Аналіз потенційної ефективності пост фільтрації зображень уражених шумом після стиснення з втратами
DOI:
https://doi.org/10.36023/ujrs.2023.10.1.231Ключові слова:
зображення у градаціях сірого, стиснення зображень із втратами, оптимальна робоча точка, кодер BPG, пост фільтрація, фільтр на основі ДКПАнотація
Збільшення кількості зображень і їх розмірів є загальною тенденцією на сьогоднішній день, але це призводить до певних проблем із зберіганням і передачею такої кількості даних. Поширеним способом вирішення цієї проблеми є використання стиснення з втратами, яке має не тільки більший коефіцієнт стиснення в порівнянні з підходами без втрат, але також має кілька особливостей. По-перше, спостерігається специфічний ефект фільтрації шуму. По-друге, може існувати оптимальна робоча точка (OРТ), в якій якість стисненого зображення ближче до відповідного зображення без шумів відповідно до вибраного показника якості. У цьому випадку варто стиснути це зображення в області OРТ. Ці особливості були раніше вивчені і показали позитивні результати підвищення якості зображення. Але варто перевірити, чи можна додатково покращити якість шляхом використання пост-фільтрації. У цьому дослідженні ми намагаємося відповісти на запитання: «чи варто фільтрувати зображення після стиснення з втратами, особливо в околі ОРТ? Яку користь це може принести в сенсі якості зображення?». Дослідження проводиться для BPG-кодеру та фільтру на основі ДКП для адитивного білого шуму, зосередившись головним чином на однокомпонентних зображеннях в градаціях сірого. Якість зображення оцінюється кількома показниками, такими як PSNR, PSNR-HVS-M і FSIM. Продемонстровано можливе підвищення якості зображення за допомогою постфільтрації та надано рекомендації щодо кращого параметра фільтру.
Посилання
Bazi, Y., Cavallaro, G., Demir, B., Melgani, F. (2022). Learning from Data for Remote Sensing Image Analysis. International Journal of Remote Sensing, 43(15-16), 5527–5533. DOI: 10.1080/01431161.2022.2131481.
Bellard, F. (2018). BPG Image format. Retrieved from: https://bellard.org/bpg/.
Blanes, I., Magli, E., Serra-Sagrista, J. (2014) A Tutorial on Image Compression for Optical Space Imaging Systems. IEEE Geoscience and Remote Sensing Magazine, 2(3), 8–26. DOI: 10.1109/MGRS.2014.2352465.
Chatterjee, P., Milanfar, P. (2010). Is Denoising Dead? IEEE Transactions on Image Processing, 19(4), 895–911. DOI: 10.1109/TIP.2009.2037087.
Christophe, E. (2011). Hyperspectral Data Compression Tradeoff. Prasad, S. et al. (eds). Optical Remote Sensing. Augmented Vision and Reality, 3. DOI: 10.1007/978-3-642-14212-3_2.
Colom, M., Buades, A., Morel, J.-M. (2014). Nonparametric noise estimation method for raw images. J. Opt. Soc. Am., 31(4), 863–871. DOI: 10.1364/JOSAA.31.000863.
Fevralev, D., Lukin, V., Ponomarenko, N., Abramov, S., Egiazarian, K., Astola, J. (2011) Efficiency analysis of DCT-based filters for color image database. SPIE Conference Image Processing: Algorithms and Systems VII, 7870.
Foi, A. (2007). Pointwise Shape-Adaptive DCT Image Filtering and Signal-Dependent Noise Estimation : Thesis for the degree of Doctor of Technology. Tampere University of Technology, Tampere, Finland, 194.
Hussain, A. J., Al-Fayadh, A., Radi, N. (2018). Image compression techniques: A survey in lossless and lossy algorithms. Neurocomputing, 300, 44–69.
Kovalenko, B., Lukin, V. (2022). Usage of different Chroma Subsampling Modes in Image Compression by BPG Coder. Ukrainian Journal of Remote Sensing, 9(3), 11–16. DOI: 10.36023/ujrs.2022.9.3.216.
Kovalenko, B., Lukin, V., Kryvenko, S., Naumenko, V., Vozel, B. (2022). BPG-Based Automatic Lossy Compression of Noisy Images with the Prediction of an Optimal Operation Existence and Its Parameters. Applied Sciences, 12(15), 7555. DOI: 10.3390/app12157555.
Kovalenko, B., Lukin, V., Naumenko, V., Krivenko, S. (2021). Analysis of noisy image lossy compression by BPG using visual quality metrics. IEEE 3rd International Conference on Advanced Trends in Information Theory (ATIT), 20–25.
Lukin, V., Abramov, S., Ponomarenko, N., Egiazarian, K., Astola, J. (2011). Image Filtering: Potential Efficiency and Current Problems. Proceedings of ICASSP, 4.
Ma, Y., Wu, H., Wang, L., Huang, B., Ranjan, R., Zomaya, A. & Jie, W. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems, 51, 47–60. DOI: 10.1016/j.future.2014.10.029.
Mehmood, M., Shahzad, A., Zafar, B., Shabbir, A., Ali, N. (2022). Remote Sensing Image Classification: A Comprehensive Review and Applications. Mathematical Problems in Engineering, 2022(5880959), 24. DOI: 10.1155/2022/5880959
Penna, B., Tillo, T., Magli, E., Olmo, G. (2007). Transform coding techniques for lossy hyperspectral data compression. IEEE Transactions on Geoscience Remote Sensing, 45(5), 1408–1421. DOI: 10.1109/TGRS.2007.894565.
Ponomarenko, N., Lukin, V., Egiazarian, K. (2011). HVS-metric-based performance analysis of image denoising algorithms. 3rd European Workshop on Visual Information Processing, 156–161. DOI: 10.1109/EuVIP.2011.6045554.
Ponomarenko, N., Lukin, V., Zriakhov, M., Egiazarian, K. (2005). Lossy compression of images with additive noise. Proceedings of International Conference on Advanced Concepts for Intelligent Vision Systems, 3708(2005), 381–386.
Ponomarenko, N., Silvestri, F., Egiazarian, K., Carli, M., Astola, J., Lukin, V. (2007). On Between-Coefficient Contrast Masking of DCT Basis Functions. In Proceedings of the Third International Workshop on Video Processing and Quality Metrics for Consumer Electronics, 4.
Schowengerdt, R. A. (2007). Remote Sensing: Models and Methods for Image Processing. 3rd ed.; Academic Press: San Diego, CA, USA.
Selva, E., Kountouris, A., Louet, Y. (2021). K-Means Based Blind Noise Variance Estimation. 2021 IEEE 93rd Vehicular Technology Conference (VTC2021-Spring), 1–7. DOI: 10.1109/VTC2021-Spring51267.2021.9449072.
Simmer, K. U., Bitzer, J., Marro, C. (2001). Post-Filtering Techniques. In: Brandstein, M., Ward, D. (eds) Microphone Arrays. Digital Signal Processing. DOI: 10.1007/978-3-662-04619-7_3.
Zhang, L., Zhang, L., Mou, X., Zhang, D. (2011). FSIM: A Feature Similarity Index for Image Quality Assessment. IEEE Transactions on Image Processing, 20(8), 2378–2386. DOI: 10.1109/TIP.2011.2109730
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
