WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


На правах рукописи

Филиппов Тимур Константинович

СЖАТИЕ ЦИФРОВЫХ ДАННЫХ ПРИ ПОМОЩИ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ И ФРАКТАЛЬНОГО КОДИРОВАНИЯ ИНФОРМАЦИИ

Специальность 05.13.01 – Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

Сургут – 2012

Работа выполнена в государственном бюджетном образовательном учреждении высшего профессионального образования «Сургутский государственный университет Ханты-Мансийского автономного округа – Югры».

Научный консультант: доктор физико-математических наук, Профессор Галкин Валерий Алексеевич

Официальные оппоненты: доктор технических наук, профессор Инютин Сергей Арнольдович доктор технических наук, профессор Камаев Дмитрий Альфредович

Ведущая организация: ООО «Газпром трансгаз Сургут»

Защита состоится 15 декабря 2012 г. в 14.00 часов на заседании диссертационного совета Д 800.005.06 при ГБОУ ВПО «Сургутский государственный университет ХМАО - Югры» по адресу: 628412, Тюменская обл., ХМАО – Югра, проспект Ленина, 1.

С диссертацией можно ознакомиться в библиотеке ГБОУ ВПО «Сургутский государственный университет ХМАО – Югры».

Автореферат разослан 14 ноября 2012 г.

Ученый секретарь диссертационного совета, к.т.н., доцент В.С.Микшина

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Современное поле сжатия информации весьма обширно, оно включает в себя огромное количество различных методов компрессии всевозможных типов данных: текстов, изображений, видео и звука. Среди этого многообразия методов особое место занимает сжатие изображений, так как, во-первых, это первая область, где пользователь имеет дело с большим числом файлов, которые необходимо эффективно сжимать, а во-вторых, здесь впервые встречается сжатие с частичной потерей информации.

Применение сжатия изображений с потерями показало возможность последующей работы с данными, несмотря на появившиеся артефакты (заметные искажения изображения, вызванные сжатием с потерями) в ходе экспериментов.

Для достижения более существенного сжатия изображений используется специфика не только источника информации (изображения), но и приемника (анализатора). В качестве анализатора изображений чаще всего рассматривается зрительная система человека. Анализ работы зрительной системы человека при восприятии изображений позволил сделать вывод о том, что определенного вида искажения исходного сигнала (изображения) визуально не обнаруживаются, при этом визуальное качество результирующего (искаженного) изображения оценивается идентичным исходному качеству кодируемого изображения, и становится возможным последующая работа с выходным изображением.

Разработка новых методов сжатия «с потерями» информации в результате учета специфики восприятия искажений, позволит существенно (на порядки) увеличить реализуемые коэффициенты сжатия, при сохранении или некотором допустимом ухудшении визуально воспринимаемого качества.

Таким образом, актуальность диссертации определяется необходимостью улучшения коэффициентов сжатия данных как при работе с изображениями, так и в случае со сжатием массивов цифровых данных.

Целью настоящей работы является разработка и исследование новых методов сжатия цифровых данных на основе вейвлет и фрактального кодирования данных.

Научная новизна и практическая значимость работы:

• Проведен сравнительный анализ эффективности современных методов сжатия графических изображений;

• Разработанный программный комплекс обработки цифровых изображений можно использовать при сжатии, хранении и последующей работе с информацией в техническом анализе экономических данных;

• Впервые применен метод вейвлет-преобразования при сжатии вещественных данных;

• Разработанный программный продукт WaveRar, предназначенный для сжатия массивов выходных данных программного комплекса «TROPICS» может быть применен для компрессии данных большого объема;

Результаты и положения, выносимые на защиту:

• Предложен новый алгоритм сжатия цифровых данных с потерями;

• Разработан программный комплекс для компрессии изображений с предварительной обработкой данных на основе вейвлетпреобразований и фрактального кодирования;

• Разработан и зарегистрирован программный продукт (Реестр программ для ЭВМ номер №2012614819) для оптимальной компрессии данных большого объема;

Апробация работы: По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано научных работ.

Таким образом, диссертационная работа, посвященная эффективному применению современных методов обработки информации, соответствует научной проблематике и является актуальной.

Структура и объем диссертации. Диссертация изложена на 106 страницах и состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа иллюстрирована 97 рисунками и 3 таблицами. Библиографический указатель включает 68 отечественных и зарубежных источников.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулирована цель исследований, показаны научная новизна и практическая значимость полученных результатов, приведены сведения об апробации работы.

В первой главе представлен обзор современных алгоритмов сжатия изображений.

Приводится общий критериальный анализ методов сжатия, из которого следуют выводы о необходимости развития двух основных направлений методов сжатия данных: сжатие без потерь и сжатие, допускающее потери информации.

Основным требованием к любому методу сжатия данных является его высокая эффективность. Однако при оценке эффективности следует учитывать то, что показатель качества метода сжатия является в общем случае векторным, т.е. при оценке качества работы алгоритма сжатия выдвигается ряд критериев, основными из которых являются:

1) коэффициент сжатия;

2) скорость работы алгоритма сжатия;

Появление дополнительных критериев обусловлено наличием специальных требований, накладываемых конкретной областью применения.

Например, для некоторых условий могут быть выдвинуты дополнительные требования:

3) скорость работы алгоритма в прямом направлении (сжатие данных);

4) скорость работы алгоритма в обратном направлении (восстановление данных);

5) соответствие ограничениям на системные требования (для конкретных реализаций);

6) простота аппаратной реализации;

Формирование показателя качества для методов сжатия мультимедийных данных является еще более сложной задачей, поскольку критерии качества должны учитывать не только специфику области применения, но и специфику восприятия результирующей информации конечным звеном, т.е. человеком. Следовательно, появляются дополнительные критерии:

7) качество восстановленного изображения. При этом оценка качества зависит от конкретной области применения и связана со спецификой работы зрительной системы человека;

8) возможность масштабирования или постепенного улучшения качества (проявления) изображения в процессе декодирования;

9) устойчивость к ошибкам, обусловленным искажениями в потоках сжатых данных;

Представлена классификация методов сжатия цифровых изображений с описанием и имеющимися плюсами и минусами каждого из них.

Отдельно проанализирована группа методов сжатия с потерями информации.

Алгоритмы сжатия изображений с потерями основываются на зрительной системе восприятия человека. Человеческий глаз не воспринимает большое количество информации, заключённое в изображении. Таким образом, если данную информацию выявить и не хранить в обработанном изображении, то можно существенно повысить степень сжатия изображения. Естественно, что при этом ухудшается качество восстановленного изображения. Таким образом, сжатие с потерями предполагает компромисс между степенью сжатия и качеством восстановленного изображения. При увеличении степени сжатия ухудшается качество восстановленного изображения, и на оборот, при минимизации потерь в качестве изображения нельзя добиться большого коэффициента сжатия.

Существует несколько подходов к выявлению незначимой информации в изображении. В некоторых методах, используя дискретные частотные ортогональные преобразования, выявляют низкочастотные и высокочастотные составляющие изображения, которые затем кодируют различным способом.

Для достижения более существенного сжатия изображений используется специфика не только источника информации (изображения), но и приемника (анализатора). В качестве анализатора изображений чаще всего рассматривается зрительная система человека. Анализ работы зрительной системы человека при восприятии изображений позволил сделать вывод о том, что определенного вида искажения исходного сигнала (изображения) визуально не обнаруживаются, при этом визуальное качество результирующего (искаженного) изображения оценивается идентичным исходному качеству кодируемого изображения.

В результате учета специфики восприятия искажений были разработаны методы сжатия «с потерями» информации, применение которых позволило существенно (на порядки) увеличить реализуемые коэффициенты сжатия, при сохранении или некотором допустимом ухудшении визуально воспринимаемого качества.

В разделе алгоритмов сжатия с потерями представлено описание фрактального метода сжатия, алгоритма JPEG и рекурсивно волнового алгоритма, каждый из которых имеет свои особенности при обработке и кодировании информации.

Среди рассматриваемых способов улучшения работы алгоритмов сжатия в данной главе, в первую очередь рассматривается:

1) поиск новых вариантов предварительной обработки потоков исходных данных с целью улучшения эффективности работы известных алгоритмов преобразования, за счет согласования характеристик исходных потоков и применяемых алгоритмов.

2) поиск новых методов и алгоритмов представления исходных массивов данных в более компактном виде;

Обзор программных средств с применением методов сжатия цифровых изображений показывает, что на сегодняшний день есть программные средства, с помощью которых можно сохранить изображение тем методом и с такими параметрами, которые обеспечивают определенное соотношение коэффициента сжатия и качества. Но все они работают в интерактивном режиме и имеют фиксированный набор методов сжатия. При проведении ряда экспериментов по сжатию изображений данными программными продуктами был выявлен ряд проблем с обработкой исходных данных, вызванных в первую очередь выбором самих методов, а также использующихся алгоритмов сжатия и обработки данных.

Также приведен обзор программного обеспечения для сжатия данных с учетом еще одной поставленной задачи диссертации по сжатию данных большого объема информации с применением вейвлетпреобразования.

В данной работе задача сжатия данных привязана к выходным данным программного продукта «TROPICS», главной отличительной особенностью которых является очень большой размер файлов (десятки гигабайт), поэтому выбор программных продуктов для сжатия данных был осуществлен среди наиболее распространенных, имеющихся в свободном доступе (freeware/shareware). В данный список программ попали WinRAR, WinZip и 7-Zip.

Проведя сжатие информации данными программами, и проанализировав полученные результаты, был выделен ряд недостатков, таких как длительное время самого процесса сжатия, повышенная загрузка ЦП (центрального процессора), а так же невысокий коэффициент сжатия.

Для более эффективного сжатия данных программного комплекса «TROPICS» было решено создание программного продукта для сжатия информации, в основе которого будет заложен алгоритм вейвлетпреобразования данных.

Во второй главе дано описание средств обработки графической информации, полученной в результате компрессии с применением методов вейвлетного преобразования данных. Полученные в результате экспериментов сжатые изображения имеют артефакты, отрицательно влияющие на качество изображения в целом, но с учетом специфики обрабатываемых изображений и детальном анализе вполне пригодные для работы с ними в такой области, как экономика: в частности рассматривается технический анализ экономических данных. Технический анализ в данном случае - это исследование динамики рынка, чаще всего посредством графиков, с целью прогнозирования будущего направления движения цен. В связи с тем, что динамика движения цен постоянно растет, а соответственно растет и количество графиков, которые будут участвовать в техническом анализе, была поставлена задача кодирования данной графической информации с потерями для получения высоких результатов сжатия с приемлемым качеством на выходе.

При анализе входной группы данных, предполагаемых для компрессии, были выявлены особые общие характерные признаки изображений, которые предопределили в свою очередь выбор методов сжатия данных. Прежде всего, здесь стоит отметить резкие границы перехода от самой графической составляющей к фону, большое количество однотонных фоновых областей, небольшая цветовая палитра, наличие повторяющихся фрагментов изображения.

Анализ алгоритмов сжатия данных, рассматриваемых в первой главе показывает, что не все из имеющихся алгоритмов наилучшим образом подходят для выбранного класса данных. Учитывая специфику данных изображений, были выбраны два наиболее подходящих метода сжатия данных – RLE и LZW сжатие. Оба метода были выбраны из-за работы в их алгоритмах с одинаковыми массивами данных, что является актуальным при сжатии подобного типа изображений.

Проанализировав имеющиеся алгоритмы цифрового кодирования информации, были выделены алгоритмы вейвлет-преобразования Хаара и Малла.

Общая схема процесса сжатия изображения представлена на рис.1.

Кодирование Вторичное Дискретно-косинусное сжатие (JPEG), Вейвлет, ФракRLE, LZW тальное методы сжатия Декодирование Необязательная постобработка восстановленного изображения Рис. 1 Обобщенная схема алгоритма сжатия изображения Актуальными при сжатии изображений на основе вейвлет преобразования являются задачи:

оптимального обхода плоскости вейвлет коэффициентов;

поиска наилучшего метода вторичного сжатия вейвлет коэффициентов;

поиска метода оптимального кодирования значимых вейвлет коэффициентов.

При рассмотрении результатов эксперимента по сжатию с применением вейвлет-преобразований и выборке минимальных коэффициентов при кодировании наблюдается отсутствие искажений на выходных изображениях (рис.2.1, рис.2.2), время сжатия: №1–9 секунд, №2– 12 секунд:

Эксперимент №1. Изображение 1,2. Хаар, RLE. Количество шагов=1, порог чувствительности=1:

Рис. 2.1 Рис. 2.При рассмотрении же результатов эксперимента с иной (усредненной, полученной экспериментально) выборкой коэффициентов довольно отчетливо видны полученные искажения (артефакты), наличие которых не препятствует дальнейшей обработке изображений средствами технического анализа, (рис.3.1, рис.3.2) время сжатия: №1-5 секунд, №27секунд:

Эксперимент №4. Изображение 1,2 Хаар, RLE, количество шагов=4, Порог чувствительности =1:

Рис. 3.1 Рис. 3.Также приведены результаты сжатия изображений, на которых присутствуют целые группы артефактов, которые в свою очередь искажают (перекрывают, накладываются) основные данные изображения. На данном этапе кодирования, подбор коэффициентов ограничивается одним из параметров (рис.4.1, рис.4.2), время сжатия №1-5секунд, №27секунд:

№5. Изображение 1,2. Хаар, RLE, количество шагов=5, Порог чувствительности =1:

Рис. 4.1 рис. 4.Имеются также замечания, что при увеличении одного из коэффициентов выборки в несколько десятков раз, искажения на изображении уменьшаются, но само изображение становится размытым (рис. 5.1, рис.5.2), время сжатия №1-4 секунды, №2-4секунды:

Эксперимент №15. Изображение 1,2. Хаар, RLE, количество шагов=2, Порог чувствительности =20:

Рис. 5.1 Рис. 5.Далее, увеличивая количество шагов и варьируя значением параметра чувствительности результаты не дали положительных результатов, а именно: на изображении появляются области артефактов, а также ярко выраженные артефакты (в случае увеличения количества шагов).

В случае же увеличения значения порога чувствительности (>30) повышается размытость изображения, что ведет к невозможности дальнейшей работы с графикой.

Однако появились некоторые замечания в экспериментах, а именно:

при увеличении значения порога чувствительности на интервале от до 30 при количестве шагов =2, было замечено постепенное уменьшение, а также и последующее удаление зон артефактов, что в свою очередь дало ход проведению еще одному направлению экспериментов – с увеличением количества шагов, при увеличенном пороге чувствительности.

В рамках данной главы были созданы программные продукты для сжатия изображений, в которых использовались предварительные преобразования данных на основе вейвлетов, подбор необходимых коэффициентов преобразования, на основе которых можно давать оценку качества полученных изображений, сжатых с потерями. Рассмотрены поэтапно все стадии преобразования JPEG кодера (препроцессинг, ДКП, квантование, сжатие). Реализован алгоритм сжатия с применением JPEG кодирования.

В третьей главе рассмотрено сжатие данных с применением фрактального кодирования информации. В алгоритме фрактального кодирования исходное изображение разбивается равномерной сеткой на регионы. Затем подготавливается доменное изображение. Оно меньше, чем исходное по площади в 4 раза. Доменное изображение разбивается на домены.

Процесс фрактального сжатия заключается в поиске самоподобных областей. В данном случае последовательно перебираются все регионы, и для каждого региона определяется наиболее похожий на него домен. Применяется не только простое попиксельное сравнение региона с доменом, но и аффинные преобразования. Используются следующие аффинные преобразования:

1) поворот на 0 градусов;

2) поворот на 90 градусов;

3) поворот на 180 градусов;

4) поворот на 270 градусов;

5) симметрия относительно оси Х;

6) симметрия относительно оси У;

7) симметрия относительно главной диагонали;

8) симметрия относительно второстепенной диагонали;

В общем случае, в процессе сжатия последовательно перебираются все регионы, для каждого региона последовательно перебираются все домены, которые в свою очередь сравниваются со всеми аффинными преобразованиями текущего региона. Программно реализована возможность выполнять не все аффинные преобразования, а только преобразования поворота, или преобразования симметрии (данным способом удалось ускорить процесс сжатия). Это зависит от характера исходного изображения. Но в любом случае желательно выполнять все аффинные преобразования.

Изображения сравниваются по пикселям. Последовательно перебираются все пиксели, определяется разница в яркости между двумя пикселями, из которой вычитается разница усредненной яркости между регионом и доменом. Полученное значение берется по модулю (т.е. отбрасывается знак) и возводится в квадрат. Все полученные значения (для каждого пикселя) складываются между собой. В результате, после того, как для текущего региона (со всеми аффинными преобразованиями) был найден наиболее схожий с ним домен, запоминаются следующие данные:

- координаты домена (относительно доменного изображения);

- номер аффинного преобразования (2-е и 4-е аффинное преобразование следует поменять местами, так как при распаковке изображения аффинные преобразования нужно будет выполнять не над регионами, а над доменами);

- разницу усредненной яркости между регионом и доменом.

Эти значения есть коэффициенты IFS (система итерируемых функций). Их необходимо кодировать как можно более компактно.

Таким образом, в процессе сжатия для каждого региона определяются коэффициенты IFS.

По окончанию сжатия результаты необходимо сохранить в файл.

В файл сохраняется следующая информация:

- количество регионов по горизонтали и вертикали;

- размер региона;

- коэффициенты IFS.

Один регион кодируется всего четырьмя байтами, при этом размер региона может быть любым (2, 3, 4, 8, …, 100, …). При этом указанной информации вполне хватает для того, чтобы распаковать изображение.

Плюсы:

- высокая скорость восстановления изображения;

- возможность многократного увеличения изображения без возникновения пикселизации;

Минусы:

- значительная потеря контрастности для контрастных изображений.

Параметры:

Смещение домена (СД) – определяет шаг поиска участка в доменном изображении. Минимальный шаг равен 1. Чем больше шаг, тем быстрее выполняется поиск, но при этом, могут быть пропущены важные детали изображения.

Размер региона (РР) – определяет размер области, на которые разбивается исходное изображение. При компрессии для каждой области осуществляется поиск подходящих доменов с учетом аффинных преобразований. Чем больше размер региона, тем хуже качество и при этом уменьшается размер файла.

Время сжатия (ВС) – соответственно определяет время, требуемое на процесс сжатия изображения.

Исходя из результатов эксперимента по сжатию с применением фрактального кодирования, представленных на рис.6.1 и рис.6.2 следуют выводы о довольно приемлемом качестве выходных изображений, заметна потеря контрастности и размытость, время сжатия является не оптимальным по сравнению с вейвлет-преобразованием:

Эксперимент№1:

№1 Размер выходного файла=23129 байт, СД=2, РР=3, ВС=55 секунд, №2 Размер выходного файла=23129 байт, СД=2, РР=3, ВС=55 секунд:

Рис.6.1 Рис.6.Размер сжатых изображений в среднем уменьшился в 7.34 раза по отношению к исходным. Качество изображений остается пригодным для последующей работы с ними.

Также приведены результаты эксперимента с увеличением параметра «Размер региона», что привело к прекращению хода экспериментов по изменению данного параметра. В результате увеличения РР привело к небольшому повышению размытости изображения в целом, а также к появлению областей (выделены красными маркерами), размытость в которых препятствует к дальнейшему проведению эксперименту:

Эксперимент№4:

№1 Размер выходного файла=8414 байт, СД=3, РР=5, ВС=14 секунд, №2 Размер выходного файла=8414 байт, СД=3, РР=5, ВС=14 секунд:

Рис.7.1 Рис.7.На рис. 8 представлена схема работы программного комплекса по сжатию данных:

Входной объект Wavelet Алгоритм кодирования Малла Алгоритм преобразования JPEG Хаара RLE Алгоритм сжатия LZW Выбор параметров сжатия Нет положительный результат Да Выходной объект Рис. 8 Схема работы программы по сжатию данных Для решения задачи визуального определения предельно допустимых искажений, были определены коэффициенты кодирования, для возможности последующей работы с обработанной информацией.

Выявлено, что эффективность метода сжатия характеризуется числовыми характеристиками, а при оценке сжимаемости конкретным методом должна учитывать особенности изображения: количество различных цветов, наличие и обилие резких переходов, наличие обширных областей с одномерным фоном.

Оценки эффективности методов сжатия изображения базируются на зависимостях коэффициента сжатия от характера изменения яркости, количества деталей, наличия и обширности областей с однородным или плавно» изменяющимся фоном. Существующие оценки конкретных методов сжатия не учитывают особенностей кодируемого изображения и алгоритмов преобразования.

В четвертой главе представлено применение технологии вейвлет-преобразования в предварительной обработке и сжатии выходных данных большого объема. В качестве источника данных был применен комплекс «TROPICS», разработанный в Сургутском государственном университете и предназначенный для моделирования траекторий движения быстрых заряженных частиц в осевых и плоскостных каналах кристалла.

Данный комплекс позволяет исследовать осевое каналирование с очень большой статистической точностью при достаточно высокой скорости расчета и умеренной требованиям к оперативной памяти. Однако, при моделировании большого количества частиц проходящих через кристалл большой толщины получаются файлы, размер которых варьируется от десятков мегабайт до десятков гигабайт. В таком случае возникает необходимость сжатия данных для их дальнейшего обработки, хранения. Выходные файлы содержат изменение углов влета, координат частиц, потери энергии и другие характеристики.

На данном этапе разрабатывается программный продукт WaveRar, главной задачей которого ставится минимизация используемых ресурсов памяти, времени сжатия и загрузки центрального процессора, интерфейс программы – простым и интуитивно-понятным, за алгоритм обработки данных отвечает вейвлет-преобразование, за сжатие информации алгоритм LZW.

Представлены результаты одного из экспериментов, в котором учитывалось угловое разрешение детектирующей системы и расходимость пучка (программный комплекс «TROPICS»), число частиц было выбрано в диапазоне 20000-40000, количество узлов решения системы дифференциальных уравнений (отношение длины кристалла к шагу по глубине) было выбрано в интервале 1000-5000 штук. В ходе эксперимента по сжатию выходных данных, были использованы файлы разного объема: 1009, 2921, 5300, 9972, 15257 мегабайт.

С целью выявления наиболее эффективного сжатия были задействованы программы: WaveRar, WinRAR, WinZip, 7-Zip. В таблицах и на графиках ниже представлены результаты сжатия по объему, времени и загрузке процессора.

Ниже представлены табличные (табл.1.1, табл.1.2, табл.1.3) и графические (рис.9.1, рис.9.2, рис.9.3) данные, которые отображают полученные результаты сжатия 4 разными программными продуктами, исходя из которых можно сделать вывод о преимуществе разработанной программы WaveRar:

Размер файла, мб WinRAR, мб 7-Zip, мб WaveRar, мб 1009 711 652 82921 836 776 105300 3709 3445 429972 4327 4015 4215257 1111 1171 15Табл. 1.1. результаты сжатия данных по объему.

54433Win2RAR Wave2Rar 7-Zip 1151009 mb 2921 mb 5300 mb 9972 mb 15257 mb Рисунок 9.1. график результатов сжатия данных по объему.

Размер файла, мб WinZip,c WinRAR, c 7-Zip, с WaveRar, с 240 9 18 32 529 13 29 62 1009 140 658 445 22921 --- 605 550 45300 --- 2719 2013 149972 --- 2987 2199 1815257 --- 1744 1758 5Табл. 1.2. результаты сжатия данных по времени.

WinRAR 307-Zip 25WaveRar 2015105529 mb 1009 mb 2921 mb 5300 mb 9972 mb 15257 mb 240 mb Рис. 9.2. График результатов сжатия данных по времени.

Размер файла, WinZip,% WinRAR,% 7-Zip,% WaveRar,% mb 240 50 75 62 529 50 69 62 1009 45 60 83 2921 - 73 90 5300 - 74 83 9972 - 70 91 15257 - 70 65 Табл. 1.3. Результаты сжатия данных по загрузке процессора.

1WinRAR 7-Zip WaveRar 240 mb 529 mb 1009 mb 2921 mb 5300 mb 9972 mb 15257 mb Рис. 9.3. график результатов сжатия данных по загрузке процессора.

В заключении сформулированы следующие теоретические и практические результаты работы:

Рассмотрены методы и алгоритмы сжатия изображений, а так же проанализированы особенности визуального восприятия искажений при сжатии специфического вида графических изображений.

Проанализированы причины ограниченной эффективности применения методов сжатия информации «с потерями».

В ходе научно-исследовательских работ решена основная задача диссертации – применение вейвлет-обработки данных для сжатия информации.

В работе получены следующие основные результаты:

Изучены и проанализированы существующие методы сжатия цифровых изображений;

Предложен новый алгоритм сжатия цифровых данных с потерями;

Разработаны программные модули, позволяющие реализовать предложенные методы преобразования и сжатия данных.

Проведены экспериментальные исследования по оценке влияния процесса сжатия цифровых изображений на их качество.

Разработанная автором методика компрессии больших массивов данных может быть использована для решения широкого круга научных и практических задач.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в периодических научных изданиях, рекомендованных ВАК для публикации основных результатов диссертаций:

1. Филиппов, Т.К. Применение вейвлет – преобразования информации при техническом анализе экономических данных /Т.К.Филиппов// Научно-технические ведомости. – СПбГПУ. – 2012. – №5.

2. Филиппов, Т.К. Сжатие выходных данных в программном комплексе ”TROPICS” на основе алгоритма вейвлет-преобразования информации / Т.К. Филиппов, В.А. Галкин, Д.А. Моргун //Вестник Воронежского государственного технического университета.–2012.-№11.

3. Филиппов, Т.К. Применение вейвлет – преобразования информации при техническом анализе экономических данных /Т.К.Филиппов // Развитие инновационной экономики в России:

сб. науч. тр. 3-ей Всерос. Заочной науч.-практ. Конф. – МАТИ. – Москва. – 2012.

Статьи в других журналах:

4. Филиппов, Т.К. Разработка средств компьютерной визуализации для научных исследований: методы сжатия цифровых данных на основе вейвлет и фрактального анализа/Т.К.Филиппов // Молодой ученый: научный журнал. – 2012. -, №2(37). – С. 71–74.

5. Филиппов, Т.К. Имитационное моделирование/Т.К. Филиппов//Актуальные проблемы анализа и построения информационных систем и процессов: сб. ст. междунар. Науч.–технич.

конф. – Таганрог: Изд-во Технологического ин-та ЮФУ, 2010. – С. 204–206.

6. Филиппов, Т.К. Разработка средств компьютерной визуализации для научных исследований: методы сжатия цифровых данных на основе вейвлет и фрактального анализа / Т.К.Филиппов // Перспективы развития информационных технологий – сб.

мат-лов VI междунар. Науч.-практ. конф. - Новосибирск: Изд-во «Сибпринт», 2011. –С. 62–67.

Филиппов Тимур Константинович СЖАТИЕ ЦИФРОВЫХ ДАННЫХ ПРИ ПОМОЩИ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЙ И ФРАКТАЛЬНОГО КОДИРОВАНИЯ ИНФОРМАЦИИ Специальность: 05.13.01 – Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук Подписано в печать 13.11.2012г. Формат 6084/16.

Усл. печ. л. 1,3. Печать трафаретная. Тираж 100. ЗаказП-116.

Отпечатано полиграфическим отделом издательского центра СурГУ.

г. Сургут, ул. Энергетиков, 8. Тел. (3462) 76-30-67.

ГБОУ ВПО «Сургутский государственный университет ХМАО – Югры» 628400, Россия, Ханты-Мансийский автономный округ, г. Сургут, пр. Ленина, 1.

Тел. (3462) 76-29-00, факс (3462) 76-29-29.







© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.