Diskrečiosioms bangelių transformacijoms galima panaudoti daugybę „motininių“ bangelių, tokių kaip Daubechies, Morlet‘o, Le Gall‘o arba Haar‘o. Daubechies 9/7 (CDF 9/7) bangelės istoriškai yra pirmoji bangelių šeima, kuri buvo išpopuliarinta Ingridos Daubechies (1987 m. Ingrid Daubechies suformavo vieną iš pagrindinių bangelių bazių). CDF 9/7 bangelės yra ypač veiksmingos ortogonaliosios bangelės, plačiai naudojamos praktikoje (FTB pirštų atspaudų glaudinimas, vaizdų kodavimo standartas JPEG2000 ir pan.). Šiame darbe yra aptariamos ir algoritmizuojamos dvi CDF 9/7 transformacijos versijos, būtent: bazinė CDF 9/7 ir CDF 9/7 su daline blokų dekoreliacija. Darbo tikslas – atlikti palyginamąją bazinės CDF 9/7 ir CDF 9/7 su daline blokų dekoreliacija analizę vaizde sukauptos energijos „pakavimo“ spektrinėje bangelių srityje savybės kontekste. Palyginimo kriterijumi yra pasirenkamas dvimatis hiperbolinis skaitmeninių vaizdų filtras, t.y. apdorojamas vaizdas pervedamas į spektrų bangelių sritį, taikant abi CDF 9/7 transformacijos versijas. Gautieji spektrai apdorojami fiksuoto lygmens hiperboliniais filtrais. Po filtravimo įvertinama atkurtų vaizdų kokybė. / Many kernels (“mother” wavelets) can be used for the discrete wavelet transform DWT, like those of Daubechies, Morlet, discrete Le Gall transform (DLGT) or the discrete Haar transform (HT). Cohen-Daubechies-Feauveau (CDF 9/7) wavelet are the historically first family of biorthogonal wavelets, which was made popular by Ingrid Daubechies. These are not the same as the orthogonal Daubechies wavelets, and also not very similar in shape and properties. However their construction idea is the same. The JPEG 2000 compression standard uses the biorthogonal CDF 5/3 wavelet (also called the LeGall 5/3 wavelet) for lossless compression and a CDF 9/7 wavelet for lossy compression. In this paper, two distinct DWT (CDF 9/7 and CDF 9/7 with decorrelation) as well as their computational algorithms are discussed, analyzed and compared. Comparison criteria are chosen to be one – dimensional hyperbolic filters and smoothness level of the digital signal under processing.

Darbe analizuojama diskrečioji Le Gall transformacija (DLGT) yra viena iš bangelių transformacijų, kurios naudojamos skaitmeninių vaizdų glaudinime. Vaizdų glaudinimas ypač svarbus, kai kalbama apie vaizdų siuntimą mažo pralaidumo kompiuteriniu kanalu. Šiai problemai spręsti pasitelkiama diskrečioji Le Gall transformacija, bei didelis dėmesys darbe skirtas vaizdo fragmento DLGT spektrui. Šio spektro radimui sukurtas ir realizuotas naujas algoritmas − greitoji procedūra. Palyginamosios analizės metu įrodyta, kad sukurta greitoji procedūra randa vaizdo fragmento DLGT spektrą daugiau nei 50 kartų greičiau nei tiesiogiai taikant DLGT vaizdo fragmentui. Darbo pradžioje aptariamos pagrindinės bangelių ir jų transformacijų savybės. Šių savybių svarba iliustruojama pateiktais pavyzdžiais ir sąsajomis su taikymu praktikoje. Viena iš svarbesnių aptariamų savybių būtų transformacijos lokalizavimas erdvėje. Nors DLGT pilnai netenkina šios savybės, tačiau darbe apžvelgtas dekoreliacijos metodas leidžia išspręsti šią problemą. Be to, pateikiami išsamūs DLGT algoritmai vienmačiams ir dvimačiams vaizdams. Šių algoritmų dėka buvo sukurta programinė įranga, padedanti analizuoti DLGT. Galiausiai darbo pabaigoje pateikiama sukurtos programinės įrangos instrukcija. / In this paper the main attention is dedicated to discrete Le Gall transformation (DLGT), the family of discrete wavelets transformations, which usage in the image compression is quite popular. Image compression is very important when it comes to low bandwidth network and computer channels. To deal with this problem the discrete Le Gall wavelets are brought up and focused on the image fragment DLGT spectrum. For calculation of this spectrum the new fast procedure is suggested and realized. In comparative analysis the fast procedure is proved to work more than 50 times faster than applying DLGT direct to image fragment. In the beginning of this paper the main concepts of wavelets and their transformations are analyzed. An importance of these properties is illustrated by examples and applications in practice. One of the most important properties is localization in space. Even though DLGT does not fully meet this property decorrelation technique, introduced in paper, benefits in solving localization problem. Moreover, DLGT algorithms are proposed for one-dimensional and 2-dimensional images. According to these algorithms the new program was created, which is dedicated for image analysis. Finally, in the end of paper the instructions of program are presented.