|
коэффициентов будет добавлена ошибка из-за обнуления части информативных вейвлет-коэффициентов. Таким образом, предложенный алгоритм сжатия данных РЛИ с учетом предварительной текстурно-зависимой вейвлет-обработки имеет итерационный характер, что потребует дополнительных временных затрат. Оценка быстродействия алгоритма проводилась путем моделирования в среде Matlab с использованием встроенных функций. Изображение размером 512><512 обрабатывалось в течение 7 минут на ПЭВМ IBM PC, Intel Core i3 CPU, 2,93 ГГц, 2 Гб ОЗУ. Повышение быстродействия алгоритма следует ожидать при его полной программной реализации на языке высокого уровня и использовании высокопроизводительной аппаратуры. 2.5. Результаты моделирования Для оценки эффективности предложенного алгоритма сжатия на основе SPIHT было проведено статистическое моделирование на ЭВМ в среде MATLAB. Программное обеспечение включало также коды SPIHT алгоритма на языке C++, полученные от одного из авторов этого алгоритма. Все проведенные эксперименты делятся на две группы. Первая группа экспериментов включала применение тестовых изображений из библиотеки MATLAB, которые искажались смоделированным спеклом с экспоненциальным законом распределения с единичным средним значением. В этом случае эффективность оценивалась через объективные критерии, как PSNR, NK (нормированная кросс-корреляция) и SSIM (индекс сходства). Результаты моделирования приведены в таблице 2.2. Из таблицы 2.2. видно, что предложенный алгоритм численно обеспечивает значительное повышение качества восстановленного после компрессии зашумленного изображения. Вторая группа экспериментов заключалась в применении разработанного и «чистого» SPIHT алгоритма к реальным РЛИ, в частности, полученными с помощью радаров с синтезированной апертурой. На рисунках 2.6 2.8 приведены 124 |
коэффициентов в пределах одного дерева такая же, как и в алгоритме погруженного нуль-дерева (EZW). Корнями дерева являются коэффициенты, принадлежащие самой низкочастотной субполосе (аппроксимации), которые дают по три потомка на верхнем уровне декомпозиции. Остальные коэффициенты-родители имеют по четыре потомка. Вейвлет-коэффициенты нижнего уровня потомков не имеют. 7. Если распределение квоты бит содержит все положительные значения ь и в данной субполосе оказались не нулевые вейвлет-коэффициенты, попавшие в нулевую зону (то есть они должны квантоваться в нуль), то в первую очередь обнуляются те из них, которые имеют родителей из однородных сегментов верхнего уровня. Затем происходит пересчет распределения квоты бит, поскольку изменяется дисперсия вейвлеткоэффициентов в данной субполосе. 8. Если в данной субполосе нет вейвлет-коэффициентов, оказавшихся внутри нулевой зоны и имеющих родителей из однородных сегментов, то после пересчета квоты бит их кодирование производится обычным образом, как во многих реализациях кодеков. В этом случае к ошибке квантования значимых коэффициентов будет добавлена ошибка из-за обнуления части информативных вейвлет-коэффициентов. Таким образом, предложенный алгоритм сжатия данных с учетом предварительной текстурно-зависимой вейвлет-обработки имеет итерационный характер, что потребует дополнительных временных затрат. Оценка быстродействия алгоритма проводилась путем моделирования в среде Matlab с использованием встроенных функций. Изображение размером 512x512 обрабатывалось в течение получаса на ПЭВМ IBM PC, Pentium IV, 2,8 ГГц, 1 Гб ОЗУ. Повышение быстродействия алгоритма следует ожидать при его полной программной реализации на языке высокого уровня и использовании высокопроизводительной аппаратуры. -287 |