full text - Instytut Radioelektroniki
Transkrypt
full text - Instytut Radioelektroniki
Metody kompresji obrazów: uwarunkowania dalszego rozwoju Tomorrow’s image compression today Artur Przelaskowski Instytut Radioelektroniki, Politechnika Warszawska, Warszawa Streszczenie: W pracy zwrócono uwag na kilka istotnych problemów zwi zanych z doskonaleniem metod kompresji obrazów. Krótka charakterystyka współczesnych uwarunkowa pozwala lepiej zrozumie ograniczenia i perspektyw rozwoju wobec rosn cych oczekiwa ‘ery informacji’. Aby zobrazowa niektóre z ogranicze przeprowadzono testy wybranych koderów bezstratnych i stratnych. Zwrócono uwag na konieczno praktycznego wykorzystania semantycznej teorii informacji, szczególnie w kontek cie kompresji z selekcj informacji. Podkre lono znaczenie uniwersalnych, bezstratnych koderów danych oraz hierarchicznego uporz dkowania informacji w elastycznych koderach z progresj informacji. Prowadzi to do weryfikacji obowi zuj cych paradygmatów kompresji, szczególnie w zakresie modelowania ródeł informacji. Sugerowane kierunki działa wydaj si by u yteczne. ę ą ę ń ć ą ń ć ń ę ś ć ś ą ś ą ą ą ą ź ę ń ą ć Ŝ Summary: Analysis and suggestions of image compression improvements were presented. Characteristics of modern conditions of development showed limitations and perspective of development in the following areas: utilization of semantic information theory, selection of useful information by interactive user oriented algorithms, application of universal lossless archivers for image compression, flexibility of ordered hierarchical representation of information in multiscale image coders. Selected lossless and lossy coders were verified experimentally and new compression paradigms were concluded. Słowa kluczowe: kompresja obrazów, kompresja stratna i bezstratna, teoria informacji, JPEG Keywords: image compression, lossy and lossless compression, information theory, JPEG 1. Wprowadzenie Kompresj mo na sprowadzi do odwracalnego lub nieodwracalnego procesu redukcji długo ci reprezentacji danych. W opracowaniu nowoczesnych narz dzi kompresji danych, szczególnie obrazów, du ego znaczenia nabiera szersze rozumienie poj cia kompresji jako wyznaczania efektywnej reprezentacji przesyłanej lub gromadzonej informacji. Wiarygodne definicje informacji, modele ródeł informacji oraz sposoby obliczania ilo ci informacji i optymalizacji kodów staj si tutaj zagadnieniem kluczowym. Celem pracy było szersze spojrzenie na zagadnienie kompresji obrazów, które pozwoli lepiej zrozumie istniej ce ograniczenia, a tak e oceni realne szanse doskonalenia istniej cych koderów obrazów. ę Ŝ ć ę ś ę Ŝ ź ś ę ą ń Ŝ ć ą ą 1.2. Krótka charakterystyka współczesnych uwarunkowa ń Jeste my wiadkami ‘ery informacji’ o technologicznych podstawach, któr charakteryzuje intensywny rozwój społecze stwa informacyjnego, przekształcaj cego si stopniowo w społecze stwo szeroko dost pnej (tzw. wolnej) wiedzy. Wobec rosn cej roli Internetu mo na mówi równie o zjawisku tworzenia si społecze stwa sieciowego (prace Castellsa [1]). Coraz wi ksze znaczenie rozwoju technologicznego, zdominowanego przez zagadnienie ś ś ą ę ń ą ę ń ą ę ć Ŝ ę ń Ŝ efektywnej wymiany informacji oraz wiata nauk przyrodniczych i cisłych wida chocia by w propozycjach tzw. trzeciej kultury [2]. Szybki dost p do istotnych informacji, efektywne jej przetworzenie oraz wyszukiwanie wiarygodnych ródeł wiedzy staje si decyduj cym o sukcesie składnikiem nowoczesnej działalno ci edukacyjnej, biznesowo-gospodarczej, organizacyjnej, społecznej. Wobec nadmiaru pseudoinformacji (tysi ce reklam, setki bezu ytecznych zach t zapychaj cych skrzynki pocztowe i kanały telewizyjne) coraz bardziej po dane staj si narz dzia inteligentnie porz dkuj ce przestrze informacyjn . Sposobem na ycie współczesnego człowieka b d cego w ci głym po piechu staje si oszcz dzanie (wr cz wydzieranie) ka dej wolnej chwili [3]. B. Pascal (1623-1662) pisz c list do przyjaciela wspomniał, e 'nie ma czasu, aby napisa krócej'. Pisał wi c jak leci, przepraszał, e zabrakło mu czasu, by zaoszcz dzi czas adresata. Poszanowanie czasu przekłada si na wzrost ilo ci informacji dost pnej (przekazywanej) w jednostce czasu w warunkach, jakimi dysponuje konkretny odbiorca (okre lone ramy czasowe, sprz towe, finansowe). Oszcz dno czasu odbiorcy informacji zapewnia przede wszystkim odpowiednia jako informacji, tj. selekcja danych, które s istotne dla u ytkownika, oraz efektywna jej reprezentacja (minimalizacja długo ci zapisu danych i czasu ich przekazywania, wła ciwa struktura informacji). Technologiczne doskonalenie systemów rozpowszechniania informacji wymaga wi c stosowania efektywnych metod kompresji danych, w tym koderów obrazów. Obecnie niebagateln rol odgrywa przekazywanie informacji za pomoc obrazu - przykładem niech b dzie chocia by dominacja obrazkowych systemów operacyjnych typu Windows. Kompresja obrazów pozwala szybciej zobaczy obraz o lepszej jako ci, wi cej informacji umie ci w dan informacj , porówna obszerne zasoby danej obj to ci no nika, szybciej wyszuka informacji obrazowej etc. W koderach obrazów wykorzystuje si obok elementów teorii informacji tak e zaawansowane metody numeryczne, teori sygnałów, analiz funkcjonaln , psychowizualne modele percepcji czy inn wiedz o człowieku i jego relacji do wiata (zale nie od zastosowa ). Doskonalenie metod akwizycji obrazów, poprawa zdolno ci rozdzielczej systemów obrazowania, redukcja szumu i zwi kszanie dynamiki sygnału u ytecznego wymusza operowanie coraz wi kszymi zbiorami danych obrazowych. Szybko rosn ca liczba obrazów cyfrowych przenosz cych informacj w coraz wi kszej gamie zastosowa , takich jak fotografia cyfrowa, kamery cyfrowe na u ytek domowy, obrazy satelitarne wykorzystywane w meteorologii, kartografii czy urbanistyce, systemy obrazowania biomedycznego itd., wymaga u ycia efektywnych metod gromadzenia, indeksowania, przegl dania i wymiany tej informacji. W opinii wielu odbiorców i nadawców informacji obrazowej wzrost efektywno ci i u yteczno ci opracowywanych narz dzi kompresji obrazów jest zbyt wolny wobec wymaga współczesnych zastosowa . Przykładem mo e by rozwijany obecnie standard da nowoczesnego u ytkownika okupiono zbytni JPEG2000, w którym spełnienie zło ono ci obliczeniow algorytmów i trudno ciami w praktycznej realizacji zało e standardu. ś ś ć Ŝ ę ę ź ą ś ę ą Ŝ ą ę Ŝ ą ą ń ą ę ą ą ę ę Ŝ ę ą ą ś ę Ŝ ą ę Ŝ ć ę Ŝ ć ę ę ś ę ś ę ś ś ć ć ą Ŝ ś ś ę ę ą ą ę Ŝ ę ć ś ś ę ć ę ś ś ć Ŝ ą ą ć ę ę ę Ŝ ą ę ą Ŝ ś ń ś ę Ŝ ę ą ę ę ą ń Ŝ Ŝ ą ś ę Ŝ ś ć ń Ŝ Ŝ ś ą Ŝ ą ć ń ą Ŝ ą ś Ŝ ń 1.2. Ograniczenia Głównym ograniczeniem efektywno ci metod kompresji s zbyt uproszczone modele ródeł informacji wskutek dalece niedoskonałego modelowania rzeczywisto ci (zało enia stacjonarno ci, gaussowskiej statystyki ródeł). Wzgl dno ‘optymalnych’ dzi rozwi za wynika tak e ze sposobu definiowania informacji bez odniesienia do warstwy semantycznej. Cz sto nie sposób przeło y posiadanej wiedzy a priori, dotycz cej analizowanego procesu, na parametry modelu statystycznego. Nie ma jednoznacznych definicji nadmiarowo ci, która ś ą ź ś Ŝ ę ś ź ś ć ś ą Ŝ ę Ŝ ć ą ś ń mo e wyst powa tak na poziomie pojedynczych danych, jak te obiektowym i semantycznym. Opisuj c informacj trudno jest stwierdzi , jak zmiana parametrów modelu obiektu decyduje o utracie przez niego ‘to samo ci’ wpływaj cej na ilo przesyłanej informacji. Wymaga to definicji poj cia informacji na wy szym poziomie abstrakcji, a jest to przecie poziom u ytkowy typowego odbiorcy. Interesuj ca staje si posta reprezentacji danych optymalnej nie w kontek cie przyj tych zało e , ale wobec bogatej rzeczywisto ci form, jakie przyjmuje informacja we współczesnym wiecie. Rozwa my prosty przykład. W telewizyjnym teleturnieju uczestnicy zabawy odkrywaj kolejno fragmenty obrazu próbuj c mo liwie szybko rozpozna jego tre . Niekiedy potrzeba bardzo niewiele odsłoni tych elementów, by zidentyfikowa znany obraz. Cyfrowy obraz Mona Lisa skompresowany według standardu JPEG z zachowaniem wysokiej jako ci rekonstrukcji to 150 kilobajtów danych. Je li zaczniemy stopniowo odsłania ten obraz rekonstruuj c progresywnie kolejne bity skompresowanej reprezentacji, to ju po dekompresji 1000 bajtów wi kszo specjalistów potrafi rozpozna ten obraz. Do rozpoznania obrazu Abrahama Lincolna w podobnym te cie przeprowadzonym przez L. Harmona wystarczyło 756 bitów [4]. Problemem jest wł czenie wiedzy o wiecie dost pnej a priori w poszukiwanie optymalnej reprezentacji informacji obrazowej. Zniekształcona, cyfrowa rekonstrukcja Mona Lisy według JPEG jest tylko przybli eniem, aproksymacj oryginału. O poziomie stratno ci (nieodwracalno ci) metody kompresji decyduje poziom aproksymacji danych ródłowych wymagany przez odbiorc . Niekiedy informacj mo e stanowi jedynie adres internetowy (wska nik odpowiedniego obiektu) lub te tekst „Obraz Mona Lisa” powoduj c reakcj odbiorcy adekwatn do upodoba , posiadanej wiedzy i dost pnych rodków (np. wizyt w muzeum Louvre, obejrzenie wysokiej jako ci reprodukcji posiadanej w domu czy te ksi ki o dziełach sztuki etc). W innym przypadku odbiorca wymaga reprodukcji najwy szej jako ci, co daje kompresja bezstratna cyfrowej postaci obrazu o najwy szej jako ci. Wyst puje tutaj du e podobie stwo z zagadnieniem indeksowania. ę Ŝ ć Ŝ ę ą ć Ŝ ś ą ś ć ę Ŝ Ŝ Ŝ ę ę ą Ŝ ć ś ń ś ś Ŝ ą ą Ŝ ć ś ć ę ć ś ś ć ą Ŝ ę ś ć ć ś ę ą ś Ŝ ą ś ś ź ę ę Ŝ ć ę ź Ŝ ą ę ą ę ń ś ś Ŝ ą Ŝ Ŝ ś ę Ŝ Ŝ ś ń 1.3. Mo liwo ci udoskonale Ŝ ś ń Mo liwe jest bardziej ogólne podej cie do zagadnie informacji, kompresji, granic efektywno ci kodowania, indeksowania. Informacja definiowana jest wtedy jako w du ym stopniu odwołanie do ogólnej wiedzy odbiorcy, poj cie nadmiarowo ci konstruowane jest nie danych w obr bie przekazywanego zbioru jako przewidywalna statystyczna zale no (strumienia), ale w znacznie szerszej skali – jako nawi zanie do zasobów wiedzy i rodków dost pnych odbiorcy, do realnej semantyki danych. Takie podej cie pozwala opracowa doskonalsze narz dzia kompresji, czego przykładem s próby optymalizacji kompresji obrazów w ramach standardu JPEG2000. Zasadnicz cech współczesnych metod kompresji jest elastyczno , zdolno doboru ilo ci, jako ci i postaci informacji wynikowej (wyj ciowej) w zale no ci od definiowanych potrzeb odbiorcy. Opracowanie skutecznego algorytmu kodowania wymaga zwykle optymalizacji wielokryterialnej, wykorzystania mechanizmów adaptacji do lokalnych cech sygnału (zbioru danych), a czasami nawet interakcji zmieniaj cych procedur kompresji w czasie rzeczywistym. Dokładniej te zagadnienia omówiono w kolejnych punktach zwracaj c uwag na semantyczn teori informacji (p.2), dwojak rol metod kompresji obrazów (p.3) oraz ledz c nowe paradygmaty kompresji (p.4). Ŝ ś ń ś Ŝ ę ś ę Ŝ ś ć ą ś ę ś ć ę ą ą ś ą ś ś ś Ŝ ć ś ć ś ę ą ę ą ę ą ś ą ę ą 2. Poj cie informacji ę Statystyczna teoria informacji jest znacznie cz ciej wykorzystywana w metodach kompresji, jednak w nowoczesnych rozwi zaniach coraz wi ksz rol odgrywa podstawowy, czyli semantyczny aspekt informacji. ę ś ą ę ą ę 2.1. Teoria statystyczna Prace C. Shannona sprzed ponad 50 lat [5] okre liły matematyczne podstawy statystycznej teorii informacji formalizuj c poj cia: − bezstratnej kompresji danych ze ródeł informacji modelowanych procesem losowym o dyskretnym zbiorze warto ci (w tym entropia, modele ródeł, twierdzenia o kodowaniu ródeł); − stratnej kompresji danych ze ródeł informacji modelowanych procesem losowym o ci głym zbiorze warto ci (w tym rednia informacja wzajemna, funkcja zniekształce ródeł informacji R(D)). ś ą ę ź ś ź ź ź ą ś ś ń ź Zaproponowany przez Shannona opis informacji znalazł powszechne zastosowanie w ró nych dziedzinach nauki, m.in. w biologii, medycynie, filozofii. Wyst puje w nim stochastyczne rozumienie informacji jako „poziomu niepewno ci” odbiorcy zwi zanej z przekazywanymi danymi. W ród transmitowanych danych (symboli ródła informacji) tylko te stanowi informacje, które s nieokre lone (odbiorca nie ma pewno ci, jak dan otrzyma). Po otrzymaniu ci gu takich symboli ‘poziom niepewno ci’ odbiorcy maleje o warto równ ilo ci przekazanej informacji. Informacja wyst puje w kontek cie transmisji (przekazywania) zbioru (strumienia) danych w schemacie: nadawca ( ródło informacji), kanał transmisyjny (medium słu ce przekazaniu sygnału, czyli no nika informacji) wyposa ony w nadajnik (przygotowuj cy sygnał przenosz cy wiadomo do transmisji) i odbiornik (rekonstruuj cy wiadomo z sygnału), oraz odbiorca (interpretator, u ytkownik informacji). Trudno podwa y ogromne znaczeniem teorii Shannona w rozwoju współczesnej nauki. Jednak warto zwróci uwag na ograniczenia tej teorii, szczególnie w zakresie uproszczonych, nierealistycznych zało e statystycznych oraz poprzez pomini cie semantyki w definiowaniu ródeł informacji. Ograniczenia te staj si istotne w zastosowaniach do kompresji obrazów. W statystycznej teorii informacji dominuje składniowy (syntaktyczny) aspekt informacji. Nie prowadzi si rozwa a dotycz cych prawdziwo ci czy u yteczno ci tego, co jest przesyłane. Informacja rozumiana jest wtedy jako zakodowany ci g symboli ródła informacji nad ustalonym alfabetem z przypisan warto ci semantyczn (znaczeniem) u nadawcy z zało enia zgodn z warto ci semantyczn u odbiorcy (zobacz rys. 1a)). Reprezentacja R przesyłanych danych powstaje zwykle z kryterium minimalizacji entropii ródła przesyłanej informacji HS. Ŝ ę ś ą ś ź ą ą ś ś ą ą ą ś ś ć ą ś ę ś ź Ŝ ś ą ś ą Ŝ ą ć ą ś ć Ŝ Ŝ ć ć ę Ŝ ń ę ź ą ę Ŝ ń ą ę ś Ŝ ś ą ą Ŝ ą ś ą ś ą ź ą ą ź [Rys. 1] 2.2. Teoria semantyczna W niektórych przypadkach semantyka obrazów odgrywa na tyle znacz c rol w interpretacji (u ytkowaniu, odczytaniu zawartej informacji) przekazywanych danych, e powinna stanowi wa ny element w procesie optymalizacji algorytmów kompresji jako ‘uzupełnienie’ ą Ŝ ą Ŝ Ŝ ę ć statystycznej teorii informacji. Wa nym obszarem zastosowa jest tutaj obrazowanie medyczne. Dwa zasadnicze cele teorii Shannona to: a) obliczanie ilo ci informacji dostarczanej przez ródła mo liwie wiernie opisuj ce przesyłane dane (inaczej wyznaczanie teoretycznych warto ci granicznych wydajno ci koderów tych ródeł), b) opracowanie efektywnych kodów dla zdefiniowanych ródeł informacji. Oba te elementy wymagaj ustalenia znacze pojedynczej danej, kontekstu jej wyst pienia, charakteru reprezentowanej informacji. Nale y tutaj odwoła si do podstaw ogólnej teorii informacji, w której wyst puje poj cie semantycznej teorii informacji. Pocz tki tej teorii stanowi prace Bar-Hillela i Carnapa [6] równie z lat 50 zeszłego wieku, a istot jest okre lanie dodatkowo znaczenia poszczególnych symboli alfabetu ródła informacji. Wykorzystanie ontologicznych i aksjologicznych aspektów rozumienia informacji jest trudne do przeło enia na formalny i algorytmiczny opis kodowania ródeł informacji, jednak wykorzystanie elementów tych teorii wydaje si konieczne w takich zastosowaniach jak np. rekonstrukcja i indeksowanie tre ci obrazów medycznych w sposób wiarygodny diagnostycznie. Przy przesyłaniu informacji mo e wtedy odwoływa si jedynie do ró nicy semantycznej danych ródłowych u nadawcy i odbiorcy (rys. 1b). Algorytmiczne wykorzystanie zasad semantycznej teorii informacji mo e by nieco łatwiejsze poprzez skorzystanie z tych metod matematycznych, które ułatwi semantyczn selekcj informacji w koderach obrazów. Chodzi tu o wykorzystanie analizy funkcjonalnej, które pozwala w wi kszym uwolni si od nierealistycznych zało e statystycznych dobieraj c bazy przekształce przybli aj cych efektywnie lokalne, chwilowe wła ciwo ci sygnału. Ułatwia to tak e dostosowanie metody kompresji do semantyki ródła informacji poprzez wi ksze uporz dkowanie informacji (zhierarchizowanie jej opisu) i dokładniejszy jej opis (czasowo-cz stotliwo ciow charakterystyk ) w nowej dziedzinie przekształcenia. W latach 50 zeszłego stulecia powstała ‘moskiewska szkoła teorii informacji’ z jej najznakomitszym przedstawicielem A.N. Kołmogorowem. Obok probabilistycznych sposobów modelowania ródeł informacji wykorzystano tam tak e teori przybli ania (aproksymacji) ródeł z wykorzystaniem metod analizy funkcjonalnej. Stochastyczny proces opisuj cy ródło informacji zast piony jest przez klas funkcji (sygnałów) f okre lonych w dziedzinie T. Dowolna funkcja jest aproksymowana i dyskretyzowana przez koder za pomoc sieci aproksymacji. Sie aproksymacji według koncepcji Kołmogorowa [7] jest zbiorem funkcji mo liwie zupełnym i małolicznym (kontrolowanym przez inne poj cie entropii), aproksymuj cym istotne cechy sygnałów (funkcji) kodowanych. Kryteria doboru i optymalizacji postaci sieci formułowane jako minimalizacja bł du przybli enia definiuj proces kodowania z dopuszczeniem strat. Na poziomie ogólno ci proponowanym przez teori Kołmogorowa bardzo niewiele mo na powiedzie o strukturze optymalnej sieci aproksymacji kształtowanej przez optymalny koder. Chocia alternatywna teoria opisu informacji nie prowadzi to dokładnych oszacowa relacji zło ono ci modelu ródła do ilo ci reprezentowanej informacji, to jest istotna ze wzgl du na sugesti funkcjonalnego modelowania ródeł. Chodzi o wyznaczenie efektywnych baz przekształce obrazów w celu lepszego opisu informacji. Wykorzystanie do wiadcze semantycznej teorii informacji, dodatkowo coraz doskonalszej wiedzy medycznej na temat zasad percepcji psychowizualnej danych obrazowych i obiektywizacji metod ich interpretacji pozwala konstruowa doskonalsze sposoby selekcji i porz dkowania przesyłanej informacji na podstawie optymalizowanych metod opisu danych (du a rola analizy funkcjonalnej, przede wszystkim analizy harmonicznej, czyli analizy funkcji z wykorzystaniem transformacji o bazie wielu skal dobieranej w przestrzeni czas-cz stotliwo ). Ŝ ń ś ź Ŝ ą ś ś ź ź ą ń ą Ŝ ć ę ę ą ę ą Ŝ ą ś ź Ŝ ź ę ś Ŝ ć ę Ŝ ź Ŝ ć ą ą ę ę ć ą ń ę Ŝ Ŝ ś Ŝ ę ń ą ś ź ą ę ś ą ę ź Ŝ ę Ŝ ź ą ź ą ę ś ą ć Ŝ ę ą ę ś Ŝ ą ę Ŝ ć Ŝ Ŝ ń ś ź ś ę ę ź ń ś ń ć ą Ŝ ę ś ć 3. Dwojaka rola kompresji Kompresja na u ytek archiwizacji wymaga niekiedy znacz co ró nego podej cia od zastosowa dopuszczaj cych selekcj informacji poprzez jej odpowiednie uporz dkowanie czy kwantyzacj danych (nazwijmy je selektywnymi). W tradycyjnym podziale odpowiada to kompresji bezstratnej z wiernym zapisem danych (dokładno do pojedynczego bitu) oraz stratnej, gdzie tracona jest mo liwo dokładnej rekonstrukcji wszystkich danych ródłowych, jednak niekoniecznie nast puje utrata informacji. W tym drugim znaczeniu, kiedy nie sposób do ko ca okre li dopuszczalnych poziomów strat, relacji dane-informacja u yteczna dla odbiorcy, obiektywnych kryteriów i u ytecznych zakresów warto ci parametrów, algorytmy kompresji maj wiele cech wspólnych z metodami indeksowania. Ŝ ą ń ą Ŝ ś ę ą ę ś Ŝ ś ć ć ź ę ń ś ć Ŝ Ŝ ś ą 3.1. Odwracalna kompresja danych Bitowo bezstratna kompresja obrazów to obecnie przede wszystkim tworzenie mo liwie oszcz dnej ich reprezentacji z wykorzystaniem zasad statystycznej teorii informacji do celów archiwizacji. Przez ostatnie 10 lat, od czasu opracowania efektywnych koderów CALIC i według standardu JPEG-LS, nie nast pił aden przełom, jako ciowy post p w dziedzinie odwracalnej kompresji obrazów.Wspomniane kodery odwracalne na etapie modelowania ródeł informacji wykorzystuj 2W (dwuwymiarow ) charakterystyk danych w postaci efektywnych modeli predykcji. Obserwuje si natomiast tendencj modelowania ródeł informacji na ni szym poziomie bez po rednich modeli s siednich warto ci pikseli ródłowych. Uproszczenia prowadza do zamiany: zamiast obiektów piksele, zamiast pikseli – rozkłady map bitowych. Stosuje si modelowanie lokalnych kontekstów wybranych przestrzeni bitowych niekoniecznie skorelowanych z obrazow interpretacj danych, szacowanie zale no ci danych traktowanych bardziej elementarnie (z uproszczonym alfabetem ródła), a co za tym idzie bardziej uniwersalnie. W koderach odwracalnych kluczow rol odgrywaj metody modelowania kontekstu przy kodowaniu binarnym (zwykle arytmetycznym). W PPM (ang. prediction with partial string matching) [8] przy modelowaniu prawdopodobie stw warunkowych adaptacyjnego kodera arytmetycznego wykorzystywane s konteksty ró nych rozmiarów. Alfabet linii prawdopodobie stw okre lonego kontekstu rozszerzany jest dynamicznie, tj. niezerowy podprzedział okre lonego symbolu a k pojawia si w linii prawdopodobie stw dopiero wówczas, gdy symbol a k wyst pi w sekwencji wej ciowej poprzedzony tym kontekstem. Ponadto w ka dej linii zarezerwowany jest podprzedział symbolu 'PRZEŁ CZ', który słu y do sygnalizacji zmiany rozmiaru kontekstu (dobierany jest mo liwie najdłu szy kontekst zaczynaj c od kontekstu masymalnego rz du m). Poszczególne odmiany metody PPM, dostosowane do danych tekstowych, obrazowych, innych, ró ni si sposobem okre lania linii prawdopodobie stw i kontekstów (rozmiarem, kształtem, uproszczeniem statystyki w danym kontek cie). W przypadku, gdy efektywne opisanie jednym kontekstem zło onych lokalnych zale no ci danych ródłowych nie jest mo liwe, stosowane jest niekiedy wa enie kilku modeli prawdopodobie stw bazuj cych na ró nych kontekstach. Je li rozkład PSC1 okre lono Ŝ ę ą ź Ŝ ś ą ą ę ę ś ę ę ź ą ś Ŝ ź ę ą ą Ŝ ś ź ą ę ą ń ą ń Ŝ ś ś ę ą ń ś Ą Ŝ Ŝ Ŝ ą Ŝ ę Ŝ ą ę ś ń ś Ŝ Ŝ ś ź Ŝ ń ą Ŝ Ŝ ś ś na podstawie kontekstu C1, a PSC2 na podstawie C2, wówczas do kodowania mo na ( ) Ŝ wykorzysta wa ony rozkład prawdopodobie stw P + P / 2 . Metoda wa enia rozkładów prawdopodobie stw z wykorzystaniem struktury drzewa CTW (ang. context-tree weighting) [9] pozwala wykorzysta wszystkie mo liwe konteksty i modele kontekstu ograniczone ć Ŝ ń ń ć Ŝ C1 S C2 S Ŝ rozmiarem m. CTW bazuje na binarnym alfabecie ródła informacji bez wzgl du na rodzaj kodowanych danych (obraz, d wi k, tekst itp.). Wymaga to wst pnej konwersji ci gu symboli nad alfabetem AS w ci g bitowy (tj. na wst pnej serializacji, jak w standardzie JBIG i testowanej metodzie BKO), kodowany z wykorzystaniem binarnej struktury drzewa okre laj cej konteksty i prawdopodobie stwa modeli ródła z pami ci i bez do sterowania kodowaniem arytmetycznym. Do okre lenia prawdopodobie stw ci gu symboli wykorzystuje si tzw. prawdopodobie stwo blokowe całego bloku bitów, obliczane na podstawie cz sto ci dotychczasowych (w modelu przyczynowym) wyst pie zer i jedynek zakładaj c model bez pami ci. Zale no ci pomi dzy danymi uwzgl dnione zostały w tzw. prawdopodobie stwach wa onych obliczanych w w złach tworzonego drzewa binarnego. Inaczej wyznaczane jest te prawdopodobie stwo symboli, tj. według wyra enia: n1 + 12 Pe ( s = a1 ) = , gdzie alfabet ródła AS = {a1 , a 2 } , n1,n2 - liczba wyst pie n1 + n 2 + 1 odpowiednio a1 i a2 w kodowanym dotychczas ci gu ródłowym. Pe ( s = a 2 ) definiowane jest analogicznie. ź ź ę ą ś ę ę ą ę ą ń ś ź ń ę ą ą ę ń ę ą ę Ŝ ś ę ń ą ę Ŝ ś ń ę Ŝ ń Ŝ ź ą ą ń ź Coraz wi ksz rol w praktycznych zastosowaniach odgrywaj uniwersalne narz dzia do archiwizacji danych (tzw. archiwizery) wykorzystuj ce podobne metody statystycznego modelowania ródeł informacji z doborem parametrów zale nie od typu danych. Wykazuj one du efektywno kompresji skutecznie konkuruj c z rozwi zaniami dedykowanymi np. kompresji obrazów. Dowodem tego s wyniki licznych eksperymentów (zobacz np. [10]), a tak e przedstawione poni ej rezultaty przeprowadzonych testów własnych (rys. 2). ę ą ę ą ę ą ź Ŝ Ŝ ą ś ć ą ą ą ą Ŝ Ŝ [Rys. 2] Uniwersalny archiwizer WinRK (wykorzystuj cy odmian metody PPM do modelowania kontekstu) pozwolił w kilku przypadkach na wyra ne zmniejszenie długo ci zakodowanych danych obrazowych ( rednio o blisko 6%) w stosunku do najefektywniejszego kodera obrazów CALIC. W stosunku do standardów JPEG-LS i JPEG2000 poprawa efektywno ci si gn ła odpowiednio 10% i 11%. Nowa wersja WinRK (niestety na obecnym etapie realizacji nieco zbyt zło ona obliczeniowo) z algorytmem modelowania PWCM pozwala skróci skompresowane dane obrazowe o dodatkowe kilka procent. Dwa uniwersalne kodery map bitowych: według standardu JBIG oraz wykorzystuj cy nieco bardziej dopasowan do danych obrazowych metod serializacji BKO pozwoliły równie uzyska wysok efektywno kompresji obrazów testowych, przy czym rednia bitowa dla BKO jest na poziomie redniej kodera CALIC. ą ę ź ś ś ś ę ę Ŝ ć ą ą Ŝ ć ę ą ś ć ś ś Okazuje si , e modele informacji obrazowej wy szego poziomu (obiektowe, predykcyjne, transformacji liniowych) nie usprawniaj procesu redukcji nadmiarowo ci wej ciowej reprezentacji danych, s za mało elastyczne w dopasowaniu modeli ródeł do lokalnych (chwilowych) cech sygnału. S one za szczególnie istotne przy porz dkowaniu, tworzeniu hierarchii informacji uwzgl dniaj c niekiedy przesłanki semantyczne w kompresji selektywnej. ę Ŝ Ŝ ą ś ą ś ź ą ę ś ą ą 3.2. Kompresja selektywna W kompresji selektywnej poszukiwana jest efektywna reprezentacja semantycznie definiowanej informacji wyra onej wst pnie danymi w postaci ródłowej, za indeksowanie Ŝ ę ź ś to tworzenie indeksu (indeksów) obiektów (kolekcji obiektów) danego typu, czyli spisu (zestawu) tych obiektów ze wzgl du na okre lone ich wła ciwo ci (cechy, czyli warto ci ustalonego argumentu indeksu – zobacz [16]) maj ce znaczenie dla u ytkownika. Przy wyborze argumentu indeksu (tj. okre lonych wła ciwo ci indeksowanych obiektów) istotna jest rozró nialno obiektów, a wi c wydobycie wyj tkowej tre ci ka dego z obiektów z ogólnego, mało znacz cego tła. Kluczow rol odgrywa tu dotarcie do realnej informacji zwi zanej z ka dym obiektem (w naszym przypadku obrazem), tj. istoty przekazywanej tre ci. Semantyczne okre lenie informacji odgrywa tutaj decyduj c rol . W indeksie wyst puj identyfikatory obiektów wskazuj ce (po rednio lub bezpo rednio) ich fizyczn lokalizacj . Korzystaj ce z indeksów wyszukiwarki dostarczaj na danie odbiorcy obiekty o okre lonych cechach si gaj c niekiedy do ich skompresowanej reprezentacji, dekoduj c i prezentuj c np. obraz. Nowe standardy kompresji, np. JPEG2000 przewiduj efektywne ł czenie kompresji z indeksowaniem, wyznaczanie cech w dziedzinie przekształconych w kompresji danych, co cz sto daje lepsz selektywno wyszukiwania pozwalaj c porównywa optymalizowane reprezentacje informacji z uwzgl dnieniem ich znaczenia. Praca nad standardem kompresji obrazów JPEG2000 jest przykładem szerszego spojrzenia na zagadnienia kompresji selektywnej w ostatnich latach, bogatszego o uwzgl dnienie wymaga odbiorcy i subiektywnego znaczenia przesyłanych mu danych. Mo liwa jest ingerencja w procedury przetwarzania danych oraz organizacji strumienia wyj ciowego, a przez to wykorzystanie wiedzy wynikłej z do wiadczenia u ytkownika, tradycji, kultury itd. Opracowano zagadnienia interakcyjnej transmisji, rekonstrukcji obrazów z ingerencj odbiorcy w jako i ilo otrzymywanych danych, które staj si realn informacj weryfikowan przez odbiorc (jego cele). Wprowadzono elementy zabezpieczania danych, ochrony własno ci intelektualnych, ukrywania informacji przed postronnymi odbiorcami. W ostatnich miesi cach trwaj intensywne prace nad indeksowaniem obrazów w ramach nowego standardu JPSearch, tworzonego przez członków komitetów JPEG i MPEG jako zintegrowane uzupełnienie standardów JPEG. Realizacja takich zało e nie jest prosta i na obecnym etapie, niedoskonała. Przeprowadzili my szereg testów porównawczych kodera JPEG2000 z realizacj starszego standardu JPEG. Ocena uzyskanych rezultatów nie jest jednoznaczna – zobacz przykład z rys. 3. ę ś ś ś ś ą ś Ŝ ś ć ś ę ą ą ą Ŝ ś ą ś Ŝ ę Ŝ ś ś ę ą ą ą ą ę ą ę ś ś ą ą ś ę ą ą ą ą ę Ŝ ą ą ś ą ć ą ć ę ę ń Ŝ ś ś ą ś ą ć ś ą Ŝ ć ą ę ą ę ś ą Ŝ ą ń ś ą [Rys. 3] O ile w przypadku obrazu testowego Lenna wyra nie lepsza jako rekonstrukcji kompensuje kilkukrotnie wi ksz zło ono obliczeniow kodera JPEG2000, to jednak w przypadku obrazu Frog trudno wskaza lepsz wersj w ocenie subiektywnej. Główn zalet JPEG2000 nie jest wi c jego efektywno , ale wi ksza mo liwo dostosowania do semantycznej warstwy przekazywanej informacji. Zastosowania medyczne wymagaj jeszcze szerszego spojrzenia na zagadnienie kompresji. Nie bez przyczyny nie ma dot d powszechnej zgody rodowisk lekarskich na stosowanie kompresji stratnej w obrazowaniu medycznym. Obawy budzi wiarygodno diagnostyczna rekonstruowanych obrazów oraz sposób ustalenia optymalnych parametrów procesu kompresji. Nie przekonuje wiele prac dowodz cych nawet poprawy jako ci obrazów po kompresji [17,18], nie ma jasnych reguł prawnych [19]. Sformułowanie obiektywnych kryteriów optymalizacji algorytmu kompresji tych obrazów jest nadal spraw otwart , cho jest przedmiotem licznych bada od wielu lat. ź ę ą Ŝ ś ć ć ą ę ś ś ć ą ę ć ą ę Ŝ ś ą ć ą ą ś ś ą ś ą ń ć ą ć 4. Nowe paradygmaty kompresji Ci gle powracaj pytania o natur informacji, skuteczny jej opis ilo ciowy i jako ciowy, metody ekstrakcji, klasyfikacji, indeksowania informacji zmieniaj cej swój charakter, zasi g, no nik, znaczenie. Zmianie ulegaj paradygmaty, czyli wzorce, standardy stosowanych z sukcesem rozwi za . Standardy opracowywane przez kilka lat, w przeci gu kilku nast pnych trac swoj aktualno , u yteczno (np. standard kompresji obrazów JPEG, coraz mniej u yteczny w wielu zastosowaniach). Uzupełnieniem przedstawionych rozwa a s zebrane na podstawie licznych eksperymentów (w tym własnych) w zakresie kompresji danych (w tym obrazowych) stwierdzenia i wskazówki sugeruj ce kierunek doskonalenia obowi zuj cych dzi paradygmatów kompresji ą ą ę ś ś ą ś ę ą ą ą ń ą ą ś ć Ŝ ś ę ć Ŝ Ŝ ń ą ą ą ą ś 4.1. Uniwersalny archiwizer W przypadku odwracalnej kompresji danych istotne okazuj si nast puj ce spostrze enia: • wiat ‘uj ty’ w formie rejestracji okre lonego stanu rzeczywisto ci w danej chwili nie ma charakteru gaussowskiego; znaczy to, e: o dekorelacja danych nie oznacza ich statystycznej niezale no ci, a model ródła bez pami ci staje si mało skuteczny; wynika st d, e wykorzystanie modeli z pami ci w algorytmach kwantyzacji i binarnego kodowania znacz co zwi ksza efektywno opisu ródeł informacji; • obrazy zazwyczaj nie maj charakteru stacjonarnego, ani nawet ergodycznego wi c: o wa n rol odgrywa adaptacyjno algorytmów modelowani ródeł, stosowanie metod segmentacji i lokalnej klasyfikacji, zarówno w skali globalnej (na poziomie obrazów) jak i lokalnej (na poziomie fragmentów obrazów); o wymagane s wiarygodne sposoby szacowania prawdopodobie stw symboli na podstawie niewielkiej statystyki danych, skuteczne metody upraszczania, kwantyzacji, wyboru kontekstów; o inne ni statystyczne metody opisu ródeł informacji okazuj si nieskuteczne (predykcyjne, transformacyjnego kodowania, obiektowe). ą ś ę ę ę ą ś Ŝ ś Ŝ Ŝ ę ę ą ś ź Ŝ ę ą ę ą ś ć ź ą Ŝ ą ę ę ś ć ź ą ń Ŝ ź ą ę Najlepszym rozwi zaniem do celów archiwizacji wydaje si uniwersalny koder danych z mo liwo ci doboru modelu ródła zale nie od charakteru danych. ą Ŝ ś ę ą ź Ŝ 4.2. Elastyczny koder wielu skal Selektywna kompresja informacji rz dzi si innymi prawami. Warto zauwa y , e: ą • ę Ŝ ć Ŝ modelowane obrazy zachowuj cech samopodobie stwa w zmieniaj cej si skali (po rozci gni ciu obrazu do wi kszej dziedziny i przeskalowaniu zachowane zostaj wła ciwo ci statystyczne oryginału), a wi c: o kluczow rol odgrywaj przekształcenia (transformacje) danych ze skalowaniem rozdzielczo ci, zachowuj ce informacj o poło eniu i tre ci cz stotliwo ciowej współczynników poszczególnych skal; o szczególnie wa nym elementem wynikaj cym z rozkładu zale no ci danych w przestrzeni ze skalowaniem rozdzielczo ci jest kodowanie pozycji współczynników transformaty i ich znacze (wzgl dem ustalonej warto ci progowej). ą ą ś ę ę ń ą ę ę ą ś ę ą ę ą ś ą ę Ŝ Ŝ ś ą ę Ŝ ś ś ś ń ę ś Efektywny koder obrazów powinien zapewni nast puj ce cechy reprezentowanej informacji: ć ę ą • hierarchiczno koreluj c z semantycznym znaczeniem kolejnych przybli e ródła informacji (progresja tre ci) zapewniaj ca progresj optymaln w sensie R(D) (tj. od maksymalnego przyrostu informacji na bit transmitowanych danych do minimalnego); selektywno rozkładu informacji w poszczególnych obszarach wielu skal dziedziny z mo liwo ci rekonstrukcji informacji zarówno w pełnej, niezakłóconej wersji (nawet w sensie odwracalnej kompresji danych), jak te odpowiednio wybranej, przybli onej (w mo liwie szerokim zakresie) na poziomie pojedynczych pikseli, obiektowym lub semantycznym;elastyczno pozwalaj c na realizacj porz dku kodowania i dekodowania informacji zale nie od wymaga u ytkownika (interaktywno procesu kompresji/dekompresji). ś ć ą ą Ŝ ś • ś Ŝ ś ą ę ń ź ą ć ą Ŝ Ŝ Ŝ ś ć ą ą ę Ŝ ń ą Ŝ ś ć Trwaj poszukiwania optymalnych przekształce obrazów w wielu skalach. Klasyczne falkowe przekształcenie obrazów zakłada separowane j dro transformacji (sekwencja przekształce 1W po wierszach i kolumnach), co nie pozwala dobrze opisa obiektów w obrazach (wyst puje uwypuklenie informacji w kierunku pionowym i poziomym kosztem innych kierunków). Aproksymacja nieliniowa gładkiej krzywej jest cz sto lepsza w przypadku wykorzystania transformacji wielorozdzielczych z j drem 2W (curvelets), filtrów kierunkowych (contourlets), przekształce geometrycznych po podziale obrazu na bloki o ró nej wielko ci, co daje lokalny opis informacji w ró nej skali (beamlets, wedgelets, bandlets i inne). Zastosowanie oszcz dniejszej, bardziej upakowanej i uporz dkowanej reprezentacji danych w dziedzinie tych przekształce pozwala równie zwi kszy selektywno rozwi za uwzgl dniaj cych znaczenie rozkładów symboli na poszczególnych poziomach tak uzyskanej hierarchii informacji obrazowej. Wykorzystywane s tutaj podstawy teoretyczne kształtowania baz – atomów czas-cz stotliwo dostarczane przez analiz harmoniczn i funkcjonaln . Uzyskane ju rezultaty poprawy efektywno ci w stosunku do JPEG2000 s obiecuj ce [20] i sugeruj kierunek doskonalenia metod kompresji sygnałów w ramach planowanego (przez komitet JPEG) na 2010 rok nowego standardu kompresji – AIC (ang. advanced image coding). ą ń ą ń ć ę ę ą ń Ŝ ś Ŝ ę ą ń ś ć ą ń ę Ŝ ę ć ą ą ę ą ą ą ś ć ę Ŝ ą ś ą 5. Podsumowanie Trudno sobie wyobrazi rozwój nowoczesnej telekomunikacji, telemedycyny, e-biznesu, obieg ró nego typu dokumentów w Internecie, doskonalenie nowoczesnych technologii sieciowych typu grid, skuteczne wyszukiwarki czy globalne bazy danych bez optymalizowanych algorytmów kompresji, oszcz dnych formatów, u ytecznych standardów z wieloaspektow charakterystyk strumieni danych przesyłanych i gromadzonych, sprz towych realizacji kodeków etc. Kompresja danych jako efektywna i uniwersalna koncepcja reprezentowania informacji poparta efektywnymi realizacjami, przedmiot działalno ci naukowej i sztuki in ynierskiej jest obiektem zainteresowa w wielu obszarach zastosowa współczesnych technologii teleinformatycznych. Rozumiana jako poszukiwanie, tworzenie i badanie oszcz dnej, a zarazem funkcjonalnej reprezentacji danych zwi zanych z informacj tak e w sensie znaczeniowym pozwala przyspieszy i wzbogaci przekaz wiadomo ci, zwi kszy niezawodno wymiany informacji pomi dzy nadawc i odbiorc , lepiej archiwizowa posiadane zasoby. W przypadku obrazów szczególnie istotny okazuje si aspekt semantyczny, interpretacyjny, domagaj cy si uwzgl dnienia charakterystyki (profilu) odbiorcy w procesie wyznaczania u ytecznej reprezentacji informacji. Praca nad metodami kompresji danych obrazowych w zakresie okre lania znacze przesyłanych pakietów danych zyskuje przez to ć Ŝ ę ą Ŝ ą ę ś Ŝ ń ń ę ą ć ś ą ć ć ę ą ą ę ą ę ę Ŝ ś ń Ŝ ś ę ć ć wymiar bardziej humanistyczny i słu ebny wobec wielu oczekiwa , zamierze i ogranicze współczesnego człowieka. Zwrócono uwag na wiele otwartych kwestii przede wszystkim w zakresie rozumienia poj cia informacji, sposobów selekcji informacji zale nie od subiektywnych wymaga odbiorcy, charakterystyki percepcyjnych zdolno ci odbiorcy, integracji z rozwi zaniami stosowanymi w indeksowaniu i innych metodach przetwarzania informacji. Nieustaj ce, zintensyfikowane w ostatnich latach prace nad multimedialnymi standardami komitetów JPEG i MPEG stanowi dowód du ego zaanga owania badaczy oraz rosn cych potrzeb i niesłabn cego zainteresowania rynku. Aby im sprosta konieczna jest silniejsza integracja zarówno w obr bie ró nych dyscyplin i specjalno ci technicznych, jak i obszarów wiedzy zwi zanych z zastosowaniem technik informacyjnych. Poniewa dzi coraz cenniejszy staje si czas i selekcja realnej informacji, a ka dy dzie przynosi nowe technologie gromadzenia i przekazu informacji, poszukiwanie optymalnych metod reprezentowania informacji staje si pal c potrzeb chwili. Sugerowane kierunki bada wydaj si by u yteczne. Ŝ ń ń ń ę ę Ŝ ń ś ą ą ą Ŝ Ŝ ą ą ć ę Ŝ ś ą Ŝ ś ę Ŝ ę ń ą ę ć ą ą ń ą Ŝ Referencje: [1] Manuel Castells on the Network Society: http://www.tidec.org/geovisions/Castells.html [2] Brockman J.: The Third Culture: Beyond the Scientific Revolution. Simon & Schuster, 1995. [3] Eriksen T.H.: Tyrania chwili. PIW, 2003. [4] Donoho D.L., Vetterli M., DeVore R.A., Daubechies I.: Data compression and harmonic analysis. Invited paper, IEEE Trans. Inform. Theory, Special Issue, Inform. Theory: 1948-1998 Commemorative Issue, nr 44(6), str. 2435-2476, Oct. 1998. [5] Shannon C.E.: A Mathematical theory of communications. Bell System Technical Journal, nr 27, str. 379-423 i 623-656, 1948. [6] Bar-Hillel Y., Carnap R.: Semantic information. British Journal for the Philosophy of Science, nr 4, str. 47-157, 1953. [7] Kolmogorov A.N, Tikhomiriv V.M: -entropy and -capacity. Uspekhi Mat. Nauk, nr 14, str. 3-86 (tłum. ang. Amer. Math. Soc. Transl., Ser 2 Vol 17, str 277-364, 1959. [8] Moffat A.: Implementing the PPM data compression scheme'. IEEE Trans Comm COM-38, nr 11, str 1917-1921, 1990. [9] Willems F.M., Shtarkov Y.M., Tjalkens T.J.: The context-tree weighting method: basic properties. IEEE Trans. Information Theory, IT-41, str 653-664, 1995. [10] Lossless data compression software benchmarks/comparisons: http://www.maximumcompression.com/ [11] SPMG/ JPEG-LS V.2.2 codec, ftp://spmg.ece.ubc.ca/pub/jpeg-ls/ver-2.2/, Signal Processing & Multimedia Group at the University of British Columbia, USA. [12] http://www.cl.cam.ac.uk/~mgk25/jbigkit/ [13] X. Wu, CALIC codec, ftp://ftp.csd.uwo.ca/pub/from_wu/v.arith/ [14] Przelaskowski A.: Binarny koder obrazów ze skal szaro ci. Prace Naukowe Instytutu Telekomunikacji i Akustyki Politechniki Wrocławskiej, nr 85, seria: Konferencje, nr 29, X Sympozjum Nowo ci w Technice Audio i Wideo, str. 243-252, Wrocław, 2004. [15] http://www.msoftware.co.nz/downloads_page.php [16] W. Skarbek: Podstawy multimediów. Podr cznik elektroniczny dla studiów zaocznych OKNO, Politechnika Warszawska, 2004. [17] Chang S.G., Yu B., Vetterli M.: Adaptive wavelet thresholding for image denoising and compression. IEEE Trans Image Proces. nr 9, str1532-1546, 2000. [18] Sarty G.E., Atkins M.S., Pierson R.A.: Sharper MRI of ovarian and uterine masses via waveletbased compression. 20th Annual Canadian Western Society for Reproductive Biology Workshop, 1998. [19] Brownrigg P., Bak P.R.G.: What is the legal risk in using irreversible compression on diagnostic images in medical management? - a legal assessment and review of the regulatory framework in the USA and Canada. SCAR 2005 Annual Meeting, Orlando, USA. ε ε ą ś ę ś [20] Wakin M., Romberg J., Choi H., Baraniuk R.: Wavelet-domain approximation and compression of piecewise smooth images. To appear in IEEE Tran Image Proc, 2005. Ś w i a t w r z e c z i s t y y ΣO ΣN R( min( H S ) ) N Ś w i a w r ΣN N ę ś ą Ŝ ę ń ś e c z y t i s t y ΣO R( Σ N (W ) − Σ O (W ), min( H S ) ) Rys. 1. Zró nicowanie poj cia przesyłanej minimalizowanej entropii przesyłanej od zgodnych warto ciach semantycznych semantyczn ; b) reprezentacja informacji jedynie ró nic znacze u nadawcy i przesyłanej wiadomo ci W. Ŝ z O O informacji: a) reprezentacja danych R ródła S o nadawcy N do odbiorcy O przy z zało enia Σ N (W ) ≅ Σ O (W ) , gdzie Σ ⋅ (⋅) jest funkcj o minimalizowanej entropii ródła opisuj cego odbiorcy Σ N (W ) − Σ O (W ) w odniesieniu do ź Ŝ ą ź ą 7,000 6,000 ś rednia bitowa 5,000 4,000 3,000 2,000 1,000 JPEG-LS JP2000 JBIG CALIC BKO WinRK ae ria l2 ba rb 1 ba rb 2 bo at ca fe el ai ne fro g go l go d ld hi ll le m na an dr ill m m ou at nt pe ai n pp er s w at e w om r an ze ld a fin g s e er ism ic tx tu r1 tx t w ur2 as hs a sm t pt e ta rg et b cm ike pn d1 ho te lib l ra r te y st 8g 0,000 obrazy testowe ś Rys. 2. Porównanie efektywno ci bezstratnych koderów obrazów. Wykorzystano 29 obrazów testowych w 8 bitowej skali szaro ci (z prac standaryzacyjnych komitetu JPEG), o nazwach jak na rysunku. Warto ci rednich bitowych zbioru wszystkich obrazów testowych dla poszczególnych koderów wynosz odpowiednio: 4,55 bnp (JPEG_LS [11]), 4,60 bnp (JPEG2000 VM8.6), 4,75 bnp (JBIG [12]), 4,35 bnp (CALIC [13]), 4,36 (BKO [14]) oraz 4,1 bnp (WinRK v. 2.1.6 [15]). Skrót bnp oznacza ‘bitów na piksel’. ś ś ś ą JPEG2000 JPEG a) b) ś Rys. 3. Porównanie efektywno ci selektywnej kompresji obrazów według standardów JPEG i JPEG2000: a) obraz testowy Lenna odtworzony po kompresji w stopniu 50:1 (JPEG daje warto PSNR równ 28,18 dB, a dla JPEG2000 PSNR=30,5 dB); b) obraz testowy Frog zrekonstruowany po kompresji w stopniu 30:1 (JPEG daje PSNR=24,8 dB, a JPEG2000 – PSNR=25,46 dB). W ocenie subiektywnej trudno wskaza wersj Frog o lepszej jako ci. ś ć ą ś ć ę