فشرده‌سازي تصوير با كمك حذف و كدگذاري هوشمندانه اطلاعات تصوير و بازسازي آن با استفاده از الگوريتم هاي ترميم تصوير

Image Compression Based on Intelligent Information Removing and Inpainting Reconstruction Algorithms

روش‌هاي فشرده‌سازي با اتلاف، به‌دليل ايجاد فشرده‌سازي بيشتر، كاربرد گسترده‌تري دارند. اگرچه روش‌هاي زيادي تا به حال براي فشرده‌سازي تصاوير پيشنهاد شده ، اما، به استفاده از روش‌هاي هوشمندانه حذف اطلاعات، كمتر توجه شده است. ترميم، مجموعه‌اي از روش‌هايي است كه اصلاحاتي را بر روي تصاوير انجام مي‌دهد؛ با اين هدف كه بيننده تفاوتي بين تصوير اصلاح‌شده و تصوير اصلي احساس نكند. در اين مقاله، پس از بررسي و معرفي بعضي روش‌هاي ترميم تصوير و روش‌هاي فشرده‌سازي تصوير با كمك ترميم، روش جديدي پيشنهاد مي‌شود كه علاوه‌ بر‌اين كه باعث فشردگي قابل توجه تصوير در زمان ارسال مي‌شود، نتيجه كيفي مناسبي نيز در گيرنده خواهد داشت. در روش پشنهادي، تصوير به نواحي ساختاري و بافتي تقسيم مي‌شود و براي هر ناحيه بلوك‌هاي قابل حذفي كه امكان بازسازي مناسبي در گيرنده با استفاده از روش‌هاي ترميم دارند، شناسايي و حذف مي‌شوند و اطلاعات كمكي لازم جهت ترميم بهتر از آنها استخراج مي‌شود. اين بلوك‌ها به‌همراه بلوك‌هاي غيرقابل حذف تصوير پس از كد‌شدن، ارسال مي‌شوند و در گيرنده پس از كدگشايي، بلوك‌هاي از‌دست‌رفته بازسازي و ترميم مي‌گردند تا در‌نهايت تصوير اوليه در گيرنده قابل استفاده باشد. ويژگي‌هاي روش پيشنهادي نخست متغير‌بودن اندازه بلوك‌هاي حذفي است كه باعث فشردگي بيشتر مي‌شود و ثانياً ارائه روش جديدي جهت بازسازي بلوك‌هاي شامل لبه در گيرنده است كه كيفيت بلوك‌هاي ترميم شده اين نواحي را افزايش مي‌دهد.

Compression can be done by lossy or lossless methods. The lossy methods have been used more widely than the lossless compression. Although, many methods for image compression have been proposed yet, the methods using intelligent skipping proper to the visual models has not been considered in the literature. Image inpainting refers to the application of sophisticated algorithms to replace lost or corrupted parts of the data so that visual difference cannot be inferred from the reconstructed image. In this paper, first we review some of the image inpainting algorithms and some of the image compression techniques using the inpainting algorithms, we propose a new inpainting based image compression algorithm that can improve the compression rate considerably. We present image compression system based on the proposed parameter-assistant image inpainting method to more deeply exploit visual redundancy inherent in color images. We have shown that with carefully selected dropped regions and appropriately extracted parameters from them, dropped regions can be satisfactorily restored using the proposed PAI algorithm. Accordingly, our compression scheme has a higher coding performance compared with traditional methods in terms of the perceptual quality. To best represent the target region for inpainting, an effective region classifier is required. A generic solution is to study the distribution of each image region and find the best match among the candidates in the predefined model class. For simplicity, in our scheme, an entire image divided into three categories: gradated, structural, and non-featured, at non-overlapping block level of size S×S. The classification is performed based on edge content and color variance in each block. Simulation results show that our proposed method has reasonable visual quality in comparison with the other proposed image compression algorithms.