ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2023-23-6-1152-1161ntv-26Research ArticleКОМПЬЮТЕРНЫЕ СИСТЕМЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИCOMPUTER SCIENCEОценка возможности применения метода декомпозиции изображений по топологическим признакам для уменьшения энтропии при их сжатииAssessing the possibility of using the method of image decomposition based on topological features to reduce entropy during their compressionhttps://orcid.org/0000-0001-5784-7147АбакумовА. В.AbakumovA. V.

Абакумов Артём Владимирович — аспирант

Муром, 602264

sc 57215968427

Artyom V. Abakumov — PhD Student

Murom, 602264

sc 57215968427

artem210966@yandex.ruhttps://orcid.org/0000-0001-8482-1479ЕремеевС. В.EremeevS. V.

Еремеев Сергей Владимирович — кандидат технических наук, доцент, доцент

Муром, 602264

sc 56673892800

Sergey V. Eremeev — PhD, Associate Professor, Associate Professor

Murom, 602264

sc 56673892800

sv-eremeev@yandex.ruМуромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»РоссияMurom Institute (Branch) of Vladimir State UniversityRussian Federation20231112202423611521161Copyright © Абакумов А.В., Еремеев С.В., 20242024Абакумов А.В., Еремеев С.В.Abakumov A.V., Eremeev S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/26

Введение. Стремительное увеличение объема визуальной информации в сети Интернет стимулирует усовершенствование существующих и поиск новых подходов для решения задачи сжатия изображений. Одной из важных характеристик при обработке изображений, в частности при их сжатия, является энтропия. В работе исследована возможность применения метода декомпозиции изображения по топологическим признакам для уменьшения энтропии с целью дальнейшего сжатия изображения при сохранении высокого качества. Метод. Топологическая декомпозиция предполагает разложение изображения на компоненты, каждая из которых отражает отдельный элемент на изображении. Топологическая декомпозиция позволяет сгруппировать глобальные структуры и их детали в отдельные матрицы специальные типа. Для уменьшения энтропии предложено удаление детализирующих составляющих и восстановление изображения. Отличительная особенность представленного подхода состоит в искажении не всего изображения, а части его области. Основные результаты. Предложенный метод апробирован на практической задаче сжатия изображений алгоритмом RLE, зависимым от энтропии. Полученные результаты показали, что применение топологического разложения обоснованно в вопросах уменьшения энтропии, что позволяет использовать предобработанное изображение для сжатия. Для оценки качества изображений использованы индексы PSNR, SSIM, MSE, NRM. Показано, что в сравнении с вейвлет-преобразованием при сопоставимой степени сжатия изображений предлагаемый подход конкурентноспособный по показателям оценки качества, а для определенного класса изображений со слабо зашумленными длинными объектами превосходит его. Обсуждение. Полученные результаты открывают возможности для дальнейшего изучения топологической декомпозиции для сжатия изображений с потенциально большей эффективностью и при меньших искажениях.

The rapid increase in the volume of visual information on the internet stimulates the improvement and search for new approaches to solving the problem of image compression. One of the important characteristics in the field of image processing, in particular in matters of compression, is entropy. The work explores the possibility of using the method of image decomposition based on topological features to reduce entropy in order to further compress the image while maintaining high quality. Topological decomposition involves decomposing an image into components each of which reflects a separate element in the image. Topological decomposition allows us to group global structures and their details into separate matrices of special types. To reduce entropy, it is proposed to remove some detail components and restore the image. A distinctive feature of the proposed approach is that it does not distort the entire image, but only some areas. The proposed method is tested in a practical compression problem using the entropy-dependent RLE algorithm. The results showed that topological decomposition is good at reducing entropy, which will allow us to use the preprocessed image for compression. PSNR, SSIM, MSE, NRM indices are used to assess image quality. When compared with the wavelet transform, the proposed approach is competitive in terms of image quality assessment at a comparable compression ratio, and exceeds it for a certain class of images with slightly noisy long objects. The results open up opportunities for further study of topological decomposition in image compression with potentially greater efficiency and less distortion.

декомпозиция изображенийтопологический анализэнтропиясжатие с потерямиоценка качества изображенийimage decompositiontopological analysisentropylossy compressionimage quality assessmentИсследование выполнено при финансовой поддержке Российского научного фонда в рамках научного проекта № 23-21-10064.This study was supported by the Russian Science Foundation, project no. 23-21-10064.ReferencesДоан Тиен Бан, Тропченко А.А. Быстрый алгоритм внутрикадрового кодирования для HEVC на основе вероятности выбора режима // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 1. С. 74–81. https://doi.org/10.17586/2226-1494-2020-20-1-74-81Doan Tien Ban, Tropchenko A.A. Fast in-frame coding algorithm for HEVC based on probability of mode selection. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2020, vol. 20, no. 1, pp. 74–81. (in Russian). https://doi.org/10.17586/2226-1494-2020-20-1-74-81Said A. Machine learning for media compression: challenges and opportunities // APSIPA Transactions on Signal and Information Processing. 2018. V. 7. N 1. P. e8. https://doi.org/10.1017/ATSIP.2018.12Said A. Machine learning for media compression: challenges and opportunities. APSIPA Transactions on Signal and Information Processing, 2018, vol. 7, no. 1, pp. e8. https://doi.org/10.1017/ATSIP.2018.12Soler M., Plainchault M., Conche B., Tierny J. Topologically controlled lossy compression // Proc. of the IEEE Pacific Visualization Symposium (PacificVis). 2018. P. 46–55. https://doi.org/10.1109/pacificvis.2018.00015Soler M., Plainchault M., Conche B., Tierny J. Topologically controlled lossy compression. Proc. of the IEEE Pacific Visualization Symposium (PacificVis), 2018, pp. 46–55. https://doi.org/10.1109/pacificvis.2018.00015Ma H., Liu D., Yan N., Li H., Wu F. End-to-end optimized versatile image compression with wavelet-like transform // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 44. N 3. P. 1247–1263. https://doi.org/10.1109/TPAMI.2020.3026003Ma H., Liu D., Yan N., Li H., Wu F. End-to-end optimized versatile image compression with wavelet-like transform. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, vol. 44, no. 3, pp. 1247–1263. https://doi.org/10.1109/TPAMI.2020.3026003Yang X., Gong J., Wu L., Yang Z., Shi Y., Nie F. Reference-free lowlight image enhancement by associating hierarchical wavelet representations // Expert Systems with Applications. 2023. V. 213. P. 118920. https://doi.org/10.1016/j.eswa.2022.118920Yang X., Gong J., Wu L., Yang Z., Shi Y., Nie F. Reference-free lowlight image enhancement by associating hierarchical wavelet representations. Expert Systems with Applications, 2023, vol. 213, pp. 118920. https://doi.org/10.1016/j.eswa.2022.118920Сай С.В., Зинкевич А.В., Фомина Е.С. Сравнение дискретного косинус- и вейвлет-преобразований в системах сжатия RAWизображений // Компьютерная оптика. 2022. Т. 46. № 6. С. 929– 938. https://doi.org/10.18287/2412-6179-CO-1094Sai S.V., Zinkevich A.V., Fomina E.S. Comparison of discrete cosine and wavelet transforms in RAW image compression systems. Computer Optics, 2022, vol. 46, no. 6, pp. 929–938. (in Russian). https://doi.org/10.18287/2412-6179-CO-1094Дворников С.В., Дворников С.С., Устинов А.А. Корреляционные свойства коэффициентов кратномасштабного преобразования типовых изображений // Информатика и автоматизация. 2022. Т. 21. № 5. С. 983–1015. https://doi.org/10.15622/ia.21.5.6Dvornikov S.V., Dvornikov S.S., Ustinov A.A. Analysis of the correlation properties of the wavelet transform coefficients of typical images. Informatics and Automation, 2022, vol. 21, no. 5, pp. 983– 1015. (in Russian). https://doi.org/10.15622/ia.21.5.6Mun H., Yoon G.-J., Song J., Yoon S.M. Scalable image decomposition // Neural Computing and Applications. 2021. V. 33. N 4. P. 9137–9151. https://doi.org/10.1007/s00521-020-05677-xMun H., Yoon G.J., Song J., Yoon S.M. Scalable image decomposition. Neural Computing and Applications, 2021, vol. 33, no. 4, pp. 9137–9151. https://doi.org/10.1007/s00521-020-05677-xЛужков Ю.В., Тропченко А.Ю. Исследование алгоритмов сжатия с потерями на основе пространственной декомпозиции сигнала // Научно-технический вестник Санкт-петербургского государственного университета информационных технологий, механики и оптики. 2008. Т. 8. № 13. С. 37–42.Luzhkov Yu.V., Tropchenko A. Yu. Analysis of algorithms of the lossy compression based on the space signal decomposition. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2008, vol. 8, no. 13, pp. 37–42. (in Russian)Zhou J., Ben J., Wang R., Zheng M., Du L. Lattice quad-tree indexing algorithm for a hexagonal discrete global grid system // ISPRS International Journal of Geo-Information. 2020. V. 9. N 2. P. 83. https://doi.org/10.3390/ijgi9020083Zhou J., Ben J., Wang R., Zheng M., Du L. Lattice quad-tree indexing algorithm for a hexagonal discrete global grid system. ISPRS International Journal of Geo-Information, 2020, vol. 9, no. 2, pp. 83. https://doi.org/10.3390/ijgi9020083Jagadeesh P., Nagabhushan P., Kumar R.P. A novel image scrambling technique based on information entropy and quad tree decomposition // International Journal of Computer Science Issues. 2013. V. 10. N 2. P. 285–294.Jagadeesh P., Nagabhushan P., Kumar R.P. A novel image scrambling technique based on information entropy and quad tree decomposition. International Journal of Computer Science Issues, 2013, vol. 10, no. 2, pp. 285–294.Li Z., Snavely N. Learning intrinsic image decomposition from watching the world // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. P. 9039–9048. https://doi.org/10.1109/CVPR.2018.00942Li Z., Snavely N. Learning intrinsic image decomposition from watching the world. Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 9039–9048. https://doi.org/10.1109/CVPR.2018.00942Kizilkaya A., Elbi M.D. A fast approach of implementing the fourier decomposition method for nonlinear and non-stationary time series analysis // Signal Processing. 2022. V. 206. P. 108916. https://doi.org/10.1016/j.sigpro.2022.108916Kizilkaya A., Elbi M.D. A fast approach of implementing the fourier decomposition method for nonlinear and non-stationary time series analysis. Signal Processing, 2022, vol. 206, pp. 108916. https://doi.org/10.1016/j.sigpro.2022.108916Еремеев С.В., Абакумов А.В., Андрианов Д.Е., Титов Д.В. Метод разложения изображения по топологическим признакам // Компьютерная оптика. 2022. Т. 46. № 6. С. 939–947. https://doi.org/10.18287/2412-6179-CO-1080Eremeev S.V., Abakumov A.V., Andrianov D.E., Titov D.V. Image decomposition method by topological features. Computer Optics, 2022, vol. 46, no. 6, pp. 939–947. (in Russian). https://doi.org/10.18287/2412-6179-CO-1080Еремеев С.В., Абакумов А.В., Андрианов Д.Е., Ширабакина Т.А. Метод векторизации спутниковых снимков на основе их разложения по топологическим особенностям // Информатика и автоматизация. 2023. Т. 22. № 1. С. 110–145. https://doi.org/10.15622/ia.22.1.5Eremeev S.V., Abakumov A.V., Andrianov D.E., Shirabakina T.A. Vectorization method of satellite images based on their decomposition by topological features. Informatics and Automation, 2023, vol. 22, no. 1, pp. 110–145. (in Russian). https://doi.org/10.15622/ia.22.1.5.Xin G., Fan P. Soft compression for lossless image coding based on shape recognition // Entropy. 2021. V. 23. N 12. P. 1680. https://doi.org/10.3390/e23121680Xin G., Fan P. Soft compression for lossless image coding based on shape recognition. Entropy, 2021, vol. 23, no. 12, pp. 1680. https://doi.org/10.3390/e23121680Kamble V., Bhurchandi K.M. No-reference image quality assessment algorithms: A survey // Optik. 2015. V. 126. N 11–12. P. 1090–1097. https://doi.org/10.1016/j.ijleo.2015.02.093Kamble V., Bhurchandi K.M. No-reference image quality assessment algorithms: A survey. Optik, 2015, vol. 126, no. 11–12, pp. 1090– 1097. https://doi.org/10.1016/j.ijleo.2015.02.093Saha A., Jonathan Wu Q.M. Full-reference image quality assessment by combining global and local distortion measures // Signal Processing. 2016. V. 128. P. 186–197. https://doi.org/10.1016/j.sigpro.2016.03.026Saha A., Jonathan Wu Q.M. Full-reference image quality assessment by combining global and local distortion measures. Signal Processing, 2016, vol. 128, pp. 186–197. https://doi.org/10.1016/j.sigpro.2016.03.026Ibrahim R.A., Youssef S.M., Elkaffas S.M. An enhanced fractal image compression integrating quantized quadtrees and entropy coding // Proc. of the 11th International Conference on Innovations in Information Technology (IIT). 2015. P. 190–195. https://doi.org/10.1109/INNOVATIONS.2015.7381538Ibrahim R.A., Youssef S.M., Elkaffas S.M. An enhanced fractal image compression integrating quantized quadtrees and entropy coding. Proc. of the 11th International Conference on Innovations in Information Technology (IIT), 2015, pp. 190–195. https://doi.org/10.1109/INNOVATIONS.2015.7381538Lee J., Gong Q., Choi J.Y., Banerjee T., Klasky S., Ranka S., Rangarajan A. Error-bounded learned scientific data compression with preservation of derived quantities // Applied Sciences. 2022. V. 12. N 13. P. 6718. https://doi.org/10.3390/app12136718Lee J., Gong Q., Choi J.Y., Banerjee T., Klasky S., Ranka S., Rangarajan A. Error-bounded learned scientific data compression with preservation of derived quantities. Applied Sciences, 2022, vol. 12, no. 13, pp. 6718. https://doi.org/10.3390/app12136718

The authors declare that there are no conflicts of interest present.