Un método para comprimir imágenes multibandas
- Autores
- Romero, Diego Javier
- Año de publicación
- 2003
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Este trabajo consiste en describir y aplicar un método de compresión para imágenes multibandas propuesto por Paredes, Arce y Russo. Una imagen multibanda está formada por varias imágenes similares, es por eso que el método aquí descripto trata de explotar no sólo las características propias (espaciales) de cada imagen si no también las similitudes que existen entre ellas. Dichas imágenes están en escalas de grises y decimos que son similares en el sentido de que a simple vista no hay grandes diferencias entre ellas, pero las mismas se encuentran cuando se examinan los valores de sus píxeles. En la vida real, el número de sistemas que generan imágenes multibandas es amplio, algunos ejemplos son: sistemas de sensores remotos, sistemas del tipo FLIR (Forward looking Infrared), etc. Muchos de los enfoques tradicionales comprimen cada imagen por separado desperdiciando así las similitudes potenciales que exiten entre las imágenes. En cambio la metodología propuesta trata de explotar dichas similitudes no sólo desde un punto de vista de la compresión si no también desde el punto de vista de la codificación. El proceso de compresión descripto en comienza con la normalización de las imágenes para lograr que las mismas sean parecidas entre sí (es decir, que tengan la misma media y varianza similares), después sobreéstas imágenes normalizadas actúa el componente clave del proceso, el cual es una biyección (Bijection Mapping), que toma todas las imágenes y genera una sola intercalando los pixeles, formando así una imagen virtual. Luego se utiliza un codificador basado en zero-trees llamado SPIHT para comprimir la imagen virtual a la tasa de compresión deseada. Decodificando se obtiene una versión comprimida de la imagen virtual y a partir de allí, y utilizando la biyección inversa, y luego la desnormalización se recuperan las versiones comprimidas de las imágenes originales. En el final se muestran los resultados obtenidos de la comparación entre aplicar el método a una imagen multibanda de tres imágenes y comprimir cada imagen por separado utilizando SPIHT. Esto se realiza con dos imágenes multibandas: en el ejemplo 1 se trabaja con una cuyas imágenes son muy parecidas entre sí y en el ejemplo 2 se trabaja con otra que posee imágenes más disímiles
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
compresión
imágenes multibandas - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/184498
Ver los metadatos del registro completo
id |
SEDICI_4e2dfac49e4269d7b2c19078f580fd50 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/184498 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Un método para comprimir imágenes multibandasRomero, Diego JavierCiencias Informáticascompresiónimágenes multibandasEste trabajo consiste en describir y aplicar un método de compresión para imágenes multibandas propuesto por Paredes, Arce y Russo. Una imagen multibanda está formada por varias imágenes similares, es por eso que el método aquí descripto trata de explotar no sólo las características propias (espaciales) de cada imagen si no también las similitudes que existen entre ellas. Dichas imágenes están en escalas de grises y decimos que son similares en el sentido de que a simple vista no hay grandes diferencias entre ellas, pero las mismas se encuentran cuando se examinan los valores de sus píxeles. En la vida real, el número de sistemas que generan imágenes multibandas es amplio, algunos ejemplos son: sistemas de sensores remotos, sistemas del tipo FLIR (Forward looking Infrared), etc. Muchos de los enfoques tradicionales comprimen cada imagen por separado desperdiciando así las similitudes potenciales que exiten entre las imágenes. En cambio la metodología propuesta trata de explotar dichas similitudes no sólo desde un punto de vista de la compresión si no también desde el punto de vista de la codificación. El proceso de compresión descripto en comienza con la normalización de las imágenes para lograr que las mismas sean parecidas entre sí (es decir, que tengan la misma media y varianza similares), después sobreéstas imágenes normalizadas actúa el componente clave del proceso, el cual es una biyección (Bijection Mapping), que toma todas las imágenes y genera una sola intercalando los pixeles, formando así una imagen virtual. Luego se utiliza un codificador basado en zero-trees llamado SPIHT para comprimir la imagen virtual a la tasa de compresión deseada. Decodificando se obtiene una versión comprimida de la imagen virtual y a partir de allí, y utilizando la biyección inversa, y luego la desnormalización se recuperan las versiones comprimidas de las imágenes originales. En el final se muestran los resultados obtenidos de la comparación entre aplicar el método a una imagen multibanda de tres imágenes y comprimir cada imagen por separado utilizando SPIHT. Esto se realiza con dos imágenes multibandas: en el ejemplo 1 se trabaja con una cuyas imágenes son muy parecidas entre sí y en el ejemplo 2 se trabaja con otra que posee imágenes más disímilesSociedad Argentina de Informática e Investigación Operativa2003-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/184498spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/184498Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.596SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Un método para comprimir imágenes multibandas |
title |
Un método para comprimir imágenes multibandas |
spellingShingle |
Un método para comprimir imágenes multibandas Romero, Diego Javier Ciencias Informáticas compresión imágenes multibandas |
title_short |
Un método para comprimir imágenes multibandas |
title_full |
Un método para comprimir imágenes multibandas |
title_fullStr |
Un método para comprimir imágenes multibandas |
title_full_unstemmed |
Un método para comprimir imágenes multibandas |
title_sort |
Un método para comprimir imágenes multibandas |
dc.creator.none.fl_str_mv |
Romero, Diego Javier |
author |
Romero, Diego Javier |
author_facet |
Romero, Diego Javier |
author_role |
author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas compresión imágenes multibandas |
topic |
Ciencias Informáticas compresión imágenes multibandas |
dc.description.none.fl_txt_mv |
Este trabajo consiste en describir y aplicar un método de compresión para imágenes multibandas propuesto por Paredes, Arce y Russo. Una imagen multibanda está formada por varias imágenes similares, es por eso que el método aquí descripto trata de explotar no sólo las características propias (espaciales) de cada imagen si no también las similitudes que existen entre ellas. Dichas imágenes están en escalas de grises y decimos que son similares en el sentido de que a simple vista no hay grandes diferencias entre ellas, pero las mismas se encuentran cuando se examinan los valores de sus píxeles. En la vida real, el número de sistemas que generan imágenes multibandas es amplio, algunos ejemplos son: sistemas de sensores remotos, sistemas del tipo FLIR (Forward looking Infrared), etc. Muchos de los enfoques tradicionales comprimen cada imagen por separado desperdiciando así las similitudes potenciales que exiten entre las imágenes. En cambio la metodología propuesta trata de explotar dichas similitudes no sólo desde un punto de vista de la compresión si no también desde el punto de vista de la codificación. El proceso de compresión descripto en comienza con la normalización de las imágenes para lograr que las mismas sean parecidas entre sí (es decir, que tengan la misma media y varianza similares), después sobreéstas imágenes normalizadas actúa el componente clave del proceso, el cual es una biyección (Bijection Mapping), que toma todas las imágenes y genera una sola intercalando los pixeles, formando así una imagen virtual. Luego se utiliza un codificador basado en zero-trees llamado SPIHT para comprimir la imagen virtual a la tasa de compresión deseada. Decodificando se obtiene una versión comprimida de la imagen virtual y a partir de allí, y utilizando la biyección inversa, y luego la desnormalización se recuperan las versiones comprimidas de las imágenes originales. En el final se muestran los resultados obtenidos de la comparación entre aplicar el método a una imagen multibanda de tres imágenes y comprimir cada imagen por separado utilizando SPIHT. Esto se realiza con dos imágenes multibandas: en el ejemplo 1 se trabaja con una cuyas imágenes son muy parecidas entre sí y en el ejemplo 2 se trabaja con otra que posee imágenes más disímiles Sociedad Argentina de Informática e Investigación Operativa |
description |
Este trabajo consiste en describir y aplicar un método de compresión para imágenes multibandas propuesto por Paredes, Arce y Russo. Una imagen multibanda está formada por varias imágenes similares, es por eso que el método aquí descripto trata de explotar no sólo las características propias (espaciales) de cada imagen si no también las similitudes que existen entre ellas. Dichas imágenes están en escalas de grises y decimos que son similares en el sentido de que a simple vista no hay grandes diferencias entre ellas, pero las mismas se encuentran cuando se examinan los valores de sus píxeles. En la vida real, el número de sistemas que generan imágenes multibandas es amplio, algunos ejemplos son: sistemas de sensores remotos, sistemas del tipo FLIR (Forward looking Infrared), etc. Muchos de los enfoques tradicionales comprimen cada imagen por separado desperdiciando así las similitudes potenciales que exiten entre las imágenes. En cambio la metodología propuesta trata de explotar dichas similitudes no sólo desde un punto de vista de la compresión si no también desde el punto de vista de la codificación. El proceso de compresión descripto en comienza con la normalización de las imágenes para lograr que las mismas sean parecidas entre sí (es decir, que tengan la misma media y varianza similares), después sobreéstas imágenes normalizadas actúa el componente clave del proceso, el cual es una biyección (Bijection Mapping), que toma todas las imágenes y genera una sola intercalando los pixeles, formando así una imagen virtual. Luego se utiliza un codificador basado en zero-trees llamado SPIHT para comprimir la imagen virtual a la tasa de compresión deseada. Decodificando se obtiene una versión comprimida de la imagen virtual y a partir de allí, y utilizando la biyección inversa, y luego la desnormalización se recuperan las versiones comprimidas de las imágenes originales. En el final se muestran los resultados obtenidos de la comparación entre aplicar el método a una imagen multibanda de tres imágenes y comprimir cada imagen por separado utilizando SPIHT. Esto se realiza con dos imágenes multibandas: en el ejemplo 1 se trabaja con una cuyas imágenes son muy parecidas entre sí y en el ejemplo 2 se trabaja con otra que posee imágenes más disímiles |
publishDate |
2003 |
dc.date.none.fl_str_mv |
2003-09 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/184498 |
url |
http://sedici.unlp.edu.ar/handle/10915/184498 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616361098084352 |
score |
13.070432 |