open.asp?ID=10719, свободный – Яз.
Англ.
16. Hao, Hu A Study of CALIC [Электронный ресурс] / Hu Hao – Режим доступа:
http://hfrp.umm.edu/People/Hao/ENEE728I/ENEE728I_CALIC.pdf
17. Weinberger, M. J. The LOCO-I Lossless Image Compression Algorithm: Principles and
Standardization into JPEG-LS [Электронный ресурс] / M. J. Weinberger, Gadiel Seroussi –
Hewlett-Packard Laboratories, Palo Alto, Department of Electrical and Computer Engineering –
Режим доступа:
http://www.google.ru/url?sa=t&source=web&ct=res&cd=3&ved=
0CBMQFjAC&url=http%3A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%
3D10.1.1.64.9376%26rep%3Drep1%26type%3Dpdf&ei=huS4q_I5rUmgPWi4XYBA&usg=AF
QjCNHAdfYVbPtraX0pwoA99DWekNxLAw, свободный – Яз. Англ.
18. Лекции по курсу «Методы кодирования информации» [Электронный ресурс] / Авторская
библиотека. – Режим доступа: http://www.sernam.ru/lect_cod.php, свободный – Яз. рус.
19. Лекции по курсу «Методы кодирования информации» [Электронный ресурс] / Глава 11.
PSNR, Авторская библиотека. Режим доступа: http://www.sernam.ru/cod_11.php,
свободный – Яз. рус.
20. Эмдин В.С. Оптико-электронные анализаторы изображений [Электронный ресурс]:/
Методы обработки двумерной информации, Министерство РФ по связи и
информатизации Санкт-Петербургский государственный университет телекоммуникаций
им. проф. М.А. Бонч-Бруевича – Режим доступа: http://dvo.sut.ru/libr/rts/i143emdi/1.htm
21. Мурга Н. Применение нейронной сети Хемминга и нечеткой логики к обнаружению краев
объектов на изображениях в оттенках серого [Электронный ресурс]: Режим доступа:
http://www.foibg.com/ibs_isc/ibs-09/ibs-09-p11.pdf
22. Исходные коды и приложения, реализующие представленные в таблице 1 алгоритмы:
APT: http://www.intuac.com/userport/john/apt/apt1.0.tar.gz
IV Международная научно-техническая конференция
140
CALIC: ftp://ftp.csd.uwo.ca/pub/from_wu/
CTW: http://www.ele.tue.nl/ctw
FELICS: http://www.cs.mu.oz.au/mg/
Glicbawls: http://byron.csse.monash.edu.au.wstub.archive.org/glicbawls/glicbawls_glibc2.0.bin
JPEG-LS:
http://read.pudn.com//downloads3/5462/jpeg_ls_v2.2/jpeg_ls_v2.2/
Decoder/melcode.c__.htm
JPEG 2000: Кодер ACDSee v7.0
JPEG-XR: http://www.microsoft.com/whdc/xps/hdphotodpk.mspx
MRP: http://itohws03.ee.noda.sut.ac.jp/%7Ematsuda/mrp/mrp-01.tar.gz
Еременко Владимир Тарасович
Орловский государственный технический университет, г. Орел
Д.т.н., профессор, зав. кафедрой ЭВТИБ
Тел.: +7(920)8126564
E-mail: wladimir@orel.ru
Тютякин Александр Васильевич
Орловский государственный технический университет, г. Орел
К.т.н., доцент кафедры ЭВТИБ
Тел.: +7(919) 268-65-88
E-mail: avt@rbcmail.ru
Семашко Евгений Александрович
Орловский государственный технический университет, г. Орел
Аспирант кафедры ЭВТИБ
Тел.: + 7(920) 287-10-68
E-mail:
madgeniy@mail.ru