Методика выбора метода и параметров сжатия цифровых изображений в модульных структурах сбора и обработки данных АСУП

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Методика выбора метода и параметров сжатия цифровых изображений в модульных структурах сбора и обработки данных АСУП

Еременко В.Т., Линьков В.В.

In this article the questions of choice of parameters and compression's methods of a image are considered. However, the features of using method of compression and certain image are accounted.

В настоящее время в сфере автоматизированных систем управления предприятием (АСУП) с непрерывным технологическим циклом (химической, металлургической промышленности) сложилась ситуация, когда классическая структура АСУП перестала удовлетворять требованиям передачи и архивирования информации в пределах предприятия. Интеграция АСУП с системами уровня предприятия и бизнес-приложениями вынуждает разработчиков систем автоматизации задумываться о решении новой задачи - передачи технологической информации большому количеству потребителей, не имеющих непосредственного отношения к системам реального времени.

Наиболее перспективным выглядит техническое решение с промежуточной буферизацией данных. В этом случае в ЛВС предприятия устанавливается промежуточный сервер. Это позволяет в реальном времени интегрировать и буферизировать информацию с операторских станций. При этом возникает необходимость архивирования информации и последующего ее анализа. Все потребители получают информацию реального времени с сервера буферизации, а историческую информацию - с сервера вторичных баз данных.

В настоящее время для временного и постоянного хранения информации используются следующие архивы:

Буфер сервера передачи и буферизации данных - предназначен для хранения данных от различных источников в оперативной памяти сервера сбора данных (ССД).

Вторичная база данных (ВтБД) (долговременный архив) - предназначена для длительного хранения прореженных и/или усредненных данных за указанные интервалы времени из различных источников, а также расчетных значений параметров с автоматическим управлением глубиной хранения данных.

Архив событий (АС) - предназначен для длительного хранения значений групп параметров, характеризующих какое-либо событие. АС пополняется по инициативе специалиста при анализе данных из ВтБД.

Цифровые изображения передаются в виде двумерных матриц, что требует больших объемов и предъявляет высокие требования к сетевому оборудованию при передаче их по сети и к емкости внешних носителей сервера вторичной базы данных и архивных событий при хранении.

Практика использования существующих методов кодирования для сжатия различных изображений показывает, что среди них нет метода, который был бы одинаково эффективен для всех видов изображений. Как правило, любой из существующих методов обеспечивает высокий коэффициент сжатия при сохранении хорошего качества для одного вида изображений, для других высокий коэффициент сжатия достигается ценой значительных потерь, заметных при визуальной оценке восстановленного изображения, а в худшем случае метод не применим. Кроме того, методы сжатия с потерями, как правило, имеют параметры, позволяющие управлять соотношением между объемом и качеством: чем меньше объем, тем ниже качество и наоборот. Это делает актуальной задачу разработки методики выбора параметров и метода сжатия изображения.

В результате анализа установлено, что в методах сжатия с потерями широко используется фильтрация, что обуславливает использование статистических признаков при моделировании изображения, а методы сжатия без потерь обладают зависимостью от статистических свойств изображения, поэтому для оценки вероятности появления конкретного значения пикселя или пары значений целесообразно использовать гистограммные признаки первого и второго порядка.

В связи с этим определен набор признаков изображения, которые предложено использовать для построения моделей изображений, оценивающих максимальный коэффициент сжатия и параметры.

К гистограммным признакам первого порядка относятся средняя яркость изображения, дисперсия, коэффициент асимметрии, коэффициент эксцесса, энергия, энтропия.

Гистограммные признаки второго порядка основаны на определении совместного распределения вероятностей пар элементов изображения. К ним относятся автокорреляция, ковариация, момент инерции, средняя абсолютная разность, энергия второго порядка, энтропия второго порядка.

Установлено, что гистограммные признаки вычисляются по всему полю изображения, если изображение представляет собой стационарное изотропное поле. Реальные изображения таковыми не являются, и поэтому одних этих признаков недостаточно для того, чтобы можно было построить адекватную модель изображения. В связи с этим разработана математическая модель анализа неоднородностей поля изображения на основе метода группового учёта аргументов (МГУА), отличающаяся использованием комбинированного критерия оценки и позволяющая снизить влияние незначимых элементов изображения.

МГУА позволяет решать задачу определения неоднородностей изображения по результатам наблюдений. Этот метод удовлетворяет двум принципам:

1) принципу Геделя (принцип внешнего дополнения) - только внешние критерии, основанные на новой информации, позволяют найти истинную модель объекта, скрытую в зашумленных данных;

2) принципу Д. Габора - всякая однорядная процедура структурной идентификации может быть заменена многорядной (обладающей меньшей трудоёмкостью) только при условии охранения «свободы выбора» нескольких лучших решений каждого предыдущего ряда.

Алгоритмы, реализующие МГУА, воспроизводят схему массовой селекции.

В качестве шаблона-функции, по которому строятся частные модели, используется квадратичный полином вида:

Установлено, что, начиная с некоторого ряда селекции, происходит накопление шума, обусловленное тем, что на каждом этапе преобразования в модели вместе со значимыми признаками попадают и незначимые. Последние и вносят шум, который усиливается за счет того, что на каждом следующем ряду модели предыдущего ряда целиком рассматриваются как отдельные факторы и комбинируются друг с другом.

Предложено на каждом ряду селекции отбрасывать статистически незначимые члены полинома на основе анализа коэффициента множественной детерминации. Введение процедуры исключения приводит к необходимости анализировать структуру получаемой на каждом ряду модели с наилучшим показателем внешнего критерия. Селекция продолжается до тех пор, пока наименьшее значение комбинированного внешнего критерия уменьшается.

сжатие цифровое изображение модульный

.

где -критерий минимума смещения;

- критерий регулярности.

Модель , принимается за искомую модель оптимальной сложности, если в ряду в качестве оптимальной отобрана модель вида

где О(0) обозначает число, близкое к 0;

- модель из предыдущего ряда, которой соответствует наименьшее значение критерия. Обнаружение такой модели и является сигналом останова алгоритма.

Полиномиальный алгоритм МГУА с исключением незначимых элементов на каждом ряду селекции используется для получения оценок максимально возможных коэффициентов сжатия и параметров различных алгоритмов.

Максимально возможный коэффициент для изображения в целом при наличии коэффициентов сжатия по каждому компоненту рассчитывается по формуле:

где - общий коэффициент сжатия;

- количество компонент, используемых для описания пикселя изображения;

- коэффициент сжатия -ой компоненты.

Для оценки параметров методов сжатия (например, коэффициент качества Q в алгоритме JPEG) модель строится на признаках, вычисленных по компоненте Y.

Для простых методов сжатия (например, таких, как метод группового кодирования) производится непосредственный подсчёт коэффициента сжатия.

На основе представленных выше математических моделей изображения построена методика выбора метода и параметров сжатия, включающая в себя следующие этапы:

1. Комплексное определение признаков изображения с наименьшей вычислительной сложностью.

2. Использование многорядного МГУА с исключением незначимых элементов.

3. Выбор метода и параметров сжатия с использованием моделей изображения.

На первом этапе при синтезе алгоритма определения гистограммных признаков были выделены такие, которые можно вычислить непосредственно по полю изображения. Они считаются при проходе по полю изображения совместно с построением гистограммы. При вычислении остальных признаков операции с плавающей точкой были сведены к минимуму, за счет использования вместо оценок вероятностей P(b) и P(a, b) частот N(b) и N(a,b). Также были введены дополнительные временные переменные для промежуточных результатов, используемых при вычислении нескольких признаков. Обозначим , , . Формулы вычисления дисперсии , коэффициента асимметрии , коэффициента эксцесса в этом случае примут вид:

,

Формулы для вычисления энергии и энтропии будут иметь вид:

,

Применение разработанных алгоритмов оправдывает использование моделей, включающих все выделенные признаки в системах, в которых требуется обеспечить хранение и передачу изображений сжатых без потерь на базе методов RLE, LZW, JPEG и JPEG2000. При оценке вычислительной сложности методов сжатия и алгоритмов вычисления признаков учитывалось не только количество умножений, сложений, деления и умножения, но и такие операции, как поиск в таблице, формирование палитры, сбор статистики, которые были сведены к операциям сравнения, и отдельно выделена операция упаковки битов в байты. Вычислительная сложность определения признаков получена в виде общих выражений:

где и - временные затраты на выполнение операции сложения (вычитания);

и - затраты на умножение;

и - затраты на выполнение деления с фиксированной и плавающей точкой;

q - затраты на извлечение квадратного корня;

log - затраты на вычисление логарифма;

с - затраты на сравнение;

s - затраты на сдвиг;

п - затраты на упаковку (включает в себя сдвиги и логические операции, которые выполняются при формировании выходного байта в схемах компрессии, использующих коды переменной длины).

Для каждого признака приведен его вклад в общую вычислительную сложность перехода от детерминированного описания изображения к описанию в виде набора признаков. Это позволяет для каждой конкретной модели, которая, вероятнее всего, не будет включать в себя все выделенные признаки, определить вычислительные затраты при ее применении и, сопоставив их с вычислительными затратами на сжатие изображений, используемыми в системе методами, сделать вывод о целесообразности применения оценивающих моделей изображения для повышения эффективности применения методов сжатия.

Вычислительная сложность алгоритма представлена на рисунке 1.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рисунок 1 - Вычислительная сложность алгоритма комплексного определения признаков

Входными данными второго этапа методики является экспериментальная выборка, устанавливающая соответствие между значениями свойств моделируемой системы и значениями выходной переменной. На каждой итерации производится поиск модели вида , которые позволяют лучше других моделей прогнозировать выходные величины. Отобранные модели становятся признаками для построения моделей на следующей итерации.

На третьем этапе определяется палитра изображения и на основании признаков, полученных при моделировании, производится выбор метода, обеспечивающего максимально возможный коэффициент сжатия.

Заключение

Для этапов методики разработаны алгоритмы. Установлено, что сложность вычисления признаков изображения меньше суммарной сложности применения всех рассмотренных алгоритмов сжатия. Разработанные процедуры с увеличением размера изображения позволяют уменьшить количество операций, приходящихся на один пиксель, в то время как для существующих алгоритмов сжатия оно остается неизменным.

Установлено, что использование процедуры исключения незначимых элементов упрощает математическую модель и улучшает качество изображения по комбинированному критерию.

Литература

1. Линьков, В.В. Методы сжатия и передачи информации в цифровых системах видеонаблюдения Текст] / В.В. Линьков, В.М. Панарин // изд-во ТулГУ - 2006. - 140 С.

2. Линьков, В.В. Классификация алгоритмов сжатия изображений / [Текст] // В.В. Линьков / Доклады III Всероссийской научно-технической конференции «Информационные системы и модели в научных исследованиях, промышленности и экологии» под общ. ред. д-ра техн. наук, проф. Панарина В.М. - Тула: Изд-во ТулГУ, 2005. - С. 95-99.

3. Ивахненко, А.Г. Моделирование сложных систем по экспериментальным данным [Текст] / А.Г. Ивахненко, Ю.П. Юрачковский - М.:Радио и Связь, 1987. - 120 с.

4. Ватолин, Д.С. Алгоритмы сжатия изображений [Текст] / Д.С. Ватолин // М.: Диалог-МИФИ, 2002.

5. Белей, А.В. Типы компрессии при сжатии видеоданных [Текст] / А.В. Белей// Телевидение в системах физической защиты, 2004.

6. Методы компьютерной обработки изображений [Текст] / Под ред. Сойфера - М.:Физматлит, 2001.-784 с.

Размещено на Allbest.ru