ТЕХНОЛОГИЯ СЖАТИЯ ИЗОБРАЖЕНИЙ РАБОЧЕГО СТОЛА КОМПЬЮТЕРА

АННОТАЦИЯ

Для решения задачи сжатия изображений рабочего стола компьютера предложен алгоритм сжатия изображений, основанный на кластеризации цветов. Изображения рабочего стола разделены на 16 * 16 неперекрывающихся блоков, которые классифицируются на текстовые/ графические блоки, естественные блоки изображений и смешанные блоки. Цветовая кластеризация используется для уменьшения количества цветовых категорий текстовых/графических блоков, обогащенных цветом, и выполняется сжатие без потерь. Для блоков естественного изображения используется метод кодирования со стандартом сжатия H. 264, а для смешанных блоков-метод гибридного кодирования.

Ключевые слова: сжатие изображений, кластеризация.

Изображение рабочего стола компьютера – это ресурс, содержащий тексты, графику и информацию об изображении. Его часто называют смешанным изображением вместе со сканированными изображениями документов. Ниже мы рассмотрим изображения рабочего стола компьютера с двух сторон: основные свойства изображений рабочего стола компьютера и методы классификации.

Первый – это пиксели. При сканировании изображения рабочего стола компьютера считанное маленькое изображение называется элементом изображения, который для краткости называется пикселем. Второе – это пространственное разрешение. Это самая маленькая деталь, чтобы отличить изображение рабочего стола компьютера. Третье – разрешение уровня серого, которое относится к серии изменений яркости, содержащихся в единичной величине, которая является наименьшим изменением уровня серого, чтобы отличить изображение рабочего стола компьютера. Четвертое – это серая гистограмма. Как функция серого уровня, он может точно описать количество пикселей серого уровня в изображении рабочего стола компьютера. То есть, он может примерно описать контур изображения рабочего стола компьютера. Пятое – это функция текстуры. Текстурный элемент изображения рабочего стола компьютера отражает пространственное распределение серого значения пикселей.

Методы классификации изображений рабочего стола компьютера в основном включают пространство изображений и пространство объектов. Первый – это основанный на пространстве изображений метод классификации изображений рабочего стола компьютера с использованием уровней серого, текстур, цветов, форм, местоположений, базовых объектов и других атрибутов изображений. Второй – это метод классификации, основанный на пространстве признаков. Он тесно связан с методом и эффектом извлечения признаков. Метод классификации, основанный на пространстве признаков, позволяет эффективно уменьшить размерность данных изображения и сложность вычисления данных изображения.

В настоящее время большинство существующих алгоритмов сжатия изображений рабочего стола основаны на блоках. Общие алгоритмы сжатия изображений рабочего стола включают алгоритм вычисления виртуальной сети, гибридный алгоритм сжатия изображений рабочего стола и гибридный алгоритм сжатия изображений рабочего стола, основанный на точной классификации. Алгоритм сокращения будет объяснен отдельно ниже. Алгоритм вычисления виртуальной сети представляет собой алгоритм сжатия без потерь, основанный на субпрямоугольной классификации, но при применении к естественному сжатию изображения эффективность сжатия слишком низка. Гибридный алгоритм сжатия изображений рабочего стола является усовершенствованием алгоритма вычисления виртуальной сети. Алгоритм сжатия делит 8 * 8 блоков на два типа текстовых / графических блоков и блоков изображений. JPEG-LS и алгоритмы динамического сжатия JPEG используются для сжатия изображений рабочего стола.

Алгоритм сжатия изображений рабочего стола компьютера сначала делит изображение рабочего стола на 16 * 16 неперекрывающихся блоков с кодированием JPEG с потерями, а затем делит эти неперекрывающиеся блоки на текстовые / графические блоки, блоки изображений и смешанные блоки в соответствии с различными атрибутами каждого блока. Для текстовых / графических блоков используется кодирование сжатия без потерь, а для блоков изображений-кодирование сжатия JPEG, в то время как для сжатия изображений рабочего стола используется гибридный алгоритм сжатия, основанный на точной классификации.

С точки зрения теории информации образ является источником, а данные, описывающие источник, – суммой количества информации и информационной избыточности. Таким образом, существует много избыточностей в представлении данных изображения, таких как временная избыточность, пространственная избыточность, избыточность знаний и визуальная избыточность и так далее.

Основная идея метода алгоритма кластеризации, основанного на разбиении, состоит в том, чтобы дать набор данных, который будет кластеризован (предполагая n данных), и количество классов, которые будут сгенерированы (предполагая K, k < или = n). Во-первых, набор данных строится в k начальных секций по определенным правилам. Один раздел представляет собой кластер, и каждый класс должен содержать по крайней мере один. Существует один объект данных, и один и тот же объект данных может принадлежать только одному классу. Затем, используя технологию итеративного перемещения, объекты данных в исходном классе непрерывно перемещаются для изменения содержимого раздела. Перемещение каждый раз будет улучшать сходство объектов данных в одном и том же классе.

Метод кластеризации на основе уровней разлагает заданный набор объектов данных слой за слоем. Во время каждой итерации число классов и членов данных в классе будет меняться. Алгоритм иерархической кластеризации также можно разделить на метод агломеративной кластеризации и метод расщепленной кластеризации. Основная идея метода агломеративной кластеризации заключается в следующем. Сначала все данные группируются отдельно, а затем два ближайших кластера объединяются и процесс повторяется, так что все большие и большие классы будут формироваться постепенно, пока все объекты данных не будут принадлежать к одному классу или заданному условию завершения.

Сжимающее зондирование широко используется в области сжатия изображений. Его процесс сжатия включает в себя следующие шаги. Исходное изображение наблюдается случайным образом. После наблюдения данные представляют собой сжатые данные изображений. Система кодирования сжимающего зондирующего изображения имеет ортогональное преобразование и ортогональное обратное преобразование, линейное измерение и реконструкцию сигнала, а также квантование и обратное квантование. В конце кодирования ортогональный модуль преобразует данные изображения для концентрации энергии, а линейный измерительный модуль сжимает входные коэффициенты и выводит уменьшенные размерные данные. Модуль квантования и модуль кодирования завершают сжатие и энтропийное кодирование коэффициентов преобразования. Таким образом, лучшее качество восстановления изображения все еще может быть получено только с несколькими зарезервированными точками выборки.

Список литературы:

1. Дж. Миано. Форматы и алгоритмы сжатия изображений в действии. — М.: Издательство Триумф, 2003. — 336 с. (дата обращения 16.10.2019)
2. [Электронный ресурс]. – Режим доступа: https://habr.com/ru/post/101338/ (дата обращения 20.10.2019)