Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/15433
Título: Compressão auto-adaptativa de imagens coloridas
Autor(es): Souza, Gustavo Fontoura de
Palavras-chave: Processamento de Imagens;Compressão Auto-Adaptativa;Imagens Coloridas;Análise de Componentes Principais;Image Processing;Self-Adaptive Compression;Color Images;Principal Component Analysis
Data do documento: 21-Jan-2005
Editor: Universidade Federal do Rio Grande do Norte
Citação: SOUZA, Gustavo Fontoura de. Compressão auto-adaptativa de imagens coloridas. 2005. 75 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2005.
Resumo: Image compress consists in represent by small amount of data, without loss a visual quality. Data compression is important when large images are used, for example satellite image. Full color digital images typically use 24 bits to specify the color of each pixel of the Images with 8 bits for each of the primary components, red, green and blue (RGB). Compress an image with three or more bands (multispectral) is fundamental to reduce the transmission time, process time and record time. Because many applications need images, that compression image data is important: medical image, satellite image, sensor etc. In this work a new compression color images method is proposed. This method is based in measure of information of each band. This technique is called by Self-Adaptive Compression (S.A.C.) and each band of image is compressed with a different threshold, for preserve information with better result. SAC do a large compression in large redundancy bands, that is, lower information and soft compression to bands with bigger amount of information. Two image transforms are used in this technique: Discrete Cosine Transform (DCT) and Principal Component Analysis (PCA). Primary step is convert data to new bands without relationship, with PCA. Later Apply DCT in each band. Data Loss is doing when a threshold discarding any coefficients. This threshold is calculated with two elements: PCA result and a parameter user. Parameters user define a compression tax. The system produce three different thresholds, one to each band of image, that is proportional of amount information. For image reconstruction is realized DCT and PCA inverse. SAC was compared with JPEG (Joint Photographic Experts Group) standard and YIQ compression and better results are obtain, in MSE (Mean Square Root). Tests shown that SAC has better quality in hard compressions. With two advantages: (a) like is adaptive is sensible to image type, that is, presents good results to divers images kinds (synthetic, landscapes, people etc., and, (b) it need only one parameters user, that is, just letter human intervention is required
metadata.dc.description.resumo: Comprimir uma imagem consiste, basicamente, em representá-la através de uma menor quantidade de dados, sem para tanto comprometer a qualidade da imagem. A grande importância da compressão de dados fica evidente quando se utiliza quantidade muito grande de informações e espaços pequenos para armazenamento. Com esse objetivo é que se apresenta esse trabalho no qual desenvolveu-se um método para a compressão de imagens coloridas e multiespectrais baseado na quantidade de informação contida em cada banda ou planos da imagem. Este método foi chamado de Compressão Auto-Adaptativa (C.A.A.), no qual cada banda da imagem é comprimida com uma taxa de compressão diferente, buscando um melhor resultado de forma a manter a maior parte da informação. A técnica baseia-se na compressão com maior taxa para a banda com maior redundância, ou seja, menor quantidade de informação e com taxas mais amenas às bandas com informação mais significativa. O CAA utiliza duas transformadas de imagens como elementos ativos da compressão. A Transformada Cosseno Discreta (DCT) e a Análise de Componentes Principais (PCA). A Imagem original (sem compressão) é processada pelo sistema CAA no espaço RGB, sob o qual é aplicado a transformada PCA, que leva a imagem para um novo espaço (ou planos de dados), no qual as informações estão descorrelacionadas. Neste espaço gerado pela PCA, realiza-se a DCT em cada um dos planos individualmente, e, através de um limiar calculado em função do resultado da PCA e de um parâmetro de compressão fornecido pelo usuário, é que alguns elementos da matriz gerada pela DCT são descartados. Por fim realiza-se, respectivamente, a DCT e PCA inversas, reconstruindo assim uma aproximação da imagem. Quando comparada com a compressão realizada pela tradicional JPEG (Joint Photographic Experts Group), a CAA apresenta, em média, resultados cerca de 10 % melhores no que diz respeito a MSE (Mean Square Root), com duas grandes vantagens, por ser adaptativa, é sensível ao tipo de imagem, ou seja, apresenta bons resultados em diversos tipos de imagens (sintética, paisagens, pessoas, e etc.), e, necessita apenas um parâmetro de compressão determinado pelo usuário
URI: http://repositorio.ufrn.br:8080/jspui/handle/123456789/15433
Aparece nas coleções:PPGEE - Mestrado em Engenharia Elétrica e de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
GustavoFS.pdf1,33 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.