jf/vaba 4. Повышение скорости фрактального кодирования

131

(а) (Ь)

^ис. 4.2.8. (а) Исхолное изображение «Leaves». (b) Изображение «Leaves* зако-

лировано с помощью самоорганизующейся классификации ломенов. Параметры колирования: глубина квалролерева 7; лопустимая погрешность 0.05; лопуск отклонения характеристики 0.25; количество ломенов 5155 (3 уровня, перекрывание 0.5). Общее время колирования составило 118 сек. на PC Pentium 200 МГц по сравнению с 235 сек., требуемым лля FE-метола без классификации ломенов. Ошибка леколирования составляет 3,18% на пиксел (26,23 Лб по шкале PSNR)

Выигрыш во времени метода кодирования с классификацией доменов увеличивается с увеличением количества доменов. Количество вычислений характеристических расстояний для SO-метода обычно в 10 раз меньше, чем для FE-метода. Именно за счет этого достигается основной выигрыш во времени. Количество доменно-ранговых подгонок с применением попиксельных операций приблизительно одинаково для каждого метода и фактически, остается почти постоянным для большого диапазона доменных блоков, медленно увеличиваясь с увеличением количества доменов. По сравнению с базовым методом, преимущество использования SO- и FE-методов в том, что они позволяют увеличивать количество доменов, избегая при этом резкого увеличения времени кодирования В результате мы добиваемся большей эффективности сжатия и лучшего качества декодированного изображения.

132

Фракталы и вей влеты для сжатия изображений в действ^

4.3. Другие пути ускорения фрактального кодирования

Методы ускорения фрактального кодирования были предЛо жены и рядом других авторов. Все эти подходы относятся к одному или обоими факторами, влияющими на увеличение времени кодирования, а именно к сложности доменио, рангового сопоставления и к количеству доменно-ранговых сопоставлений. В работе [8] авторы применили самооргани. зующуюся сеть Кохонена к задаче фрактального кодирова-ния. Их подход отличается от описанного здесь тем, что они не использовали выделение особенностей, а применяли сеть напрямую к пикселам доменных блоков. Таким образом сложность доменно-рангового сопоставления не уменьша-лась. Кроме того, их подход требует, чтобы сеть обучалась на том изображении, которое должно быть закодировано. Мак-Грегор (см. [29]) обращается к обоим аспектам проблемы кодирования, используя квадродерево поиска по доменам в сочетании с выделением небольшого количества «характеристик» изображения (то, что мы здесь называли особенностями), полученных из коэффициентов Фурье. В работе [38] автор использовал поиск ближайшего соседнего домена, основанный на многоразмерных ключах (multi-dimensional keys), который является версией метода отфильтровывания доменных и ранговых блоков небольших размеров (а именно 8x8) для сравнения. Бани-Экбал (см. [2]) предложил дерево поиска доменов. В работе [20] модифицирован подход Богдана и Мидоуза (Bogdan и Meadows) с самоорганизующейся сетью с помощью отфильтрованных доменных и ранговых блоков как характеристических векторов. Однако этот подход тоже требует обучения сети на изображении, которое должно быть закодировано.