BC/NW 2016 № 1 (28):10.3
ПРИМЕНЕНИЕ
ТЕНЗОРНОЙ АППРОКСИМАЦИИ И ЗАРАНЕЕ ВЫЧИСЛЕННОГО СЛОВАРЯ ДЛЯ СЖАТИЯ ИЗОБРАЖЕНИЙ И
ВИДЕО
Макаров
Д.В., М.К. Чобану М.К.
В настоящее время
требования к качеству контента мультимедиа постоянно растут, а с ростом качества
возрастает и размер изображений и видео [1]. Кроме того, с появлением новых типов
контента (трехмерное телевидение, мультивидовое видео и т.д.) возникла проблема
эффективного представления и сжатия многомерного сигнала [2].
Тензорный анализ
и теория тензорных аппроксимаций играют все более важную роль в области вычислительной
математики и численного анализа. Эффективное представление d-мерного тензора
(массива с d
индексами)
небольшим числом параметров может дать возможность работать с данными размерности
d, равной 10, 100
или даже 1000 (такие проблемы возникают в квантовой молекулярной динамике, финансовом
моделировании, при решении стохастических уравнений в частных производных). В условиях
экспоненциального роста объемов передачи, хранения и обработки визуальной информации
[1] применение данного подхода оправдано.
Тензорные методы
являются новым направлением и находят все большее применение в цифровой обработке
сигналов. Применение тензорных методов может стать хорошей альтернативой имеющимся
подходам в сжатии изображений и видео.
В работе рассмотрен метод
Tensor-Train Decomposition [3] и Wavelet Tensor-Train (WTT [4]). Показана эффективность
применения данных методов и рассмотрена возможность обучения словаря фильтров
WTT для повышения эффективности сжатия.
Эффективность
методов представлена в сравнении с дискретным косинусным преобразованием (применяемом
в алгоритме сжатия JPEG). Также предложено решение для повышения эффективности современных
алгоритмов сжатия видео.
Литература
1. Дворкович В., Чобану М. Проблемы и перспективы
развития систем коди-
рования динамических изображений //
MediaVision. 2011. № 2. С. 55—64.
2. Чобану М. Многомерные многоскоростные
системы обработки сигналов.
М.: Техносфера,
2009. 480 c.
3. Oseledets
I.V. Tensor-train decomposition // SIAM J. Sci.Comput. 2011. Vol. 33.
No. 5. Р.
2295—2317.
4. Oseledets
I.V., Tyrtyshnikov E.E. Algebraic wavelet transform via quantics tensor
train
decomposition // INM RAS. 2010. Preprint 2010-03.__