Made available in DSpace on 2014-12-17T14:56:05Z (GMT). No. of bitstreams: 1
GustavoFS.pdf: 1361196 bytes, checksum: fe1a67dcdb84a334e6c49247c8c68a06 (MD5)
Previous issue date: 2005-01-21 / Image compress consists in represent by small amount of data, without loss a visual quality. Data compression is important when large images are used, for example satellite image. Full color digital images typically use 24 bits to specify the color of each pixel of the Images with 8 bits for each of the primary components, red, green and blue (RGB). Compress an image with three or more bands (multispectral) is fundamental to reduce the transmission time, process time and record time. Because many applications need images, that compression image data is important: medical image, satellite image, sensor etc. In this work a new compression color images method is proposed. This method is based in measure of information of each band. This technique is called by Self-Adaptive Compression (S.A.C.) and each band of image is compressed with a different threshold, for preserve information with better result. SAC do a large compression in large redundancy bands, that is, lower information and soft compression to bands with bigger amount of information. Two image transforms are used in this technique: Discrete Cosine Transform (DCT) and Principal Component Analysis (PCA). Primary step is convert data to new bands without relationship, with PCA. Later Apply DCT in each band. Data Loss is doing when a threshold discarding any coefficients. This threshold is calculated with two elements: PCA result and a parameter user. Parameters user define a compression tax. The system produce three different thresholds, one to each band of image, that is proportional of amount information. For image reconstruction is realized DCT and PCA inverse. SAC was compared with JPEG (Joint Photographic Experts Group) standard and YIQ compression and better results are obtain, in MSE (Mean Square Root). Tests shown that SAC has better quality in hard compressions. With two advantages: (a) like is adaptive is sensible to image type, that is, presents good results to divers images kinds (synthetic, landscapes, people etc., and, (b) it need only one parameters user, that is, just letter human intervention is required / Comprimir uma imagem consiste, basicamente, em represent?-la atrav?s de uma menor quantidade de dados, sem para tanto comprometer a qualidade da imagem. A grande import?ncia da compress?o de dados fica evidente quando se utiliza quantidade muito grande de informa??es e espa?os pequenos para armazenamento. Com esse objetivo ? que se apresenta esse trabalho no qual desenvolveu-se um m?todo para a compress?o de imagens coloridas e multiespectrais baseado na quantidade de informa??o contida em cada banda ou planos da imagem. Este m?todo foi chamado de Compress?o Auto-Adaptativa (C.A.A.), no qual cada banda da imagem ? comprimida com uma taxa de compress?o diferente, buscando um melhor resultado de forma a manter a maior parte da informa??o. A t?cnica baseia-se na compress?o com maior taxa para a banda com maior redund?ncia, ou seja, menor quantidade de informa??o e com taxas mais amenas ?s bandas com informa??o mais significativa. O CAA utiliza duas transformadas de imagens como elementos ativos da compress?o. A Transformada Cosseno Discreta (DCT) e a An?lise de Componentes Principais (PCA). A Imagem original (sem compress?o) ? processada pelo sistema CAA no espa?o RGB, sob o qual ? aplicado a transformada PCA, que leva a imagem para um novo espa?o (ou planos de dados), no qual as informa??es est?o descorrelacionadas. Neste espa?o gerado pela PCA, realiza-se a DCT em cada um dos planos individualmente, e, atrav?s de um limiar calculado em fun??o do resultado da PCA e de um par?metro de compress?o fornecido pelo usu?rio, ? que alguns elementos da matriz gerada pela DCT s?o descartados. Por fim realiza-se, respectivamente, a DCT e PCA inversas, reconstruindo assim uma aproxima??o da imagem. Quando comparada com a compress?o realizada pela tradicional JPEG (Joint Photographic Experts Group), a CAA apresenta, em m?dia, resultados cerca de 10 % melhores no que diz respeito a MSE (Mean Square Root), com duas grandes vantagens, por ser adaptativa, ? sens?vel ao tipo de imagem, ou seja, apresenta bons resultados em diversos tipos de imagens (sint?tica, paisagens, pessoas, e etc.), e, necessita apenas um par?metro de compress?o determinado pelo usu?rio
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/15433 |
| Date | 21 January 2005 |
| Creators | Souza, Gustavo Fontoura de |
| Contributors | CPF:53820126449, http://lattes.cnpq.br/9745845064013172, Mascarenhas, Nelson Delfino D'?vila, CPF:07504012491, http://lattes.cnpq.br/0557976975338451, Alsina, Pablo Javier, CPF:42487455420, http://lattes.cnpq.br/3653597363789712, D?ria Neto, Adri?o Duarte, Costa, Jos? Alfredo Ferreira |
| Publisher | Universidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds