Method of structural-block coding of tuple transformant video images

We współczesnym świecie jakość usług związanych z przekazem obrazu ma duże znaczenie. Największe trudności pojawiają się w przypadku świadczenia usług zdalnych z wykorzystaniem bezprzewodowych systemów informacyjno-komunikacyjnych (ICS). Dotyczy to nierównowagi między intensywnością strumienia wideo a prędkością transmisji danych w ICS. Wyeliminowanie tej nierównowagi jest możliwe dzięki zastosowaniu metod kompresji. Jednak kompresja objętości bitowej danych wideo wiąże się z utratą integralności. Stąd też istotnym problemem naukowym i praktycznym jest dalsze udoskonalanie metod kodowania opartych na eliminacji różnych rodzajów nadmiarowości. Jednocześnie większość metod charakteryzuje się osiąganiem pożądanego poziomu kompresji poprzez wprowadzanie zniekształceń. Wymaga to opracowania kierunku kompresji opartego na kontrolowanej eliminacji różnych rodzajów nadmiarowości. W związku z tym, aby stworzyć warunki do zwiększenia możliwości wykrywania charakterystycznych zależności, wykorzystuje się aparaturę technologiczną przekształcającą segmenty wideo do przestrzeni spektralnej. W związku z tym celem badawczym niniejszego artykułu jest opracowanie metod kompresji opartych na kontrolowanym zmniejszeniu liczby różnych rodzajów nadmiarowości w przestrzeni spektralnej. W artykule nakreślono główne etapy opracowywania metody strukturalnego kodowania blokowego krotek transformacji. Aby zwiększyć stopień kompresji bez utraty integralności, proponuje się zidentyfikowanie charakterystycznych zależności strukturalnych dla zbioru transformacji. Zbiory takie dzieli się na krotki zgodnie z danymi parametrycznymi cech strukturalnych i spektralnych transformacji. Ponadto taka przestrzeń będzie określana jako spektralny i parametryczny opis transformacji (SPOT). Ocena porównawcza metod kompresji przeprowadzana jest zgodnie z systemem wskaźników: poziom kompresji – poziom integralności. W takich warunkach przewaga opracowanej metody nad podstawowymi odpowiednikami pod względem poziomu kompresji wynosi od 12 do 19%.

Słowa kluczowe:

dane wideo, systemy informacyjne, kompresja, klasteryzacja, przekształcanie segmentów wideo, strukturalne kodowanie blokowe, redundancja

Bibliografia

[1] Aouladhadj, D., Kpre, E., Deniau, V., Kharchouf, A., Gransart, C., & Gaquière, C. (2023). Drone Detection and Tracking Using RF Identification Signals. Sensors, 23(17), 7650. https://doi.org/10.3390/s23177650

[2] 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

[3] Barannik, V., Barannik, D., Fustii, V., & Parkhomenko, M. (2019). Evaluation of Effectiveness of Masking Methods of Aerial Photographs. 2019 3rd International Conference on Advanced Information and Communications Technologies (AICT), 415–418. https://doi.org/10.1109/AIACT.2019.8847820

[4] 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

[5] Bondžulić, B., Stojanović, N., Petrović, V., Pavlović, B., & Miličević, Z. (2021). Efficient Prediction of the First Just Noticeable Difference Point for JPEG Compressed Images. Acta Polytechnica Hungarica, 18(8), 201–220. https://doi.org/10.12700/APH.18.8.2021.8.11

[6] Bross, B., Wang, Y.-K., Ye, Y., Liu, S., Chen, J., Sullivan, G. J., & Ohm, J.-R. (2021). Overview of the Versatile Video Coding (VVC) Standard and its Applications. IEEE Transactions on Circuits and Systems for Video Technology, 31(10), 3736–3764. https://doi.org/10.1109/TCSVT.2021.3101953

[7] Chen, T., Liu, H., Ma, Z., Shen, Q., Cao, X., & Wang, Y. (2021). End-to-End Learnt Image Compression via Non-Local Attention Optimization and Improved Context Modeling. IEEE Transactions on Image Processing, 30, 3179–3191. https://doi.org/10.1109/TIP.2021.3058615

[8] 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

[9] Duda, J. (2013). Asymmetric numeral systems: Entropy coding combining speed of Huffman coding with compression rate of arithmetic coding (Version 2). arXiv. https://doi.org/10.48550/ARXIV.1311.2540

[10] Fu, C.-M., Alshina, E., Alshin, A., Huang, Y.-W., Chen, C.-Y., Tsai, C.-Y., Hsu, C.-W., Lei, S.-M., Park, J.-H., & Han, W.-J. (2012). Sample Adaptive Offset in the HEVC Standard. IEEE Transactions on Circuits and Systems for Video Technology, 22(12), 1755–1764. https://doi.org/10.1109/TCSVT.2012.2221529

[11] 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

[12] Helin, H., Tolonen, T., Ylinen, O., Tolonen, P., Napankangas, J., & Isola, J. (2018). Optimized JPEG 2000 Compression for Efficient Storage of Histopathological Whole-Slide Images. Journal of Pathology Informatics, 9(1), 20. https://doi.org/10.4103/jpi.jpi_69_17

[13] 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

[14] 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

[15] Landu, R. S. (2022). Image Compression Using AI: Brief Insights into Deep Learning Techniques and AI Frameworks. International Journal of Engineering, Science, Technology and Innovation (IJESTI), 2(1), 1–6.

[16] Li, C., Li, L., Jiang, H., Weng, K., Geng, Y., Li, L., Ke, Z., Li, Q., Cheng, M., Nie, W., Li, Y., Zhang, B., Liang, Y., Zhou, L., Xu, X., Chu, X., Wei, X., & Wei, X. (2022). YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications (arXiv:2209.02976). arXiv. https://doi.org/10.48550/arXiv.2209.02976

[17] Li, C., Lu, G., Feng, D., Wu, H., Zhang, Z., Liu, X., Zhai, G., Lin, W., & Zhang, W. (2024). MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model (arXiv:2402.16749). arXiv. https://doi.org/10.48550/arXiv.2402.16749

[18] Li, F., & Lukin, V. (2023). Providing a Desired Compression Ratio for Better Portable Graphics Encoder of Color Images: Design and Analysis. In A. J. Tallón-Ballesteros & P. Santana-Morales (Eds), Frontiers in Artificial Intelligence and Applications. IOS Press. https://doi.org/10.3233/FAIA230063

[19] 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 2023). https://openreview.net/pdf?id=FxRfAIj4s2

[20] Liu, J., Sun, H., & Katto, J. (2023). Learned Image Compression with Mixed Transformer-CNN Architectures. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 14388–14397. https://doi.org/10.1109/CVPR52729.2023.01383

[21] Lu, M., Guo, P., Shi, H., Cao, C., & Ma, Z. (2022). Transformer-based Image Compression. 2022 Data Compression Conference (DCC), 469–469. https://doi.org/10.1109/DCC52660.2022.00080

[22] 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

[23] Ponomarenko, N., Jin, L., Ieremeiev, O., Lukin, V., Egiazarian, K., Astola, J., Vozel, B., Chehdi, K., Carli, M., Battisti, F., & Jay Kuo, C.-C. (2015). Image database TID2013: Peculiarities, results and perspectives. Signal Processing: Image Communication, 30, 57–77. https://doi.org/10.1016/j.image.2014.10.009

[24] Pratt, W. K. (2013). Introduction to Digital Image Processing (0 edn). CRC Press. https://doi.org/10.1201/b15731

[25] 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

[26] 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

[27] Tang, Y., Xiang, T., Yang, Y., & Shu, Z. (2020). JPEG-XR-GCP: Promoting JPEG-XR Compression by Gradient-Based Coefficient Prediction. 2020 12th International Conference on Advanced Computational Intelligence (ICACI), 51–58. https://doi.org/10.1109/ICACI49185.2020.9177623

[28] 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

[29] Umbaugh, S. E. (2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition: Applications with MATLAB® and CVIPtools, Third Edition. CRC Press. https://doi.org/10.1201/9781351228374

[30] Xu, J., Feng Wu, Jie Liang, & Wenjun Zhang. (2010). Directional Lapped Transforms for Image Coding. IEEE Transactions on Image Processing, 19(1), 85–97. https://doi.org/10.1109/TIP.2009.2032344

Metoda strukturalnego kodowania blokowego krotek transformacji obrazów wideo. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(2), 91-101. https://doi.org/10.35784/iapgos.7788

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

Numer Tom 16 Nr 2 (2026)

Archiwum

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

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

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

Licencja