Imagini

O imagine este o suprafat a de obicei dreptunghiular a caracterizat a, la

nivelul oric arui punct al ei, de o anumit a culoare. Ideal, culoarea variaz a
continuu n oricare directie. Din p acate, n sistemele numerice, nu se pot
utiliza m arimi care variaz a continuu, ci doar forma discretizat a a acestora.
Astfel, o imagine trebuie s a e discretizat a nainte de a se pune problema
reprezent arii numerice. Discretizarea const a n mp artirea imaginii ntr-un
caroiaj asem an ator unei table de sah. Fiecare portiune de imagine delimitat a
de acest caroiaj va considerata ca avnd o culoare uniform a - o medie a
culorii existente pe aceast a sectiune. Aceste sectiuni mai sunt denumite si
pixeli sau puncte, num arul acestora denind rezolutia imaginii. De exemplu,
pentru o imagine oarecare care are o rezolutie de 640x480 pixeli, nseamn a
ca pe suprafata acesteia s-a denit un caroiaj care o mparte pe orizontal a
n 640 de sectiuni iar pe vertical a, n 480.
Orice culoare poate descompus a n trei culori primare (de exemplu rosu-
R, verde-G si albastru-B), cu alte cuvinte orice imagine poate obtinut a
prin suprapunerea aditiv a a trei radiatii luminoase avnd aceste trei culori si
intensit ati diferite. Deci, pentru a reprezenta numeric o culoare, este sucient
s a se reprezinte intensit atile luminoase ale celor trei culori primare. Dac a
se aloc a cte 8 biti pentru ecare component a, se pot coda 256 nivele de
intensitate. Prin diferite experimente s-a constatat c a din punct de vedere al
capacitatii de percepere a detaliilor, ochiul este mai sensibil la intensitatea
luminoas a a culorii dect la nuant a. Din acest motiv prezint a interes o alt a
modalitate de reprezentare a culorii care s a tin a cont de aceast a observatie,
un exemplu ind reprezentarea Y, U, V utilizat a n televiziunea n culori. n
1
acest caz, n locul celor trei componente primare R, G, B se utilizeaz a alte
trei m arimi derivate din acestea, si anume:
_

_
Y = 0, 3R + 0, 59G + 0, 11B
U = R Y
V = B Y
O imagine se reprezint a ca o matrice de puncte (de obicei de forma p a-
trat a), ecare punct ind caracterizat de o culoare.
Domeniul compresiei (cod arii) de imagini este legat de minimizarea num aru-
lui de biti necesari pentru a reface o imagine, cu aplicatii n special n trans-
misia si stocarea imaginilor. Pentru a putea realiza portabilitatea aplicati-
ilor de imagini si secvente video digitale pe mai multe sisteme, este necesar a
implementarea unor standarde pentru compresia datelor multimedia. Aceste
standarde stabilesc modalit atile de stocare si transmisie a datelor compresate
n vederea posibilit atii utiliz arii lor. Cel mai utilizat standard de compresie
a imaginilor statice este standardul JPEG, creat de Joint Photographics Ex-
perts Group. Metoda de compresie este de tip "cu pierdere", ind conceput a
astfel nct s a se prote de limit arile n perceptia video a ochiului uman.
Compresia fractal

a
Utilizarea fractalilor pentru codarea imaginilor se bazeaz a pe dou a pre-
supuneri:
1. Multe scene naturale posed a aceste detalii n structura detaliului
(de exemplu norii, muntii, etc. ) si
2
2. Poate g asit un IFS (Sistem de functii iterate) care s a genereze o
aproximatie apropiat a a unei imagini folosind doar cteva transform ari. De
exemplu feriga lui Barnsley necesit a doar 4 transform ari (contractii). Din
cauza faptului c a sunt necesare doar putine numere pentru a descrie ecare
contractie, o imagine poate reprezentat a foarte compact.
Fiind dat a o imagine, g asirea unui IFS optimal din toate cele posibile
reprezint a problema invers a. Problema inversa, a r amas nca nerezolvata.
Cnd este capturat a o imagine folosind o camer a digital a sau un scanner,
aceasta este obtinut a la o anumit a scala determinat a de rezolutia de capturare
a acelui dispozitiv. Daca sunt folosite aplicatii software pentru a face un zoom
in asupra imaginii, de la un anumit punct nu se mai pot percepe anumite
detalii, ci doar pixeli mai mari. O imagine fractal a este diferit a. Detalii
similare sunt create la toate nivelele de rezolutie pn a la nivelul innitezimal.
nseamna c a, pe m asur a ce se face zoom in pe o imagine fractal a, aceasta va
ar ata asa cum ar trebui si nu cu efectul de trepte a replic arii pixelilor.
Consider am imaginea (Lena)
3
Figura 1. Lena
Figura 2. Nivele de gri ale gurii 1
4
Dac a ec arui pixel al imaginii (x, y) i asociem o valoare z reprezentnd
nivelul nuantei de gri a pixelului de la pozitia (x, y) ca n altime, mai nalt
pentru albsi mai sc azut pentru negru obtinem o functie z = f(x, y). n gura
2 este reprezentat gracul unei functii z = f(x, y) pornind de la imaginea
Lena (gura 1) punctnd nivelul nuantei de gri a pixelului de la pozitia
(x, y) (la o rezolutie de 6464 pixeli). Astfel, cnd ne vom referi la o imagine
(alb-negru), ne referim de fapt la functia f(x, y) care ne d a nivelul nuantei de
gri a ecarui punct (x, y). Pentru a simplica vom presupune c a vom lucra
numai cu imagini p atrate de dimensiune 1, adic a (x, y) {(u, v) : 0 u, v
1} = I
2
si f(x, y) I = [0, 1].
Pentru compresia fractal a vrems a g asim o functie W care are ca parametru
de intrare o imagine f iar ca iesire o alt a imagine g. Dac a vrem s a stim cnd
W este contractie, va trebui s a denim o functie distanta ntre dou a imagini.
Cea mai simpl a de folosit este distanta:
d(f, g) = sup
(x,y)I
2
|f(x, y) g(x, y)|
Aceast a metric a g aseste pozitia (x, y) unde dou a imagini f si g difera cel mai
mult.
O imagine nu contine acelasi tip de similarit ati ca cele ce pot g asite n
fractali. Imaginea nu pare s a contin a transform ari ane, dar de fapt aceast a
imagine contine un fel de similaritate repetitiv a. n gura 3 se pot observa
unele regiuni din imaginea Lena care sunt similare, ns a la diferite sc ari da
marime.
5
Figura 3. Similarit ati ntr-o imagine
Deosebirile fat a de similarit atile din fractali sunt c a imaginea nu este for-
mat a din copii ale aceleiasi imagini ca ntreg, ci va format a din copii trans-
formate ale unor p arti constituente ale imaginii. Aceste parti transformate nu
pot puse mpreun a pentru a constitui exact imaginea initial a si din aceast a
cauz a ca trebui s a acceptam un anumit grad de eroare n reprezentarea imag-
inii ca un set de transform ari. Acest lucru nseamna ca imaginea pe care o
vom codica prin setul de transform ari nu va o copie exacta a imaginii
originale, ci o aproximare a ei. Rezultatele experimentale au ar atat faptul c a
marea majoritate a imaginilor care pot vazute n mediul nconjurator pot
compresate folosindu-ne de acest tip de similaritate repetitiv a.
n timpul realiz arii unei copii se selecteaz a o portiune din original, pe
care o vom nota cu D
i
si copiaza (transform a) portiunea respectiv a ntr-o
6
portiune a copiei realizate pe care o not am cu R
i
. Vom numi D
i
domenii si
R
i
scop. Vom nota aceast a transformare cu w
i
. Dac a presupunem c a avem
N portiuni, un pas n realizarea unei copii poate scris
W(f) = w
1
(f) w
2
(f) . . . . w
N
(f).
Nivelul de gri din componenta imaginii ne adaug a o nou a dimensiune, deci
transform arile wi sunt de forma:
w
i
_
_
_
_
_
x
y
z
_
_
_
_
_
=
_
_
_
_
_
a
i
b
i
0
c
i
d
i
0
0 0 s
i
_
_
_
_
_

_
_
_
_
_
x
y
z
_
_
_
_
_
+
_
_
_
_
_
e
i
f
i
o
i
_
_
_
_
_
unde s
i
deneste contrastul si oi luminozitatea transform arii. Pentru ca
W(f)s a e o imagine, trebuie ca R
i
= I
2
si R
i
R
j
= , cnd i = j.
Se ncepe cu o imagine initial a f
0
si apoi vom face iteratiile f
1
= W(f
0
),
f
2
= W(f
1
) = W(W(f
0
))) = W
2
(f
0
) s.a.m.d. Vom nota a n-a iteratie
f
n
= W
n
(f
0
).
Principiul contractiei ne spune c a un punct x al lui W va o imag-
ine obtinuta calculnd W(f
0
), W
2
(f0), ..., W
n
(f
0
), ... unde f
0
este o imagine
oarecare. Deci, dac a W este o contractie n spatiul tuturor imaginilor, atunci
aceasta va avea un punct x unic ce va o imagine. Deoarece distanta folosit a
este dependent a numai de z, nu e necesar s a avem conditii de contractie n
x si y. W va o contractie atunci cnd ecare s
i
< 1, deci, cnd z este
multiplicat cu un factor subunitar.
Presupunem ca avem o imagine dat a f, pe care dorim s a o compres am.
Aceasta nseamn a ca trebuie sa g asim o colectie de functii w
1
, w
2
, ...., w
n
,
cu W =
n

i=1
w
i
si f s a e un punct x pe W. Dup a ce am partitionat f
7
aplicnd transform arile w
i
, trebuie s a obtinem din nou f. n general, nu
putem realiza acest lucru, deoarece imaginile nu sunt compuse din p arti care
pot transformate si apoi xate perfect n alt loc al imaginii. ncerc am
s a g asim o alt a imagine f1 cu d(f1, f) foarte mic a. C aut am transformarea
W a c arui punct x f1 este asem an ator cu f. n acest caz, f f1 =
W(f1) W(f). Astfel, este sucient s a aproxim am p arti ale imaginii cu
p arti transformate. Acest lucru nseamn a c a g asim buc atile D
i
si functiile w
i
astfel nct atunci cnd aplicam o functie w
i
p artii de imagine din D
i
, vom
obtine ceva foarte apropiat p artii de imagine din R
i
. Determinare p artilor
D
i
si R
i
st a la baza algoritmilor de compresie fractal ai.
Exemplu: Presupunem ca lucr am cu o imagine de dimensiune 256256
pixeli n care ecare dintre pixeli poate avea una dintre cele 256 nuante de gri
(de la alb la negru). Fie R
1
, R
2
, ...., R
1024
subp atratele disjuncte de dimensi-
une 88 ale imaginii si e D multimea tuturor p atratelor de dimensiune 16 x
16 ce pot si nedisjuncte ale imaginii. Multimea D contine 241 241 = 58081
p atrate. Pentru ecare R
i
c aut am prin toat a multimea D pentru a g asi o
submultime D
i
D ce minimizeaz a distanta (denit a mai sus), adic a vom
cauta partea de imagine ce se aseam an a cel mai mult cu imaginea din R
i
.
Se spune c a acest domeniu acoper a scopul. Sunt 8 modalit ati de a mapa un
p atrat peste altul acest lucru nsemnnd compararea a 8 58081 = 464648
p atrate cu ecare dintre cele 1024 patrate scop. De asemenea, un p atrat din
D are de 4 ori mai multi pixeli dect un p atrat R
i
deci va trebui sau s a pro-
ced am aleator (alegnd unul dintre ecare 22 subp atrate ale lui D
i
) sau s a
interpol am p atratele de dimensiune 2 2 corespunz atoare ecarui pixel din
R
i
. Minimizarea dorit a semnica dou a lucruri: primul l reprezint a g asirea
8
unei valori potrivite pentru D
i
si n al doilea rnd semnic a g asirea unui con-
trast s
i
si a unei luminozit ati o
i
pentru w
i
. Pentru ecare portiune putem
calcula s
i
si o
i
folosind metoda celor mai mici patrate care ne d a de asemenea
ca rezultat o diferent a medie p atratic a rms. Alegem apoi ca D
i
care are
cea mai mic a diferent a rms. O alegere a lui D
i
, cu valorile s
i
si w
i
corespun-
zatoare determin a o functie w
i
. Odat a ce avem multimea w
1
, ..., w
1024
putem
decodica imaginea. n gura 4 putem vedea 4 imagini: o imagine initial a
f0, prima iteratie W(f0), W
2
(f0) si W
10
(f0).
9
Figura 4. Decodicarea unei imagini
Alegerea portiunilor D
i
se poate face si cu alti algoritmi. De exemplu
algoritmul Quadtree presupune partitionarea recursiva a imaginii pn a ce
p atratele ajung la dimensiunea de 32. Dac a obtinem o tolerant a rms de o
valoare acceptabil a (mai mic a dect o valoare predenit a) atunci domeniile
obsinute se p astreaz a, altfel cele ramase se divizeaz a n p atr atele mai mici
10
carora li se aplic a, la rndul lor algoritmul anterior. n algoritmul HV o imag-
ine dreptunghiular a este recursiv mp artit a e orizontal, e vertical pentru
a forma dou a noi dreptunghiuri. Partitionarea se face recursiv pn a cnd
se obtine toleranta dorit a ca n metoda quadtree. n algoritmul partitiei tri-
unghiulare o imagine dreptunghiular a este mp artit a n dou a triunghiuri, cele
dou a triunghiuri avnd ca latur a comun a diagonala dreptunghiului. Fiecare
triunghi astfel obtinut, este partitionat recursiv n alte patru triunghiuri,
prin segmente obtinute prin unirea a trei puncte ce se a a pe cele trei laturi
ale triunghiului. Partitionarea se face recursiv pna cnd se obtine toleranta
dorit a ca n metoda quadtree. n gura 5 sunt exemplicate aceste metode
de partitionare pentru imaginea Lena:
Figura 5. Metode de partitionare.
Metodele folosite pentru imaginile alb+negru (nuante de gri) pot folosite
si n cadrul imaginilor color, tinnd seama de descrierea culorilor (cu ajutorul
nuantelor de R, G, B sau Y, U, V.
11