A neural and morphological method for wavelet-based image compression

Filho, W.T. de Almeida; Neto, Adrião Duarte Dória; Brito, Agostinho M.

doi:10.1109/ijcnn.2002.1007477

Cited by 3 publications

(3 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Neste trabalho o filtro que possibilitou um melhor resultado foi o biortogonal [5] e os seus coeficientes são mostrados na tabela 1. …”

Section: Transformada Wavelet Discretaunclassified

“…Almeida Filho et al [5][6], propuseram um método com base na transformada wavelet, redes neurais e morfologia matemática, que garante a reconstrução sem perdas da região selecionada. Entretanto, o método se restringia a imagens monocromáticas.…”

Section: Introductionunclassified

“…Porém, este método não garante uma reconstrução perfeita da região de interesse. Garante apenas que a região de interesse será comprimida com uma melhor qualidade que o resto da imagem [4].Almeida Filho et al [5][6], propuseram um método com base na transformada wavelet, redes neurais e morfologia matemática, que garante a reconstrução sem perdas da região selecionada. Entretanto, o método se restringia a imagens monocromáticas.…”

unclassified

See 2 more Smart Citations

Compressão Seletiva de Imagens Coloridas com Base em Redes Neurais

Gomes¹,

Filho²,

Neto³

2016

Anais Do 6. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

This paper proposes a selective compression method of digital color images where regions of the image, called regions of interest (RoI), are compressed totally lossless and the rest of the image in a lossy manner. This method can be used in applications where IntroduçãoAs técnicas de compressão de imagens objetivam reduzir a quantidade de dados necessários para representar uma imagem digital [1]. Esta redução é possível através da identificação e remoção das redundâncias contidas na imagem. A compressão pode se dar sem perda e com perda de informação. No primeiro caso, o resultado em geral leva a baixas taxas de compressão e no segundo é possível alcançar elevadas taxas de compressão. A decisão quanto ao uso de compressão com perdas ou sem perdas é função da aplicação da imagem. Isto é, existem aplicações em que uma perda da informação é aceitável, mas em outras uma perda da informação não é tolerável. As imagens médicas, para fins de diagnóstico são comprimidas sem perdas [2]. Com a expansão da telemedicina através da internet, verificou-se a necessidade de transmissão de um grande volume de imagens através de meios de comunicação de baixa velocidade inviabilizando algumas aplicações, como o diagnóstico cooperativo. Uma solução pode ser o uso de técnicas de compressão mistas, onde regiões de interesse são selecionadas e comprimidas sem perdas e o restante da imagem é comprimido com perdas. Obtendo-se assim elevadas taxas de compressão sem comprometer a análise da imagem por parte do profissional médico [3]. Isto naturalmente pode ser aplicado a outras classes de imagens.O JPEG 2000 still image compression standard permite que uma região de interesse possa ser escolhida. Porém, este método não garante uma reconstrução perfeita da região de interesse. Garante apenas que a região de interesse será comprimida com uma melhor qualidade que o resto da imagem [4].Almeida Filho et al. [5][6], propuseram um método com base na transformada wavelet, redes neurais e morfologia matemática, que garante a reconstrução sem perdas da região selecionada. Entretanto, o método se restringia a imagens monocromáticas. Neste artigo é proposto um método de compressão seletiva de imagens coloridas, onde uma ou mais regiões de interesses (RoI) podem ser escolhidas e é garantida uma reconstrução perfeita dessas regiões.O método tem como base o trabalho desenvolvido anteriormente para imagens monocromáticas, utilizando a transformada wavelet para descorrelacionar os pixels de cada canal, uma rede neural competitiva, (cujo algoritmo de treinamento foi especialmente desenvolvido para esta aplicação) para realizar a quantização vetorial do mapa de significância, morfologia matemática para criar clusters de coeficientes wavelets significantes, código de Huffman adaptativo [8] para reduzir a redundância de codificação e codificação por comprimento de corrida [1] para codificar o mapa das regiões de interesse.O método utiliza-se do espaço de cor YUV com o intuito de passar a imagem do espaço de cor RGB para um espaço mais descorrelacion...

show abstract

“…Neste trabalho o filtro que possibilitou um melhor resultado foi o biortogonal [5] e os seus coeficientes são mostrados na tabela 1. …”

Section: Transformada Wavelet Discretaunclassified

Section: Introductionunclassified

unclassified

See 1 more Smart Citation