Сочинение на тему Оценка методов сжатия изображений без потерь

АВТОРЕФЕРАТ

Сегодня цифровая эра, и человек окружен цифровыми устройствами. Сегодня фотография является частью повседневной жизни человека, и цифровые изображения широко используются в компьютерных приложениях. Поскольку мегапиксели цифровых камер увеличиваются, требуется больше памяти для хранения, и в то же время требуется больше полосы пропускания для передачи цифрового изображения. Люди делятся, передают и хранят миллионы изображений каждый момент. При сжатии изображений мы можем уменьшить величину пикселей, используемых для экспонирования изображения, без существенного изменения визуализации изображения. Хотя сжатие данных в основном делается для того, чтобы избежать увеличения объема памяти и увеличения емкости запоминающих устройств, процедура уменьшения размера данных без потери важной информации называется сжатием данных. Существует множество методов сжатия данных, которые можно использовать. Эти методы могут быть классифицированы на два типа, то есть сжатие с потерями и без потерь. Сжатие изображений является основной целью этой статьи, уменьшая количество бит на основе на пиксель, необходимое для его отображения, а также для уменьшения времени передачи для передачи изображений и для восстановления изображения. В этой статье сжатие изображения без потерь обсуждается подробно.

Введение

Цифровые изображения стали модными для передачи, обмена, хранения и визуальной информации, и, следовательно, требуются методы высокоскоростного сжатия. Почти все, что важно, – это сжать время, затрачиваемое на передачу изображений. Сжатие изображений играет очень важную роль в области мультимедийных компьютерных услуг и других телекоммуникационных приложений. Область сжатия изображений имеет широкий спектр методов, начиная от классических методов без потерь и модных подходов к преобразованию до более свежих методов кодирования на основе сегментации.

В этом разделе обсуждается набор методов сжатия, используемых при обработке изображений, для различных приложений.

СЖАТИЕ ИЗОБРАЖЕНИЯ

Уменьшение незначительности или избыточности изображения является основной целью методов сжатия изображений, чтобы обеспечить возможность успешного хранения и передачи данных. Первым шагом в этом методе является перевод изображения из представления их пространственная область превращается в отдельный тип представления с использованием нескольких уже известных преобразований, а затем кодирует преобразованные значения, то есть коэффициенты. Этот метод обеспечивает огромное сжатие данных по сравнению с методами прогнозирования, хотя и за счет огромных вычислительных потребностей. Сжатие получается путем устранения одного или нескольких из следующих трех основных избыточностей данных:

 
1. Избыточность кодирования. Отображается, когда использовались кодовые слова, которые были меньше лучших (то есть наименьшей длины).

 

2. Межпиксельная избыточность. Это связано с корреляцией между пикселями изображения.

 

3. Психовизуальная избыточность. Это происходит из-за данных, которые игнорируются зрительной системой человека (то есть визуально не являются необходимой информацией).

Зачем нам нужно сжатие?

 
• Увеличено достаточно места для хранения.

 

• Уменьшите время передачи изображения для отправки в Интернет или загрузки с веб-страниц.

 

• Мультимедийные приложения: редактирование рабочего стола

 

• Архивация изображений: данные со спутника.

 

• Передача изображений: данные из Интернета.

МЕТОДЫ ПОТЕРЯННОГО СЖАТИЯ

При сжатии без потерь потеря данных не происходит, после распаковки изображение будет восстановлено без потери данных. Ниже упомянутые методы заключаются в сжатии без потерь:

 
1. Кодировка длины выполнения.

 

2. Кодировка Хаффмана.

 

3. Арифметическое кодирование.

Кодировка длины выполнения

Кодирование длин серий (RLE) – это очень простая форма сжатия данных, в которой серии данных (то есть последовательности, в которых одно и то же значение данных встречается во многих последовательных элементах данных) сохраняются как одно значение данных и подсчитываются. а не как инновационный забег. Например, простые графические изображения, такие как значки, линейные рисунки и анимация. Шаги алгоритма для RLE следующие.

Шаг 1. Введите строку.

Шаг 2. Начало первого символа или символов дает уникальное значение.

Шаг 3. Прочитайте следующий символ или символ, если символ потерян в строке, то существует или еще.

a: Если: следующий символ совпадает с предыдущим символом, присвойте ему то же уникальное значение, что и предыдущий.

b: Иначе, если: следующий символ не совпадает, а затем присвойте ему новое значение, которое не совпадает с предыдущим значением.

Шаг 4. Считайте и посчитайте дополнительные символы.

Шаг 5: переходите к шагу 3 до тех пор, пока несоответствующее значение не станет тем же символом для предыдущего.

Шаг 6. Выведите на экран результат, который является количеством появлений одного символа с этим конкретным символом.

Алгоритм Хаффмана

Общая идея алгоритма кодирования Хаффмана состоит в том, чтобы назначать очень короткие кодовые слова этим блокам ввода вместе с высоким потенциалом, а длинные кодовые слова должны быть теми, которые имеют низкие вероятности.

Процесс кода Хаффмана зависит от двух наблюдений, упомянутых ниже:

<Р> а. Очень часто встречающиеся символы будут иметь более короткие кодовые слова по сравнению с символом, который встречается реже.

<Р> б. Два символа, которые встречаются реже всего, могут иметь одинаковую длину.

Примеры кодирования Хаффмана с помощью алгоритма следующие:

Шаг 1. Введите строку

Шаг 2. Сортировка данных по частотам

Шаг 3. Выберите количество наименьших двух частот

Шаг 4. Объедините их вместе с их суммой и обновите данные

Шаг 5: повторите шаги 2, 3, 4.