Wavelet-сжатие для видеонаблюдения. Как оно работает?
Многие десятилетия ученые пытались найти для аппроксимации прерывистых сигналов более подходящие функции, чем синусы и косинусы, которые составляют основу анализа Фурье. По определению синусы и косинусы являются нелокальными функциями. Они определены в бесконечной области. В этом заключена главная причина их плохой работы при аппроксимации резких переходов, таких как отдельные детали изображения с высоким разрешением в конечном двумерном кадре. Кадры именно такого типа мы наиболее часто наблюдаем при записи в мультиплексированном режиме. Они отличаются от непрерывного потока движущихся изображений в обычном телевидении. Вейвлет анализ действует иначе и позволяет более эффективно обрабатывать мелкие детали изображения.
Авторами этой математической модели были A.Grossman и J.Morlet, которые и применили термин wavelet - вейвлет в 80-ых годах для эксперимента акустических сигналов. В результате вейвлет сжатие изначально применялось в таких сферах как астрономия и геофизика, вскоре, когда компания Analog devices выпустила аппаратную реализацию вейвлет сжатия, кодек adv601, оказалось что его сжатие можно превосходно использовать в видеонаблюдении.
Вейвлет сжатие преобразует полное изображение, а не его секции 8x8 как это происходит в jpeg и является более естественным, так как отслеживает формы объектов в изображении. Поэтому вейвлет сжатие оказалось особенно привлекательным для систем видеонаблюдения. С помощью вейвлет анализа мы можем использовать аппроксимационные функции, определенные на конечных областях. Вейвлет функции - это функции, которые удовлетворяют определенным математическим требованиям и используются для представления данных или других функций.
В вейвлет анализе главное отличие от БПФ анализа (быстрого преобразования Фурье) заключается в том, что вейвлет функции разлагают сигнал по разным частотам с различным разрешением, то есть на множество малых групп волн. Отсюда и название - вейвлет (элементарные волны). Алгоритмы вейвлет преобразования обрабатывают данные в различных масштабах и с разным разрешением. Вейвлет анализ позволяет разглядеть и отдельные детали и глобальное изображение или, как выразились некоторые авторы вейвлет анализа, увидеть “и лес, и отдельные деревья”, в противоположность анализу Фурье, который позволяет видеть “только лес”.
Вейвлет анализ хорошо подходит для аппроксимации данных с резкими границами. Процедура вейвлет анализа заключается в подборе функции прототипа элементарной волны, называемой анализирующей или порождающей волной. Временной анализ выполняется в укороченной высокочастотной версии функции прототипа, в то время как частотный анализ производится в ее расширенной низкочастотной версии. Поскольку оригинальный сигнал или функция могут быть представлены в виде разложения по вейвлет функциям с применением коэффициентов в линейной комбинации с вейвлет функциями, то операции с данными могут выполняться посредством использования всего лишь соответствующих вейвлет коэффициентов.
Одна интересная особенность, аппаратной реализации вейвлет сжатия позволяет выбрать область интереса или зону повышенной детализации (area of interest или quality box). Эта область может быть сжата с лучшим качеством и соответственно более высокой детализацией интересующих нас объектов по сравнению с остальным изображением, а ее использование позволяет значительно уменьшить размер файла сжатого изображения
Многие десятилетия ученые пытались найти для аппроксимации прерывистых сигналов более подходящие функции, чем синусы и косинусы, которые составляют основу анализа Фурье. По определению синусы и косинусы являются нелокальными функциями. Они определены в бесконечной области. В этом заключена главная причина их плохой работы при аппроксимации резких переходов, таких как отдельные детали изображения с высоким разрешением в конечном двумерном кадре. Кадры именно такого типа мы наиболее часто наблюдаем при записи в мультиплексированном режиме. Они отличаются от непрерывного потока движущихся изображений в обычном телевидении. Вейвлет анализ действует иначе и позволяет более эффективно обрабатывать мелкие детали изображения.
Авторами этой математической модели были A.Grossman и J.Morlet, которые и применили термин wavelet - вейвлет в 80-ых годах для эксперимента акустических сигналов. В результате вейвлет сжатие изначально применялось в таких сферах как астрономия и геофизика, вскоре, когда компания Analog devices выпустила аппаратную реализацию вейвлет сжатия, кодек adv601, оказалось что его сжатие можно превосходно использовать в видеонаблюдении.
Вейвлет сжатие преобразует полное изображение, а не его секции 8x8 как это происходит в jpeg и является более естественным, так как отслеживает формы объектов в изображении. Поэтому вейвлет сжатие оказалось особенно привлекательным для систем видеонаблюдения. С помощью вейвлет анализа мы можем использовать аппроксимационные функции, определенные на конечных областях. Вейвлет функции - это функции, которые удовлетворяют определенным математическим требованиям и используются для представления данных или других функций.
В вейвлет анализе главное отличие от БПФ анализа (быстрого преобразования Фурье) заключается в том, что вейвлет функции разлагают сигнал по разным частотам с различным разрешением, то есть на множество малых групп волн. Отсюда и название - вейвлет (элементарные волны). Алгоритмы вейвлет преобразования обрабатывают данные в различных масштабах и с разным разрешением. Вейвлет анализ позволяет разглядеть и отдельные детали и глобальное изображение или, как выразились некоторые авторы вейвлет анализа, увидеть “и лес, и отдельные деревья”, в противоположность анализу Фурье, который позволяет видеть “только лес”.
Вейвлет анализ хорошо подходит для аппроксимации данных с резкими границами. Процедура вейвлет анализа заключается в подборе функции прототипа элементарной волны, называемой анализирующей или порождающей волной. Временной анализ выполняется в укороченной высокочастотной версии функции прототипа, в то время как частотный анализ производится в ее расширенной низкочастотной версии. Поскольку оригинальный сигнал или функция могут быть представлены в виде разложения по вейвлет функциям с применением коэффициентов в линейной комбинации с вейвлет функциями, то операции с данными могут выполняться посредством использования всего лишь соответствующих вейвлет коэффициентов.
Одна интересная особенность, аппаратной реализации вейвлет сжатия позволяет выбрать область интереса или зону повышенной детализации (area of interest или quality box). Эта область может быть сжата с лучшим качеством и соответственно более высокой детализацией интересующих нас объектов по сравнению с остальным изображением, а ее использование позволяет значительно уменьшить размер файла сжатого изображения
