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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/184498

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