Адаптивное комбинированное кодирование изображений с прогнозированием объема арифметического кода

Рассматривается задача повышения эффективности кодирования полутоновых изображений в пространстве битовых плоскостей разностей значений пикселей, полученных с помощью дифференциального кодирования (DPCM – Differential pulse-code modulation). Для компактного представления DPCM-значений пикселей предлагается использовать комбинированный кодер сжатия, реализующий арифметическое кодирование и кодирование длин серий. Арифметический кодер обеспечивает высокие коэффициенты сжатия, но имеет высокую вычислительную сложность и значительные накладные расходы на кодирование, что делает его эффективным в основном для сжатия средних по значимости битовых плоскостей DPCM-значений пикселей. Кодирование длин серий является предельно простым и превосходит арифметическое кодирование в сжатии длинных последовательностей повторяющихся символов, часто встречающихся в старших битовых плоскостях DPCM-значений пикселей. Для битовых плоскостей DPCM-значений пикселей любого изображения может быть подобрана комбинация простых кодеров длин серий и сложных арифметических кодеров, обеспечивающая максимальный коэффициент сжатия каждой битовой плоскости и всех плоскостей в целом при наименьшей вычислительной сложности. В результате каждому изображению соответствует своя эффективная структура комбинированного кодера, зависящая от распределения бит в битовых плоскостях DPCM-значений пикселей. Для адаптации структуры комбинированного кодера к распределению бит в битовых плоскостях DPCM-значений пикселей в статье предлагается использовать прогнозирование объема арифметического кода на основе энтропии и сравнение полученного прогнозного значения с объемом кода длин серий. Вычисление энтропии осуществляется на основе значений количества повторов единичных и нулевых символов, получаемых в качестве промежуточных результатов кодирования длин серий, что не требует дополнительных вычислительных затрат. Установлено, что в сравнении с адаптацией структуры комбинированного кодера с использованием прямого определения объема арифметического кода каждой битовой плоскости DPCM-значений пикселей предложенная структура кодера обеспечивает существенное снижение вычислительной сложности при сохранении высоких коэффициентов сжатия изображений.

1. Marcellin M.W., Gormish M.J., Bilgin A., Boliek M.P. An Overview of JPEG-2000. Proc. of IEEE Data Compression Conference. 2000;523-541. https://doi.org/10.1109/DCC.2000.838192.

2. Xue S., Xu Y., Oelmann B. Hybrid Golomb codes for a group of quantised GG sources. IEEE Proc. - Vision, Image and Signal Processing. 2003;150(4):256-260. https://doi.org/10.1049/ip-vis:20030510.

3. Su C., Hsin H., Lin S. Wavelet tree classification and hybrid coding for image compression. IEEE Proc. - Vision, Image and Signal Processing. 2005;152(6):752-756. https://doi.org/10.1049/ip-vis:20050004.

4. Mukherjee D. Parameter Selection for Wyner-Ziv Coding of Laplacian Sources with Additive Laplacian or Gaussian Innovation. IEEE Trans. on Signal Processing. 2009;57(8):3208-3225.

5. Banerjee A., Halder A. An efficient image compression algorithm for almost dual-color image based on k-means clustering, bit-map generation and RLE. 2010 International Conference on Computer and Communication Technology (ICCCT), Allahabad, Uttar Pradesh. 2010:201-205. https://doi.org/10.1109/ICCCT.2010.5640529.

6. Salman N.H., Rafea S. The Arithmetic Coding and Hybrid Discrete Wavelet and Cosine Transform Approaches in Image Compression. Journal of Southwest Jiaotong University. 2020;55(1):9.

7. Gahalot D., Mehra R. Huffman coding algorithm and DCT implementation for hybrid image compression on Matlab platform. Pramana Research Journal. 2019;9(11):53-61.

8. Xu C., Ye Y., Hu Z., Zou Y., Shen L., Liu X., Lu J. A primal-dual algorithm for robust fractal image coding. Fractals. 2019;27(7):14. https://doi.org/10.1142/S0218348X19501196.

9. Nag S. Vector quantization using the improved differential evolution algorithm for image compression. Genetic Programming and Evolvable Machines. 2019;20:187-212. https://doi.org/10.1007/s10710-019-09342-8.

10. Weinberger M.J., Seroussi G., Sapiro G. The LOCO-I lossless image compression algorithm: principles and standardization into JPEG-LS. IEEE Transactions on Image Processing. 2000;9(8):1309-1324.

11. Birajdar A., Agarwal H., Bolia M., Gupte V. Image Compression using Run Length Encoding and its Optimisation. 2019 Global Conference for Advancement in Technology (GCAT), Bangaluru, India. 2019: 1-6.

12. Alias B., Mehra A., Harsha P. Hardware implementation and testing of effective DPCM image compression technique using multiple-LUT. 2014 International Conference on Advances in Electronics Computers and Communications, Bangalore. 2014:1-4. https://doi.org/10.1109/ICAECC.2014.7002433.

13. Al-Bahadily H.K., Altaay A.A.J., Tsviatkou V.U., Kanapelka V.K. New modified RLE algorithms to compress grayscale images with lossy and lossless compression. International Journal of Advanced Computer Science and Applications. 2016;7(7):250-255. https://doi.org/10.14569/IJACSA.2016.070734.