Установить избыточное сжатие
В информатике и теории информации сжатие избыточности набора — это методы сжатия данных , в которых используется избыточность между отдельными группами данных набора, обычно набора похожих изображений.Широко используется на медицинских и спутниковых изображениях. [1] [2] [3] [4] Основными методами являются дифференциал min-max , прогнозирующий min-max и метод центроида .
Методы
[ редактировать ]Мин-макс дифференциал
[ редактировать ]В дифференциале мин-макс (или ММД ) для каждой позиции (пикселя) выбирается самая высокая или самая низкая. И тогда в каждом изображении сохраняется разница каждой их позиции относительно ранее выбранного значения.
Ссылки
[ редактировать ]- ^ Карадимитриу, Космас (август 1996 г.), Избыточность наборов, расширенная модель сжатия и методы сжатия наборов похожих изображений , CiteSeerX 10.1.1.35.7146 .
Эта статистическая корреляция между похожими изображениями является результатом избыточности между изображениями. В этом исследовании термин «избыточность набора» вводится для описания этого типа избыточной информации и определяется следующим образом: Определение: избыточность набора — это избыточность между изображениями, которая существует в наборе похожих изображений и относится к общей информация содержится более чем в одном изображении в наборе. Набор избыточности можно использовать для улучшения сжатия. Ограничение на сжатие накладывается энтропией изображения. В следующем разделе показано, как можно использовать избыточность наборов для уменьшения средней энтропии изображений в наборе похожих изображений.
доктор философии диссертация, факультет компьютерных наук, Университет штата Луизиана, Батон-Руж, Луизиана, США - ^ Айт-Аудиа, Сами; Габис, Абдельхалим (27 февраля 2005 г.), «Сравнение методов сжатия избыточности наборов» (PDF) , Журнал EURASIP по прикладной обработке сигналов , 2006 г .: 092734, Bibcode : 2006EJASP2006..234A , doi : 10.1155/ASP/2006/ 92734 , получено 28 сентября 2012 г. ,
Медицинские приложения для обработки изображений создают огромное количество похожих изображений. Для хранения такого объема данных требуется гигантское дисковое пространство. Таким образом, необходима технология сжатия для уменьшения занимаемого места. Кроме того, медицинские изображения должны храниться без потери информации, поскольку точность изображений имеет решающее значение для диагностики. Для этого требуются сжатия без потерь методы . Сжатие без потерь — это сжатие без ошибок. Распакованное изображение такое же, как исходное изображение. Классические методы сжатия изображений (см. [1–5]) сосредоточены на том, как уменьшить избыточность, присутствующую в отдельном изображении. В этих методах сжатия используется та же модель сжатия, что и на рисунке 1. Эта модель игнорирует дополнительный тип избыточности, существующий в наборах похожих изображений, — «множественную избыточность». Термин «избыточность набора» был впервые введен Карадимитриу [6] и определен следующим образом: «Избыточность набора — это промежуточная избыточность изображения, которая существует в наборе похожих изображений и относится к общей информации, обнаруженной более чем в одном изображении. в наборе.
- ^ Айт-Аудиа, Сами; Габис, Абдельхалим; Наими, Амина, Сжатие наборов похожих изображений (PDF) .
Приложения, использующие эти типы данных, создают большое количество похожих изображений. Таким образом, метод сжатия полезен для сокращения времени передачи и объема памяти. В таких критически важных приложениях необходимы методы сжатия без потерь. Методы Set Redundancy Compression (SRC) используют избыточность промежуточных изображений и достигают лучших результатов, чем методы сжатия отдельных изображений, когда они применяются к наборам похожих изображений.
- ^ Карадимитриу, Космас; Тайлер, Джон М. (1998), «Метод Centroid для сжатия наборов похожих изображений», Pattern Recognition Letters , 19 (7): 585–593, Bibcode : 1998PaReL..19..585K , CiteSeerX 10.1.1.39.3248 , doi : 10.1016/S0167-8655(98)00033-6 ,
Карадимитриу (1996) предложил модель расширенного сжатия как более подходящую модель для сжатия наборов похожих изображений. […] Методы, позволяющие уменьшить избыточность набора, называются методами SRC (сжатие избыточности набора). Двумя методами SRC являются дифференциальный метод Min-Max (Карадимитриу и Тайлер, 1996) и метод прогнозирования Min-Max (Карадимитриу и Тайлер, 1997).[…] Одной из лучших областей применения методов SRC является медицинская визуализация. Базы данных медицинских изображений обычно хранят похожие изображения; следовательно, они содержат большое количество избыточных наборов.