Рис. 8.1.1.

Гоафики зависимости PSNR от коэффициента сжатия лля фракталь^1* и вейвлетных методов сжатия, примененных к изображению «Len2* (256x256)

8. Сравнение фрактального и вейвлетного подходов к сжатию изображений

215

Существует принципиальное отличие в том, как для фрактальных и вейвлетных алгоритмов, описанных в этой книге, можно управлять соотношением качества изображения и коэффициента сжатия. Фрактальные методы используют схемы адаптивных квадродеревьев, которые управляются заранее определенной допустимой ошибкой. Чем меньше допустимая ошибка, тем лучше качество декодированного изображения. Однако это приводит к увеличению числа ранговых блоков, а следовательно, к ухудшению сжатия. Таким образом, пользователь заранее определяет качество изображения и вынужден мириться с той степенью сжатия, которая при этом может быть достигнута. Можно построить неадаптивные схемы разбиения, в которых пользователь заранее определяет разбиение на ранговые блоки (обычно используется равномерное распределение). Это позволяет пользователю управлять процессом сжатия, однако для большинства изображений равномерное распределение приводит к плохому качеству декодированного изображения.

С другой стороны, вейвлет-методы дают пользователю возможность управлять процессом сжатия, позволяя ему выбирать битовые плоскости и/или процент децимации. В этом случае пользователь заранее определяет степень сжатия и вынужден мириться с таким качеством декодированного изображения, которое при этом достигается. Следует помнить об этом отличии между фрактальными и вейвлетными алгоритмами сжатия при сравнении графиков степени искажения для этих алгоритмов.

Для данного сравнения использовались три фрактальных алгоритма: «базовый метод» из главы 3, а также методы классификации доменов с выделением особенностей FE (FE - feature extraction) и метод самоорганизации SO (SO - self-organizing) из главы 4. Во всех трех случаях были использованы 1186 доменов (два уровня, горизонтальное и вертикальное перекрывание равно 0.5). Опция Search for the best domain? (Искать наилучший домен?) была включена, и это улучшило качество изображения (за счет времени сжатия, как мы увидим далее). Чтобы получить различные варианты коэффициентов сжатия и качества изображения, использовались пять комбинаций глубины квадродерева и допустимой ошибки: