Анализ и сжатие изображений с использованием математической 3d морфологии (стр. 2 из 2)
Объем данных каждого элемента структуры:
| Ширина изображения | 2 байта |
| Высота изображения | 2 байта |
| Код цвета | 3 байта |
| Блок кодировки | 1-4 байта, переменный |
Рис.3. Структура кодировки
При таких технических характеристиках обрабатываемое изображение может превышать 500 МегаПикселей. Если повысить количество байт в одном блоке, то величина и качество изображения будет возрастать в геометрической прогрессии.
Блок кодировки может принимать значения от 1 до 4 байт, при этом каждый восьмой бит несет в себе информацию, ожидается ли следующий байт текущего блока или начало следующего блока. Порядок закодированных подмножеств (слоев) также имеет значение, что является одной из особенностей алгоритма.
4.2. Алгоритм декодирования
В алгоритм декодирования входит:
1. Прорисовка фона соответствующим цветом.
2. Переход от слоя к слою
a. Перевод одномерных кодов в двумерные.
b. Раскодирование блочных кодов.
c. Прорисовка слоев на изображении.
В основе декодирования лежит прорисовывание одних слоев-подмножеств поверх других, в порядке, зарегистрированном при кодировании. При раскодировании блоки считываются, с учетом их различной длины, кроме того из линейного кода переводятся в двумерные множества на плоскости каждого из слоев, и количество таких слоев равно количеству цветов. При обычной прорисовке изображения можно использовать обычную функцию объединения слоев, не зависимо от того, что теперь мы работаем над измененными слоями
: 
где:
Однако мы можем работать с различными множествами независимо друг от друга, в чем и заключается особенность морфологического подхода и разработанной концепции. Эти особенности можно описать примером и показать практический смысл.
Рис.4. Схема выделения и передачи отдельных информационных слоев в изображении
Допустим при работе с физической картой местности, в которой цветом отмечены различные высоты, можно по запросу выделить интересующую область по интервалу высот, а «лишние» области изображения не передавать через канал связи (Рис.4.). Что актуально в наше время интернет технологий. В этом случае, для выделения интересующего смыслового слоя
нужно найти функцию 
, где 
и мы используем алгоритм:1.
где:
Получаем
, что является суммой всех слоев, выше интересующего слоя k до n. Это множество было взято потому, что теперь с его помощью мы удаляем из 
те отличия, которые помогли нам более эффективно сжать и закодировать изображение.2.
Теперь мы получили:
.Это и есть первоначальный информационный цветовой слой
, запрошенный пользователем, объем которого на порядок меньше целого изображения. То есть алгоритм декодирования был выполнен на сервере, выбрав необходимые данные, сэкономив тем самым время передачи данных и время поиска пользователем нужной информации в целом, громоздком изображении.5. РЕАЛИЗАЦИЯ В ПРОГРАММЕ И РЕЗУЛЬТАТЫ
Данный алгоритм обработки и сжатия изображений реализован в программном обеспечении на языке Delphi, как дополнение к имеющемуся программному комплексу. С помощью этого программного обеспечения возможно открывать изображения основных графических форматов, обрабатывать их, а затем сохранять, в том числе и в новом, предложенном формате сжатия. В данном программном комплексе изображения сохраняются в файл, но этот алгоритм легко может быть применим и к хранению в базах данных.
Программное обеспечение позволило провести практические опыты, определить степень сжатия, а также сравнить с уже имеющимися форматами. При использовании такого метода обеспечивается довольно высокий коэффициент сжатия, он достигает значений 18:1.
Таблица 1
| Тип тестируемого изображения | Без сжатия (BMP) | GIF | JPG (векторное сжатие) | Тестируемый алгоритм |
| Цветное с крупными объектами | ~1200 Кб | ~44 Кб | ~54 Кб | ~66 Кб |
| Мелкодисперсное, серое изображение | ~415 Кб | ~215 Кб | ~80 Кб | ~150 Кб |
Как видно из таблицы 1, в сравнении с другими форматами, тестированное изображение не намного уступает по объемам и сам метод сжатия универсальным назвать нельзя, однако методы 3D морфологии для разработки такого подхода позволяют иначе рассматривать изображения. Как уже было написано выше, цветовые слои, из которых состоит изображение, могут нести смысловую нагрузку. Следовательно, область и выбранные по запросу слои будут гораздо более компактными по сравнению с другими форматами только потому, что появляется возможность избавиться от лишней информации, которую не нужно передавать от сервера к пользователю. А при разработке и эксплуатации информационных систем этот метод может сделать работу более удобной, быстрой и разгрузить каналы передачи данных.
Литература
1. Семенов Ю.А. Telecommunication technologies – телекоммуникационные технологии; http://book.itep.ru, 2007.
2. Пытьев Ю.П. Морфологический анализ цветных изображений, http://cityref.ru/prosmotr/7518-0.htm, 2005.
3. Пытьев Ю.П. Задачи морфологического анализа изображений. Математические методы исследования природных ресурсов Земли из космоса. – М.: Наука, 1984.
4. Задорожный С.С. Морфологический анализ формы изображений: http://www.butovo.com/~zss/bw_morf.html, 2002.
5. Shapiro L.G., Stockman G.C. Computer Vision. Prentice Hall, 2001.
6. Haralick R.M. and Shapiro L.G. Computer and Robot Vision, vol.2. –P.453-507. –Addison-Wesley, 1992.