Dissertação
Eficiência de Compressive Sensing em modelo quadtree em imagens na presença de ruído
Registro en:
FERREIRA, Julio Cesar. Eficiência de Compressive Sensing em modelo quadtree em imagens na presença de ruído. 2010. 152 f. Dissertação (Mestrado em Engenharias) - Universidade Federal de Uberlândia, Uberlândia, 2010.
Autor
Ferreira, Julio Cesar
Institución
Resumen
This work is an experimental quantitative research and it investigated
how much the eciency of the CoSaMP algorithm modied according to the
theory that advocates the changes of the QuadTree model{based Compressive
Sensing (CS) when applied to images with quantization and sparsity
approximation noise. The aim of this study was to evaluate the impact
of quantization and sparsity approximation noise to the eciency of image
reconstruction and to compare the eciency between the Quadtree model{
based CoSaMP and the traditional CoSaMP. For this, a thorough literature
review of the state of the art in image compression, theory of conventional CS
and theory of model{based CS was done. After the review stage, MatlabTM
routines were built and several tests varying values of M measurements, S
sparsity levels and Q quantization steps were applied to four images with different
sparsity levels and resolutions. Results showed that the quantization
errors are not perceived when the sparsity approximation error level is high.
On the other hand, when the sparsity approximation error level is low we
observed better performance for steps 1, 2, 4 and 8. The results also showed
that the ratio between the number of measurements and the sparsity approximation
level meets the following criteria: 3:00 ≤ M=S ≤ 3:75. In this case,
the values of M=S ranged from the lowest to highest, as the images varied
from less to more sparsely scattered. It was observed that the eciency of
the algorithm does not depend on the N stacked image size, but rather the
S sparsity approximation level. Furthermore, we observed that the Quadtree
CoSaMP outperforms the CoSaMP for all M measurements and performances
better than the conventional CS when we take less measurements. Mestre em Ciências Esta pesquisa é do tipo quantitativa experimental e buscou investigar
o quanto a eficiência do algoritmo CoSaMP modificado segundo a teoria de
Compressive Sensing (CS) baseado em modelo QuadTree altera quando aplicado
em imagens com ruído de quantização e esparsidade. O objetivo desta
dissertação foi avaliar o impacto dos ruídos de quantização e de aproximação
à esparsidade na eficiência da reconstrução de imagens, além de comparar a
eficiência entre o CoSaMP baseado em modelo QuadTree e o CoSaMP tradicional.
Para isso, foi necessária uma revisão literária aprofundada do estado
da arte em compressão de imagens, da teoria de CS convencional e da teoria
de CS baseado em modelo. Após a etapa de revisão, foram construídas
rotinas no MatlabTM e realizados vários testes variando valores de medidas
M, níveis de esparsidade S e passos de quantização Q em quatro imagens
com diferentes esparsidades e resoluções. Resultados demonstraram que os
erros de quantização não são percebidos quando o ruído de aproximação á
esparsidade é grande. Por outro lado, quando os erros de esparsidade são baixos,
foi possível verificar melhor desempenho para os passos 1, 2, 4 e 8. Os
resultados mostraram ainda que a razão entre o número de medidas e o nível
de aproximação à esparsidade segue o seguinte critério: 3; 00 ≤ M=S ≤ 3; 75.
Neste caso, os valores de M=S variaram do menor para o maior, á medida que
as imagens variaram das mais esparsas para as menos esparsas. Foi possível
observar que a eficiência do algoritmo não depende do tamanho da imagem
empilhada N, mas sim do nível de aproximação à esparsidade S. Além disso,
observou-se que o CoSaMP QuadTree tem desempenho melhor que o Co-
SaMP para todos os valores de medidas M e desempenho melhor que o CS
convencional quando são tomadas poucas medidas.