Оценка возможности применения метода декомпозиции изображений по топологическим признакам для уменьшения энтропии при их сжатии

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.

1. Доан 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/10.17586/2226-1494-2020-20-1-74-81

2. Said 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.2018.12

3. Soler 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.2018.00015

4. Ma 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.2020.3026003

5. Yang 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.2022.118920

6. Сай 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-1094

7. Дворников 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.21.5.6

8. Mun 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-x

9. Лужков 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.

10. 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/ijgi9020083

11. 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. V. 10. N 2. P. 285–294.

12. 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.2018.00942

13. Kizilkaya 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.2022.108916

14. Еремеев 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-1080

15. Еремеев 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.22.1.5

16. 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/e23121680

17. Kamble 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.2015.02.093

18. Saha 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.2016.03.026

19. Ibrahim 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.2015.7381538

20. Lee 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/app12136718