Positional coding method in differential wave space

Badanie dotyczy rozwoju inteligentnych usług w zakresie transmisji obrazów w podczerwieni (IR), ze szczególnym uwzględnieniem generowania i wykorzystania metadanych semantycznych, które odzwierciedlają informacyjność i strukturę przestrzenną obszarów obrazu. Metadane takie ułatwiają klasyfikację typów i stanów obiektów oraz wspierają wybór fragmentów zawierających informacje w ramach klatek IR. Funkcje te są szczególnie istotne w zastosowaniach związanych z bezzałogowymi systemami pokładowymi, gdzie zadania takie jak dynamiczne śledzenie obiektów i autonomiczna nawigacja nakładają surowe wymagania dotyczące aktualności i wierności danych wizualnych. Wraz ze wzrostem złożoności scenariuszy operacyjnych, wymagania dotyczące wysokiej kompletności informacji – takie jak wyższa częstotliwość klatek, lepsza rozdzielczość i mniejsze zniekształcenia – stanowią znaczne obciążenie dla podsystemów infokomunikacyjnych. Powoduje to fundamentalny konflikt między potrzebą transmisji o niskim opóźnieniu a zachowaniem integralności strukturalnej danych IR. Aby rozwiązać ten problem, w artykule sformułowano nowy cel naukowy i praktyczny: poprawa jakości inteligentnych usług opartych na IR poprzez zaprojektowanie metody kodowania pozycyjnego w przestrzeni fal różnicowych. Proponowana metoda działa poprzez hierarchiczną segmentację obrazów IR w celu zlokalizowania obszarów o jednorodnej strukturze, zastosowanie transformacji fal różnicowych w celu uchwycenia lokalnej dynamiki kontrastu oraz kodowanie informacji o położeniu względem zmian w dziedzinie falowej. Ta reprezentacja położenia umożliwia spektralno-różnicowe kodowanie grupowe, które skutecznie zmniejsza objętość bitową przy zachowaniu cech semantycznych przestrzeni. Ocena eksperymentalna z wykorzystaniem zestawu Open Turbulent Image Set (OTIS) – składającego się z obrazów IR zakodowanych w formacie PNG o różnym poziomie informacyjności – wykazała średnią redukcję objętości bitów o około 37%. Analiza porównawcza z kodowaniem JPEG2000 obrazów 16-bitowych wykazała 25% wzrost współczynnika kompresji przy zachowaniu równoważnych wartości PSNR.

Słowa kluczowe:

szybkość dostarczania obrazów w podczerwieni, dziedzina fal spektralnych, redukcja objętości bitów, kodowanie grup spektralnych, integralność ram semantycznych, segmentacja ram

Bibliografia

[1] Barannik, D., & Barannik, V. (2022). Steganographic Coding Technology for Hiding Information in Infocommunication Systems of Critical Infrastructure. 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), 88–91. https://doi.org/10.1109/ATIT58178.2022.10024185

[2] Barannik, V., Shulgin, S., Barannik, N., & Barannik, V. (2022). Method of Coding Subbands of Non-Homogeneous Spectrum of Video Segments in Uneven Diagonal Space. 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), 72–75. https://doi.org/10.1109/ATIT58178.2022.10024236

[3] Barannik, V., Sidchenko, S., Barannik, N., & Khimenko, A. (2021). The method of masking overhead compaction in video compression

systems. Radioelectronic and Computer Systems, (2), 51–63. https://doi.org/10.32620/reks.2021.2.05

[4] Descampe, A., Richter, T., Ebrahimi, T., Foessel, S., Keinert, J., Bruylants, T., Pellegrin, P., Buysschaert, C., & Rouvroy, G. (2021). JPEG XS – A New Standard for Visually Lossless Low-Latency Lightweight Image Coding. Proceedings of the IEEE, 109(9), 1559–1577. https://doi.org/10.1109/JPROC.2021.3080916

[5] Dua, Y., Kumar, V., & Singh, R. S. (2020). Comprehensive review of hyperspectral image compression algorithms. Optical Engineering, 59(09). https://doi.org/10.1117/1.OE.59.9.090902

[6] Fauziah, Lantana, D. A., Nurhayati, Sholihati, I. D., Komala Sari, R. T., & Hendrik, B. (2023). An Extensive Analysis of Digital Image Compression Techniques Using Different Image Files and Color Formats. International Journal on Advanced Science, Engineering and Information Technology, 13(5), 1971–1977. https://doi.org/10.18517/ijaseit.13.5.19319

[7] Hazowary, P., Dutta, S. K., & Subadar, R. (2022). A Comparison of Image Compression Techniques Over Wireless Fading Channel. In H. K. D. Sarma, V. E. Balas, B. Bhuyan, & N. Dutta (Eds), Contemporary Issues in Communication, Cloud and Big Data Analytics (Vol. 281, pp. 241–249). Springer Singapore. https://doi.org/10.1007/978-981-16-4244-9_19

[8] Hu, Y., Yang, W., Ma, Z., & Liu, J. (2021). Learning End-to-End Lossy Image Compression: A Benchmark. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1–1. https://doi.org/10.1109/TPAMI.2021.3065339

[9] Hua, K.-L., Trang, H. T., Srinivasan, K., Chen, Y.-Y., Chen, C.-H., Sharma, V., & Zomaya, A. Y. (2019). Reduction of Artefacts in JPEG-XR Compressed Images. Sensors, 19(5), 1214. https://doi.org/10.3390/s19051214

[10] Iwahashi, M., & Kiy, H. (2013). Non Separable Two Dimensional Discrete Wavelet Transform for Image Signals. In Dr. A. Al-Asmari (Ed.), Discrete Wavelet Transforms – A Compendium of New Approaches and Recent Applications. InTech. https://doi.org/10.5772/51199

[11] Jamil, S. (2024). Review of Image Quality Assessment Methods for Compressed Images. Journal of Imaging, 10(5), 113. https://doi.org/10.3390/jimaging10050113

[12] Lee, S., Jeong, J.-B., & Ryu, E.-S. (2023). Entropy-Constrained Implicit Neural Representations for Deep Image Compression. IEEE Signal Processing Letters, 30, 663–667. https://doi.org/10.1109/LSP.2023.3279780

[13] Lieberman, K., Diffenderfer, J., Godfrey, C., & Kailkhura, B. (2023). Neural Image Compression: Generalization, Robustness, and Spectral Biases. 37th Conference on Neural Information Processing Systems (NeurIPS), 8343. https://openreview.net/forum?id=FxRfAIj4s2

[14] Lungisani, B. A., Lebekwe, C. K., Zungeru, A. M., & Yahya, A. (2022). Image Compression Techniques in Wireless Sensor Networks: A Survey and Comparison. IEEE Access, 10, 82511–82530. https://doi.org/10.1109/ACCESS.2022.3195891

[15] Ma, H., Liu, D., Yan, N., Li, H., & Wu, F. (2022). End-to-End Optimized Versatile Image Compression With Wavelet-Like Transform. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(3), 1247–1263. https://doi.org/10.1109/TPAMI.2020.3026003

[16] Mishra, D., Singh, S. K., & Singh, R. K. (2021). Wavelet-Based Deep Auto Encoder-Decoder (WDAED)-Based Image Compression. IEEE Transactions on Circuits and Systems for Video Technology, 31(4), 1452–1462. https://doi.org/10.1109/TCSVT.2020.3010627

[17] Rahman, Md. A., Hamada, M., & Shin, J. (2021). The Impact of State-of-the-Art Techniques for Lossless Still Image Compression. Electronics, 10(3), 360. https://doi.org/10.3390/electronics10030360

[18] Ranjan, R., & Kumar, P. (2023). An Improved Image Compression Algorithm Using 2D DWT and PCA with Canonical Huffman Encoding. Entropy, 25(10), 1382. https://doi.org/10.3390/e25101382

[19] Rasheed, M. H., Salih, O. M., Siddeq, M. M., & Rodrigues, M. A. (2020). Image compression based on 2D Discrete Fourier Transform and matrix minimization algorithm. Array, 6, 100024. https://doi.org/10.1016/j.array.2020.100024

[20] Richter, T., Fobel, S., Descampe, A., & Rouvroy, G. (2021). Bayer CFA Pattern Compression With JPEG XS. IEEE Transactions on Image Processing, 30, 6557–6569. https://doi.org/10.1109/TIP.2021.3095421

[21] Shihab, H. S. (2023). Image Compression Techniques on-Board Small Satellites. Iraqi Journal of Science, 1518–1534. https://doi.org/10.24996/ijs.2023.64.3.40

[22] Siddeq, M. M., & Rodrigues, M. A. (2020). A Novel Method for Image and Video Compression Based on Two-Level DCT with Hexadata Coding. Sensing and Imaging, 21(1), 36. https://doi.org/10.1007/s11220-020-00302-6

[23] Thomas, S., Krishna, A., Govind, S., & Sahu, A. K. (2025). A novel image compression method using wavelet coefficients and Huffman coding. Journal of Engineering Research, 13(1), 361–370. https://doi.org/10.1016/j.jer.2023.08.015

[24] Ungureanu, V.-I., Negirla, P., & Korodi, A. (2024). Image-Compression Techniques: Classical and “Region-of-Interest-Based” Approaches Presented in Recent Papers. Sensors, 24(3), 791. https://doi.org/10.3390/s24030791

[25] Uthayakumar, J., Elhoseny, M., & Shankar, K. (2020). Highly Reliable and Low-Complexity Image Compression Scheme Using Neighborhood Correlation Sequence Algorithm in WSN. IEEE Transactions on Reliability, 69(4), 1398–1423. https://doi.org/10.1109/TR.2020.2972567

[26] Valente, J., António, J., Mora, C., & Jardim, S. (2023). Developments in Image Processing Using Deep Learning and Reinforcement Learning. Journal of Imaging, 9(10), 207. https://doi.org/10.3390/jimaging9100207

[27] Yousif, R. I., & Salman, N. H. (2021a). Image Compression Based on Arithmetic Coding Algorithm. Iraqi Journal of Science, 329–334. https://doi.org/10.24996/ijs.2021.62.1.31

Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(1), 138-146. https://doi.org/10.35784/iapgos.7776

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 16 Nr 1 (2026)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja