МЕТОД ДОДАТКОВОГО СКОРОЧЕННЯ СТРУКТУРНОЇ НАДМІРНОСТІ КОДОВОГО ПРЕДСТАВЛЕННЯ ВІДЕОДАНИХ
DOI:
https://doi.org/10.31649/1997-9266-2022-162-3-67-76Ключові слова:
трансформація, реструктуризація, кластеризація, ознака кількості серій одиниць, кодування, дані відеоінформаційного ресурсуАнотація
На сьогоднішній день значний розвиток інформаційних технологій спрямований на удосконалення існуючих алгоритмів та технологій кодування даних відеоінформаційних ресурсів. Це пов’язано з постійним зростанням обсягів даних, що передаються в каналах передачі даних, в умовах існуючих обмежень пропускної здатності. Також, активне використання бездротових технологій для передачі даних супроводжується зростанням вимог до відеоінформаційних ресурсів — компактне представлення кодованих даних в умовах збереження їхньої цілісності. З цією метою розроблено метод кодування даних відеоінформаційного ресурсу з використанням реструктуризації інформаційного простору кодованих даних. Під реструктуризацією інформаційного простору розуміється кластеризація елементів повідомлення. Інструментом для кластеризації виступає кількісна ознака — ознака кількості серій одиниць у внутрішній двійковій структурі елементів повідомлення. Сутність кластеризації полягає в тому, що елементи з однаковими значеннями ознаки кількості серій одиниць формують кластери. Досліджено особливості трансформацій законів розподілу елементів у повідомленні за рахунок використання внутрішньої реструктуризації даних за кількісною ознакою. Сутність розробленого методу кластерного статистичного кодування даних відеоінформаційного ресурсу полягає в тому, що кодування елементів повідомлення відбувається у статистичному просторі множин, що формуються у процесі кластеризації. Характерною рисою методу є збереження цілісності кодованих даних в умовах забезпечення додаткового скорочення структурної надмірності кодового представлення відеоданих. Проаналізовано ефективність використання розробленого методу кластерного статистичного кодування даних відеоінформаційного ресурсу з позиції можливості забезпечення додаткового скорочення структурної надмірності кодового представлення відеоданих.
Посилання
S. Wang, S. Kim, Z. Yin, and T. He, “Encode when necessary: Correlated network coding under unreliable wireless links,” ACM Transactions on Sensor Networks, vol. 13, no. 1, pp. 24-29, 2017. https://doi.org/10.1145/ 3023953.
C. Chen, and Y. Zhuo, “A research on anti-jamming method based on compressive sensing for OFDM analogous system,” in IEEE 17th International Conference on Communication Technology (ICCT), 2017, pp. 655-659, https://doi.org/10.1109/ICCT.2017.8359718.
B. Zhurakovskyi, J. Boiko, V. Druzhynin, I. Zeniv, and O. Eromenko, “Increasing the efficiency of information transmission in communication channels,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 19 (3), pp. 1306-1315, 2020. https://doi.org/ 10.11591/ijeecs.v19.i3.
R. Swaminathan, and A. Madhukumar, “Classification of Error Correcting Codes and Estimation of Interleaver Parameters in a Noisy Transmission Environment,” IEEE Transactions on Broadcasting, vol. 63, no. 3, 2017, pp. 463-478. https://doi.org/10.1109/TBC.2017.2704436.
T. Richter,” Error Bounds for HDR Image Coding with JPEG XT,” Data Compression Conference (DCC), 2017, pp. 122-130. https://doi.org/ 10.1109/DCC.2017.7.
S. Wang, X. Zhang, X. Liu, J. Zhang, Ma, S., and W. Gao, “Utility Driven Adaptive Preprocessing for Screen Content Video Compression,” IEEE Transactions on Multimedia, vol. 19, no. 3, pp. 660-667, 2017.
A. Djelouah, J. Campos, S. Schaub-Meyer, and C. Schroers, “Neural Inter-Frame Compression for Video Coding,” IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 6420-6428. https://doi.org/10.1109/ICCV.2019.00652.
X. Zhu, L. Liu, and Na Ai P. Jin, “Morphological component decomposition combined with compressed sensing for image compression, “IEEE International Conference on Information and Automation (ICIA), https://doi.org/10.1109/ICInfA.2016.7832096.
O. Rippel, “Learned Video Compression,” IEEE/CVF International Conference on Computer Vision (ICCV), 2019, pp. 3453-3462. https://doi.org/10.1109/ICCV. 2019.00355.
Z. Wang, R. Liao, Y. Ye, “Joint Learned and Traditional Video Compression for P Frame,” IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2020, pp. 560-564. https://doi.org/10.1109/CVPRW50498.2020.00075.
Y. S. Manzhos, and Y. V. Sokolova, “A Method of IoT Information Compression,” International Journal of Computing, 21(1), pp. 100-110, 2022. https://doi.org/10.47839/ijc.21.1.2523.
X. Wang, J. Xiao, R. Hu, Z. Wang, “Cruise UAV Video Compression Based on Long-Term Wide-Range Background,” Data Compression Conference (DCC), 2017, pp. 466-467. https://doi.org/10.1109/DCC.2017.71.
T. Shinde, “Efficient Image Set Compression,” IEEE International Conference on Image Processing (ICIP), 2019, pp. 3016-3017, https://doi.org/10.1109/ICIP. 2019.8803230.
C. Narmatha, P. Manimegalai, and S. Manimurugan, “A LS-compression scheme for grayscale images using pixel based technique,” International Conference on Innovations in Green Energy and Healthcare Technologies (IGEHT), 2017, pp. 1-5, https://doi.org/10.1109/ IGEHT.2017.8093980.
S. Han, H. Mao, and W. Dally, Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding, 2015. arXiv: 1510.00149.
J. Lee, S. Cho, and S.-K. Beack, Context-adaptive entropy model for end-to-end optimized image compression, 2018. arXiv: 1809.10452.
Y. Chen, F. Wu, C. Li, and P. Varshney, “An Efficient Construction Strategy for Near-Optimal Variable-Length Error-Correcting Codes,” IEEE Communications Letters, vol. 23, no. 3, pp. 398-401, 2019. https://doi.org/10.1109/LCOMM.2019.2891623.
Y. Yehezkeally, and M. Schwartz, “Limited-Magnitude Error-Correcting Gray Codes for Rank Modulation,” IEEE Transactions on Information Theory, vol. 63, no. 9, pp. 5774-5792, 2017. https://doi.org/10.1109/TIT.2017.2719710.
F. Artuğer, and F. Özkaynak, “Fractal Image Compression Method for Lossy Data Compression,” International Conference on Artificial Intelligence and Data Processing (IDAP), 2018, pp. 1-6. https://doi.org/10.1109/IDAP. 2018.8620735.
J. Lin, D. Liu, H. Li, and F. Wu, “M-LVC: Multiple Frames Prediction for Learned Video Compression,” IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020, pp. 3543-3551. DOI: 10.1109/CVPR42600. 2020.00360.
W. Dong, and J. Wang, “JPEG Compression Forensics against Resizing,” IEEE Trustcom/ BigDataSE/IвSPA, Tianjin, China, 2016, pp. 1001-1007. https://doi.org/10.1109/TrustCom.2016.0168.
W. Xiao, N. Wan, A. Hong, and X. Chen, “A Fast JPEG Image Compression Algorithm Based on DCT,” IEEE International Conference on Smart Cloud (SmartCloud), 2020, pp. 106-110. https://doi.org/10.1109/ SmartCloud49737. 2020.00028.
A. Phatak, “A Non-format Compliant Scalable RSA-based JPEG Encryption Algorithm,” International Journal of Image. Graphics and Signal Processing, vol. 8, no. 6, pp 64-71, 2016. https://doi.org/10.5815/ijigsp. 2016.06.08.
H. Wu, X. Sun, J. Yang, W. Zeng, and F. Wu, “Lossless Compression of JPEG Coded Photo Collections,” IEEE Transactions on Image Processing, vol. 25, no. 6, pp. 2684-2696, 2016. https://doi.org/10.1109/ TIP.2016.2551366.
M. Akbari, J. Liang, J. Han, and C. Tu, “Learned Variable-Rate Image Compression With Residual Divisive Normalization,” IEEE International Conference on Multimedia and Expo (ICME), 2020, pp. 1-6. https://doi.org/10.1109/ICME46284.2020.9102877.
M. A. Alam, “Faster Image Compression Technique Based on LZW Algorithm Using GPU Parallel Processing,” Joint 7th International Conference on Informatics, Electronics & Vision (ICIEV) and 2nd International Conference on Imaging, Vision & Pattern Recognition (icIVPR), 2018, pp. 272-275, https://doi.org/10.1109/ICIEV.2018.8640956.
S. Khmelevskiy, I. Tupitsya, Q. A. Mahdi, О. Musienko, M. Parkhomenko, and Y. Borovensky, “Development of the external restructuring method to increase the efficiency of information resource data encodin,” Information Processing Systems, 3(166), pp. 52-61, 2021. https://doi.org/10.30748/soi.2021.166.06.
V. Barannik, S. Sidchenko, I. Tupitsya, and S. Stasev, “The application for internal restructuring the data in the entropy coding process to enhance the information resource security,” IEEE East-West Design and Test Symposium (EWDTS), 2016, pp. 1-4. https://doi.org/10.1109/EWDTS.2016.7807749.
Barannik, V., Tupitsya, I., Barannik, V., Shulgin, S., Musienko, A., Kochan, R., Veselska, O. The Application of the Internal Restructuring Method of the Information Resource Data According to the Sign of the Number of Series of Units to Improve the Statistical Coding Efficiency. 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 2019, pp.65-69. DOI: 10.1109/IDAACS.2019.8924460.
V. Barannik, I. Tupitsya, O. Kovalenko, Y. Sidchenko, V. Yroshenko, and O. Stepanko, “The analysis of the internal restructuring method efficiency used for a more compact representation of the encoded data,” Advanced Trends in Information Theory (ATIT’2020): proceedings of the Intern. Conf., 2020, pp. 89-92. https://doi.org/10.1109/ ATIT49449.2019.9030451.
V. Barannik, I. Tupitsya, O. Dodukh, V. Barannik, and M. Parkhomenko, “The Method of Clustering Information Resource Data on the Sign of the Number of Series of Units as a Tool to improve the Statistical Coding Efficiency. IEEE 15th International Conference on the Experience of Designing and Application of CAD Systems (CADSM), 2019, pp. 32-35. https://doi.org/10.1109/CADSM.2019.8779243.
O. Yudin, V. Artemov, A. Krasnorutsky, V. Barannik, I. Tupitsya and G. Pris, “Creating a mathematical model for estimating the impact of errors in the process of reconstruction of non-uniform code structures on the quality of recoverable video images,” Advanced Trends in Information Theory (ATIT’2021): proceedings of the Intern. Conf., pp. 38-41. https://doi.org/10.1109/ATIT54053.2021.9678887.
V. Barannik, I. Tupitsya, I. Gurzhii, V. Barannik, S. Sidchenko, O. Kulitsa, “ Two-Hierarchical Scheme of Statistical Coding of Information Resource Data with Quantitative Clustering,” IEEE International Conference on Advanced Trends in Information Theory (ATIT), 2019, pp. 89-92. https://doi.org/10.1109/ATIT49449.2019.9030451. Accessed: http://sipi.usc.edu/database/database.php?volume=misc&image=12#top
##submission.downloads##
-
PDF
Завантажень: 125
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).