Compression d'images: Techniques efficaces pour l'optimisation des données visuelles

Par Fouad Sabry

Qu'est-ce que la compression d'image

Lorsqu'elle est appliquée aux photographies numériques, la compression d'image est une forme de compression de données qui permet de réduire le montant d'argent requis pour leur stockage ou transmission. Il est possible pour les algorithmes d'utiliser la perception visuelle et les aspects statistiques des données d'image afin de fournir de meilleurs résultats par rapport aux approches génériques de compression de données utilisées pour d'autres types de données numériques.

Comment vous en bénéficierez

(I) Informations et validations sur les sujets suivants :

Chapitre 1 : Compression d'image

Chapitre 2 : Compression des données

Chapitre 3 : JPEG

Chapitre 4 : Compression avec perte

Chapitre 5 : Compression sans perte

Chapitre 6 : PNG

Chapitre 7 : Codage de transformation

Chapitre 8 : Transformation en cosinus discret

Chapitre 9 : JPEG 2000

Chapitre 10 : Artefact de compression

(II) Répondre aux principales questions du public sur la compression d'images.

(III) Exemples concrets d'utilisation de la compression d'images dans de nombreux domaines.

Qui ce livre s'adresse aux professionnels, aux étudiants de premier cycle et des cycles supérieurs, aux passionnés, aux amateurs et à ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de compression d'image.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 29 avr. 2024

Aperçu du livre

Compression d'image

Techniques efficaces pour l'optimisation visuelle des données

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Compression d'image

Techniques efficaces pour l'optimisation visuelle des données

Fouad Sabry

Copyright

Compression d ©'image 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Compression d'image

Chapitre 2 : Compression des données

Chapitre 3 : JPEG

Chapitre 4 : Compression avec perte

Chapitre 5 : Compression sans perte

Chapitre 6 : PNG

Chapitre 7 : Transformer le codage

Chapitre 8 : Transformée en cosinus discrète

Chapitre 9 : JPEG 2000

Chapitre 10 : Artefact de compression

Appendice

À propos de l'auteur

Chapitre 1 : Compression d'image

Les photographies numériques peuvent être compressées à l'aide de la compression d'image, une forme de compression de données, afin de réduire leur taille et donc leurs coûts de stockage et de transfert. Afin d'obtenir de meilleurs résultats que les méthodes génériques de compression de données utilisées pour d'autres données numériques, les algorithmes peuvent exploiter la perception visuelle et les caractéristiques statistiques des données d'image.

La compression d'image avec ou sans perte est possible. La majorité des images médicales, des dessins techniques, des cliparts et des dessins animés bénéficient d'une compression sans perte pour un stockage à long terme. Les artefacts de compression sont introduits par des techniques de compression avec perte, en particulier lorsque vous travaillez avec de faibles débits binaires. Lorsqu'une réduction significative du débit binaire est souhaitée mais qu'une petite perte de qualité (souvent indétectable) est acceptable, les approches avec perte sont idéales. C'est le cas des images naturelles comme des photographies. La compression visuellement sans perte utilise une forme de compression avec perte qui entraîne des pertes de qualité imperceptibles.

Techniques de compression avec perte :

La technique la plus utilisée est le codage par transformation.

Le type de compression avec perte le plus populaire est la transformée en cosinus discrète (DCT). Inventée par Nasir Ahmed, T. Natarajan et K. R. Rao en 1974, elle appartient à une famille de transformées qui comprend la transformée de Fourier. Dans le contexte d'un groupe de transformées en cosinus discrètes, la DCT est souvent appelée « DCT-II » (voir transformée en cosinus discrète). C'est la méthode de compression d'image la plus efficace dans la plupart des cas.

Le format avec perte le plus utilisé, JPEG, utilise DCT, tout comme le format HEIF plus moderne.

Viennent ensuite la quantification et le codage de l'entropie, puis la transformée en ondelettes, plus contemporaine.

La quantification des couleurs est le processus qui consiste à réduire la palette de couleurs d'une image à un petit ensemble de teintes « représentatives ». L'en-tête de l'image compressée comprend une palette de couleurs qui spécifie les couleurs utilisées pour créer l'image. L'index de couleur est simplement référencé dans chaque pixel. Afin d'éviter la postérisation, cette technique peut être utilisée en tandem avec le dithering.

Palette de couleurs, couramment utilisée dans les fichiers GIF et PNG, avec un maximum de 256 couleurs.

Dans BTC, CCC, S2TC et S3TC, une palette de blocs de 2 ou 4 couleurs par bloc de 4x4 pixels est utilisée.

Réduction de l'espace colorimétrique par sous-échantillonnage de la chrominance. En faisant la moyenne ou en éliminant une partie des informations de chrominance dans l'image, cela utilise le fait que l'œil humain enregistre les changements spatiaux de luminosité de manière plus aiguë que ceux de couleur.

Compression fractale.

Les perceptrons multicouches, les réseaux de neurones convolutifs et les réseaux antagonistes génératifs, tous issus du domaine de l'apprentissage automatique, ont été utilisés dans des applications plus contemporaines.

Techniques de compression sans perte :

PCX utilise l'encodage de longueur d'exécution par défaut, tandis que BMP, TGA et TIFF le prennent tous en charge comme mode alternatif d'encodage.

Compression d'images de zone

DPCM utilise le codage prédictif.

L'encodage mathématique et l'encodage de Huffman sont les deux formes les plus populaires d'encodage d'entropie.

LZW, une méthode de dictionnaire adaptatif populaire utilisée dans les formats GIF et TIFF, utilise DEFLATE dans les fichiers PNG, MNG et TIFF.

Codes de chaîne

Modèles de diffusion

L'objectif principal de la compression d'image est d'obtenir la meilleure qualité possible à un taux de compression (ou débit binaire) donné :

Dans la plupart des cas, la réduction de l'évolutivité signifie sacrifier la qualité en manipulant le flux binaire ou le fichier sous-jacent (sans décompression ni recompression). L'encodage progressif et les flux binaires intégrés sont d'autres noms pour l'évolutivité. Les codecs sans perte ont également une évolutivité, mais ils prennent une forme différente (souvent un balayage des pixels grossiers aux pixels fins) et sont utilisés à d'autres fins. La prévisualisation des images lors du téléchargement (dans un navigateur Web, par exemple) ou l'offre d'un accès de qualité variable aux ressources (telles que les bases de données) bénéficient toutes deux grandement de l'évolutivité. Il existe différents types d'évolutivité :

Augmentation progressive de la qualité ou de la complexité : chaque itération du flux binaire améliore la qualité de l'image reconstruite.

Pour encoder une version de meilleure qualité d'une image, la version de résolution inférieure doit d'abord être encodée.

Encodage progressif de la couleur à partir d'une version noir et blanc préalablement encodée.

Codage par domaine d'intérêt. Différentes régions de l'image sont encodées à différents niveaux de qualité. La capacité de mise à l'échelle pourrait être ajoutée à cela (encoder ces parties d'abord, d'autres plus tard).

Des données sur des données. Les images peuvent être parcourues, recherchées et catégorisées à l'aide de métadonnées qui peuvent être présentes dans les données compressées. Les données de couleur et de texture, les images d'aperçu et les informations sur l'auteur ou les droits d'auteur sont autant d'exemples de ce type de données.

Capacité de calcul. Les méthodes de compression ont des exigences de calcul d'encodage et de décodage variables. Il faut beaucoup de ressources CPU pour exécuter certaines méthodes de compression élevée.

Le rapport signal/bruit de crête est une mesure couramment utilisée pour évaluer l'efficacité d'une technique de compression. Il quantifie la quantité de bruit créée par la compression avec perte d'une image, mais l'évaluation subjective du spectateur est parfois considérée comme tout aussi essentielle, sinon plus.

Le codage de Shannon-Fano, le précurseur du codage d'entropie moderne, a été développé à la fin des années 1940, Data Compression for Images.

En janvier 1974, IEEE Trans. Computers a publié « Discrete Cosine Transform » par Nasir Ahmed, T. Natarajan et K. R. Rao aux pages 90-93.

Maayan, Gilad David (24 novembre 2021). « État de l'art » en matière de compression d'images basée sur l'intelligence artificielle. Vers la science des données. Extrait le 6 avril 2023.

Compression d'image générative de haute qualité. Extrait le 6 avril 2023.

^ Bühlmann, Matthias (2022-09-28).

Compression d'images à l'aide d'une méthode de diffusion stable.

Moyenne.

(consulté le 2022-11-02)

Burt, P. ; Adelson, E. (1er avril 1983). La pyramide laplacien est un code d'image condensé. Communications, IEEE, 31(4), pp.532-540. doi :10.1109/TCOM.1983.1095851 ; CiteSeerX :10.1.1.54.299 ; S2CID :8018433.

^ Shao, Dan ; Kropatsch, Walter G.

(3-5 février 2010).

Špaček, Libor ; Franc, Vojtěch (éd.).

« Pyramide de graphes laplaciens irréguliers » (PDF).

Atelier d'hiver sur la vision par ordinateur 2010.

Nové Hrady, République tchèque : Société tchèque de reconnaissance des formes.

Date de publication initiale : 27 mai 2013 (PDF).

Remerciements à : Claude Elwood Shannon (1948). Alcatel-Lucent (éd.). « La théorie mathématique de l'interaction interpersonnelle » (PDF). 27 (3-4) Bell System Technical Journal, pages 379-423, 623-656. Références : hdl :11858/00-001M-0000-002C-4314-2 ; doi :10.1002/j.1538-7305.1948.tb01338.x. L'original (PDF) peut être consulté à partir du 24 mai 2011. Date de consultation : 21 avril 2019.

La version originale (PDF) de « A method for the creation of minimum-redundancy codes » par David Albert Huffman a été archivée le 2005-10-08 à partir de Proceedings of the IRE, vol. 40, no. 9, pp. 1098-1101 (doi :10.1109/JRPROC.1952.273898).

Référence : « Hadamard transform image coding », William K. Pratt, Julius Kane et Harry C. Andrews, Proceedings of the IEEE 57.1 (1969), pages 58-68.

Nasir Ahmed (janvier 1991). Transformée en cosinus discret : l'histoire de sa création. Pour citer cet article : Digital Signal Processing 1 (janvier) : 4-5.

T.81 : « EXIGENCES ET LIGNES DIRECTRICES POUR LA COMPRESSION NUMÉRIQUE ET LE CODAGE D'IMAGES FIXES À TONS CONTINUS » (PDF). Publié dans le CCITT en septembre 1992. Consulté le 2000-08-18 à partir de l'original (PDF) à cette date. Obtenez-le le 12 juillet 2019 !.

Il y a une explication du format d'image JPEG sur BT.com. 31 mai 2018, BT Group. À partir du 5 août 2019.

^ "JPEG : Qu'est-ce que c'est ? L'objet du quotidien qui passe inaperçu ». Publié dans The Atlantic le 24 septembre 2013. Extrait le 13 septembre 2019.

Chris Baraniuk (15 octobre 2015). Selon BBC News, « des restrictions de copie pourraient s'appliquer aux fichiers JPEG ». Extrait de la BBC le 13 septembre 2019.

The GIF Debate : A Programmer's Viewpoint », 27 janvier 1995. Disponible à partir du 26 mai 2015.

Auteur : L. Peter Deutsch (mai 1996). Abstrait. DOI : 10.17487/RFC1951. Spécification du format de données compressées DEFLATE version 1.3. IETF. page 1. section Résumé. Obtenez ceci : 2014-04-23.

Voir : Taubman, David ; Marcellin, Michael (2012). Principes de base de la compression d'images avec JPEG2000 : pratiques recommandées et directives techniques. ISBN : 9781461507994, publié par Springer Science & Business Media.

^ a b Unser, M ; Blu, T.

(2003).

JPEG2000 caractéristiques mathématiques du filtre à ondelettes (PDF).

Transactions IEEE sur le traitement d'images.

12 (9) : 1080-1090.

Bibcode :2003ITIP... 12.1080U.

doi :10.1109/TIP.2003.812329.

PMID 18237979.

S2CID 2765169.

Archivé de l'original (PDF) le 2019-10-13 .

De Gary Sullivan (8-12 décembre 2003). « Caractéristiques générales du codage vidéo de sous-bande temporelle et problèmes de conception. » Groupe d'experts en codage de l'UIT-Video T. Extrait le 13 septembre 2019.

Alan C. Bovik (2009). Video Processing : An Essential Guide, Academic Press, p. 355, ISBN 9780080922508.

Cité dans Le Gall, Didier et Ali J. Tabatabai (1988). Codage de sous-bande d'images numériques avec codage arithmétique et filtres symétriques à noyau court. Pour de plus amples renseignements, veuillez consulter le site Web suivant : http://dx.doi.org/10.1109/ICASSP.1988.196696. S2CID=109186495 ICASSP-88., Conférence internationale sur l'acoustique, la parole et le traitement du signal : 761-764 volume 2.

Pour citer : Swartz, Charles S. (2005). Le guide du professionnel pour comprendre le cinéma numérique. 147 Taylor et Francis. ISBN 9780240806174.

{Fin du chapitre 1}

Chapitre 2 : Compression des données

Dans la théorie de l'information, la compression de données, le codage source et d'autres domaines connexes : Dans le langage courant, un dispositif qui s'engage dans le processus de compression des données est connu sous le nom d'encodeur, tandis qu'un appareil qui s'engage dans l'inverse du processus, c'est-à-dire la décompression, est connu sous le nom de décodeur.

La compression de données est le processus de réduction de la taille d'un fichier de données, et c'est un terme qui est assez souvent utilisé. Le codage source est un processus d'encodage qui a lieu à la source de données d'origine, avant que les données ne soient stockées ou transférées. Ce processus est mentionné dans le cadre de la transmission de données. Il est important de ne pas confondre le codage source avec d'autres types de codage, tels que le codage de canal, qui est utilisé pour la détection et la