Постійний розвиток цифрової техніки призвів до різкого збільшення кількості та об'ємів медіафайлів, зокрема, цифрових зображень, які становлять значну частину трафіка комп'ютерних мереж, що призводить до зменшення швидкості їх передачі. Дослідження, проведені у роботі, ґрунтуються на положеннях та методах опрацювання цифрових зображень, законах зорового сприйняття, основах теорії ймовірності та математичного моделювання. Результати теоретичних досліджень перевірялися шляхом імітаційного моделювання. У роботі запропоновано технологію, яка через аналіз колірного простору зображення та врахування законів зорового сприйняття, дає можливість істотно зменшити об'єм графічного файлу. Ця технологія використовується для розв'язання цілого ряду задач, зокрема, візуалізації файлів великого об'єму та підвищення інформативності зображень зі складним семантичним наповненням. Встановлено, що зменшення об'єму графічного файлу досягається через оптимізацію палітри та призводить до незначного погіршення візуальної якості сприйняття зображення. Для зменшення помітності похибки та формування візуального відчуття присутності на зображенні більшої кількості різноманітних кольорів, ніж є насправді, запропоновано використовувати дифузійне псевдозмішування кольорів, яке полягає у моделюванні одних кольорів за допомогою інших. Разом з задачею зменшення об'єму графічних файлів на основі оптимізації палітри досліджено подібну за методологією задачу підвищення інформативності зображень через використання псевдокольорів. За допомогою модифікації функції перетворення координат колірного простору в колірні компоненти, запропоновано модифікований підхід до формування псевдокольорових зображень, який забезпечує підвищення інформативності напівтонових цифрових зображень при їх візуальному аналізі.
[1] Ajay, Kumar, Boyat, Brijendra, & Kumar, Joshi (2015). A Review Paper: Noise Models In Digital Image Processing. SIPIJ, 6(2), 63–75. https://doi.org/10.5121/sipij.2015.6206
[2] Andrews, H. C., Tescher, A. G., & Kruger, R. P. (1972). Image processing by digital computers. IEEE Spectrum, 9(7), 20–32. https://doi.org/10.1109/MSPEC.1972.5218964
[3] Cheng, Z., Sun, H., Takeuchi, M., & Katto, J. (2020). Learned Image Compression With Discretized Gaussian Mixture Likelihoods and Attention Modules. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 7939–7948. https://doi.org/10.1109/CVPR42600.2020.00796
[4] Choi, Y., El-Khamy, M., & Lee, J. (2019). Variable Rate Deep Image Compression With a Conditional Autoencoder. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 3146–3154. https://doi.org/10.1109/ICCV.2019.00324
[5] Cosman, P. C., Gray, R. M., & Olshe, R. A. (1994). Evaluating Quality of Compressed Medical Images. Proceedings of the IEEE "SNR, Subjective Rating, and Diagnostic Accuracy, 82(6), 919–932. https://doi.org/10.1109/5.286196
[6] Franchini, Giorgia, Cavicchioli, Roberto, & Cheng Hu, Jia. (2019). Stochastic Floyd-Steinberg dithering on GPU: image quality and processing time improved, Fifth International Conference on Image Information Processing (ICIIP), November 2019. https://doi.org/10.1109/ICIIP47207.2019.8985831
[7] Gonzalez, R. C., & Wintz, P. (1987). Digital Image Processing. Addisson – Wesley. Reading. Massachusetts. 505 p.
[8] Gordon, R., & Rangayyan, R. M. (1984). Feature enhancement of film mammograms using fixed and adaptive neighbourhood. Applied optics, 23, 560–564. https://doi.org/10.1364/AO.23.000560
[9] Hosaka, K. (1986). A new picture quality evaluation method. Proc. International Picture Coding Symposium, Tokyi, Japan, 316–321.
[10] Hriaznov, A. Iu. (2016). Technique for obtaining pseudo-color x-ray images in dual-energy radiography. Biotechnosphere, 3(33). 17–20. [In Russian].
[11] Internet Microscope Technolog (2018). iMicroTec, Inc. Retrieved from: http://www.videotest.ru
[12] Karimov, A., Kopets, E., Kolev, G., Leonov, S., Scalera, L., & Butusov, D. (2021). Image Preprocessing for Artistic Robotic Painting. Inventions, 6(1), 19. https://doi.org/10.3390/inventions6010019
[13] Kumar, P., & Parmar, A. (2020). Versatile Approaches for Medical Image Compression: A Review Procedia Computer Science, 167, 1380–1389. https://doi.org/10.1016/j.procs.2020.03.349
[14] Mentzer, F., Agustsson, E., Tschannen, M., Timofte, R., & Van Gool, L. (2019). Practical Full Resolution Learned Lossless Image Compression. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10629–10638. https://doi.org/10.1109/CVPR.2019.01088
[15] Metallographic Equipment and Consumables (2007). PACE Technologies. Retrieved from: http://www.metallographic.com
[16] Qian, Lin. (1993). Halftone image quality analysis based on a human vision model, Proc. SPIE 1913, Human Vision, Visual Processing, and Digital Display IV, 8 September 1993. https://doi.org/10.1117/12.152712
[17] Rahman, M. A, & Hamada, M. (2019). Lossless Image Compression Techniques: A State-of-the-Art Survey. Symmetry, 11(10), 1274. https://doi.org/10.3390/sym11101274
[18] Stokes, Michael, Anderson, Matthew, Chandrasekar, Srinivasan, & Motta, Ricardo (November 5, 1996). A Standard Default Color Space for the Internet: sRGB, Version 1.10. ICC. Retrieved from: https://www.color.org/sRGB.xalter
[19] Vorobel, R., Zhuravel, I., Opyr, N., & Popov, B. (1998). Image quality enhancement technique for X – ray testing. 2nd International Conference on Computer Methods and Inverse Problems in Nondestructive Testing and Diagnostics, Minsk, 20–23 October 1998. Proceedings, 449–455.
[20] Zhuravel, I. M. (2019). Computer Analysis of the Distribution of Grain Sizes in the Structure of 12Kh1MF Steel After Operation. Materials Science, 55(4), 187–192. https://doi.org/10.1007/s11003-019-00287-y