အသွင်ပြောင်း Wavelet: application ကိုဥပမာအဆုံးအဖြတ်

စျေးသိပ်မကြီးတဲ့ဒီဂျစ်တယ်ကင်မရာထွန်းကမ္ဘာဂြိုဟ်၏မြို့သား၏ကြီးမားသောအစိတ်အပိုင်းကိုဆိုလိုထားပါတယ်မသက်ဆိုင်အသက်အရွယ်နှင့်လိင်၏, မိမိတိုင်းခြေလှမ်းကိုဖမ်းယူခြင်းနှင့်လူမှုရေးကွန်ယက်များကိုအများပြည်သူ display ကိုအပေါ်သူတို့ရဲ့ပုံရိပ်တွေထားရန်အလေ့အကျင့်ကိုဝယ်ယူခဲ့သည်။ အစောပိုင်းမိသားစုဓာတ်ပုံကို archive ကိုအတူတူအယ်လ်ဘမ်ထဲမှာထည့်ထားခဲ့ပါတယ်လျှင်ထို့ပြင်ယနေ့ကဓါတ်ပုံတွေကိုရာပေါင်းများစွာသောပါဝင်ပါသည်။ ကွန်ရက်များအနှံ့သိုလှောင်မှုနဲ့ဂီယာလွယ်ကူချောမွေ့နိုင်ရန်အတွက်အလေးချိန်လျှော့ချရေး၏ဒစ်ဂျစ်တယ်ပုံရိပ်ကိုလိုအပ်သည်။ ဒီအဆုံး, နည်းလမ်းများကိုပြောင်းလဲတစ် wavelet အပါအဝင်အမျိုးမျိုးသော algorithms, အပေါ်အခြေခံပြီးဖြစ်ကြောင်းအသုံးပြုကြသည်။ ကျွန်တော်တို့ရဲ့ဆောင်းပါးပြောပြ, ဘာလဲ။

ဒစ်ဂျစ်တယ်ပုံရိပ်ကဘာလဲ

ကွန်ပျူတာအတွက် Visual သတင်းအချက်အလက်နံပါတ်များ၏ပုံစံကိုကိုယ်စားပြုသည်။ ရိုးရှင်းသောစည်းမျဉ်းများမှာတော့ဒစ်ဂျစ်တယ်ကိရိယာနှင့်အတူခေါ်ဆောင်သွားဓာတ်ပုံ, ဆဲလ်က၎င်း၏ pixel အရောင်တစ်ခုချင်းစီ၏တန်ဖိုးများကိုဝင်ကြ၏ထားတဲ့အတွက်စားပွဲတစ်ခုဖြစ်ပါတယ်။ အဖြူ - ကမိုနိုခရုမ်ပုံရိပ်မှကြွလာသောအခါ, သူတို့ပါ 0 င်အနက်ရောင်, 1 ရည်ညွှန်းအသုံးပြုသည်အဘယ်မှာရှိသနည်းကြားကာလကနေတောက်ပတန်ဖိုးများ [0, 1] ဖြင့်အစားထိုးနေကြပါတယ်။ အခွားသောအဆင်းအရောင်ဒဿမကိန်းဂဏန်းပေးထားပေမယ့်သူတို့နှင့်အတူလုပ်ကိုင်ရန်အဆင်မပြေ, ဒါကြောင့်ဒီအဘယ်ကြောင့်အကွာအဝေးတိုးချဲ့နှင့်တန်ဖိုး 0 င်များနှင့် 255. အကြားကြားကာလကနေရှေးခယျြထားသလဲ? နေကြတယ် ဒါဟာရိုးရှင်းတဲ့င်! ဤရွေးချယ်မှုနှင့်အတူတစ်ဦးချင်းစီမှာ Pixel ၏တောက်ပကုဒ်သွင်းများအတွက် binary ကိုယ်စားပြုမှုအတွက်အတိအကျတဦးတည်းက byte လိုအပ်သည်။ ဒါဟာမှတ်ဉာဏ်တွေအများကြီးပင်သေးငယ်တဲ့ပုံရိပ်ကိုသိမ်းထားဖို့လိုအပ်ကြောင်းသိသာသည်။ ဥပမာအားဖြင့်, 256 x ကို 256 pixels ကို၏ရုပ်ပုံအရွယ်အစား 8 Kbytes ကြာပါသည်။

image ကိုချုံ့နည်းလမ်းများအကြောင်းကိုအနည်းငယ်စကားများ

အကယ်စင်စစ်လူတိုင်းပျက်ယွင်းအပိုငျးအခေါ်ထားတော်တူညီတဲ့အရောင်များ၏စတုဂံ၏ပုံစံရှိပါတယ်ရှိရာဓာတ်ပုံများကိုများ၏အရည်အသွေးညံ့ဖျင်းမမြင်စဖူး။ သူတို့ကဒါခေါ် lossy compression ၏ရလဒ်အဖြစ်ပေါ်ထွန်း။ ဒါဟာသိသိသာသာပုံရဲ့အလေးချိန်ကိုလျှော့ချနိုင်, သို့သော်သူကမလွှဲမရှောင်သည်၎င်း၏အရည်အသွေးပေါ် impact ပါလိမ့်မယ်။

lossy compression များအတွက် algorithms များပါဝင်သည်:

• JPEG, ။ ဒါဟာဝေးများကလူကြိုက်အများဆုံး algorithms တစ်ခုဖြစ်သည်။ ဒါဟာအသွင်ပြောင်း discrete ကိုဆိုင်း၏အသုံးပြုမှုအပေါ်အခြေခံသည်။ တရားမျှတမှုအတွက် Lossless compression ဖျော်ဖြေ JPEG, များအတွက်ရွေးချယ်စရာရှိပါတယ်သတိပြုရပါမည်။ ဤရွေ့ကား Lossless JPEG, နှင့် JPEG,-LS ပါဝင်သည်။
• JPEG, 2000 အဆိုပါ algorithm ကိုမိုဘိုင်းပလက်ဖောင်းများပေါ်တွင်အသုံးပြုနှင့် discrete wavelet အသွင်ပြောင်း၏လျှောက်လွှာအပေါ်အခြေခံသည်။
• fractal ချုံ့။ အချို့ကိစ္စများတွင်ပါကသင်ပင်အားကောင်းတဲ့ဖိအားနှင့်အတူအလွန်အစွမ်းထက်တဲ့အရည်အသွေးပုံရိပ်တွေရရှိရန်ခွင့်ပြုပါတယ်။ သို့သော်ဤနည်းလမ်း၏မူပိုင်ခွင့်နှင့်အတူပြဿနာများကြောင့်ထူးခြားဆန်းပြားဖြစ်နေဆဲဖြစ်သည်။

အားဖွငျ့ဖျြော Lossless compression algorithms:

• (ထို TIFF format နဲ့, BMP TGA အတွက်မူလတန်းနည်းလမ်းအဖြစ်အသုံးပြု) RLE ။
• (GIF ကို format နဲ့သုံးသည်) LZW ။
• (PNG format နဲ့အတှကျအသုံးပွု) LZ-Huffman ။

Fourier transform

အဆိုပါ wavelet မှလှည့်မဖြစ်မီ, ကမူလတန်းအစိတ်အပိုင်းများ, ဆိုလိုသည်မှာသို့ကနဦးသတင်းအချက်အလက်များ၏ချဲ့ထွင်၏အမြှောက်ဖော်ကိန်းဖော်ပြ, ဆက်စပ်လုပ်ဆောင်ချက်များကိုလေ့လာစူးစမ်းဖို့သဘာဝကျပါတယ်။ ကွဲပြားခြားနားသောကြိမ်နှုန်းနှင့်အတူအီးသဟဇာတတုန်ခါ။ တစ်နည်းမှာ Fourier transform - discrete နှင့်စဉ်ဆက်မပြတ်ကမ္ဘာချိတ်ဆက်ထူးခြားတဲ့ကိရိယာတခုဖြစ်တယ်။

ဒါဟာတူ:

အောက်မှာဖေါ်ပြတဲ့အတိုင်းပြောင်းပြန်လှန်ပုံသေနည်းတိကျမ်းစာ၌လာသည်ကား:

တစ်ဦး wavelet ကဘာလဲ

ထိုနာနောက်ကွယ်မှသင်စမ်းသပ်အချက်အလက်များ၏ကွဲပြားခြားနားသောကြိမ်နှုန်းအစိတ်အပိုင်းများကိုခွဲခြမ်းစိတ်ဖြာဖို့ခွင့်ပြုသည့်သင်္ချာ function ကို, ဖွက်ထားပေးသည်။ ၎င်း၏ဂရပ်သည်အဘယ်သူ၏လွှဲခွင်ဝေးဇာစ်မြစ်ကနေ 0 င်မှလျော့နည်းစေကာ undulation ဖြစ်ပါတယ်။ ယေဘုယျအကျိုးစီးပွားအတွက် wavelet ကိန်းအတွက်အဓိကကျတဲ့ကဏ္ဍ signal ကိုသတ်မှတ်သည်။

အမျိုးမျိုးသော features တွေဟာသူတို့ရဲ့ယာယီအစိတ်အပိုင်းတွေနဲ့ရောင်စဉ်အချက်ပြမှုများဆက်စပ်ကတည်းက Wavelet spectrograms, သမားရိုးကျ Fourier ဖြာထွက်ရောင်ခြည်အလင်းတန်းများထံမှကွဲပြားခြားနားပါသည်။

Wavelet အသွင်ပြောင်း

signal ကိုပြောင်းလဲခြင်း (လုပ်ဆောင်ချက်များကို) ၏ဤနည်းလမ်းကိုကြောင့်အချိန်-အကြိမ်ရေကိုယ်စားပြုမှုအတွက်အချိန်ထဲကနေဘာသာပြန်ဆိုရန်ခွင့်ပြုသည်။

wavelet အသွင်ပြောင်းဖို့သက်ဆိုင်ရာ wavelet function ကိုများအတွက်အောက်ပါအခြေအနေများတွေ့ဆုံခဲ့ရမည်ဖြစ်သည်, ဖြစ်နိုင်သမျှခဲ့:

• တချို့ function ကိုψ (t) အတွက် -Fourier အသွင်ပြောင်းလျှင်ပုံစံရှိပါတယ်

ကြောင်းအခွအေနေကျေနပ်မှုဖြစ်ရပါမည်:

ထို့အပြင်:

• Wavelet တစ်ကနျ့စွမ်းအင်ရှိရမည်;
• ဒါကြောင့်စဉ်ဆက်မပြတ် Integrated ဖြစ်နှင့်ကျစ်လစ်သိပ်သည်းထောက်ခံမှုရှိသင့်သည်,
• wavelet အကြိမ်ရေနှင့်အချိန် (အာကာသ) တွင်နှစ်ဦးစလုံးဒေသခံစံနှုန်းကိုက်ညီရမည်ဖြစ်သည်။

အမျိုးအစားများ

တစ်ဦးကစဉ်ဆက်မပြတ် wavelet အသွင်ပြောင်းသက်ဆိုင်ရာအချက်ပြမှုများကိုအသုံးပြုသည်။ ပိုပြီးစိတ်ဝင်စားစရာကောင်းသည်၎င်း၏ discrete analogue ဖြစ်ပါတယ်။ ပြီးနောက်ရှိသမျှတို့, ကကွန်ပျူတာများအတွက်သတင်းအချက်အလက်အပြောင်းအလဲနဲ့များအတွက်အသုံးပြုနိုင်ပါသည်။ သို့သော်ပြဿနာတစ်ခုဟာ discrete fiberboard များအတွက်ပုံသေနည်းရိုးရှင်းသောသင့်လျော်သောသမ္မာသတိဖော်မြူလာ DNP ဖြင့်ရရှိသောမရနိုငျသောပေါ်ပေါက်။

ဤပြဿနာကိုမှဒီဖြေရှင်းချက်မြှောက်ဖော်ကိန်းတစ်ခုအကနျ့အရေအတွက်အားဖြင့်သတ်မှတ်တာဖြစ်ပါတယ်တစ်ဦးချင်းစီ၏ orthogonal wavelets တစ်စီးရီးတည်ဆောက်မယ့်နည်းလမ်းကိုရွေးချယ်ဖို့တတ်နိုင်သူ Daubechies ကတွေ့ရှိခဲ့ခြင်းဖြစ်သည်။ နောက်ပိုင်းတွင်အစာရှောင်ခြင်း algorithms ထိုကဲ့သို့သော algorithm ကို Malla အဖြစ်ဖန်တီးထားကြသည်။ ပြိုကွဲဖို့ဒါမှမဟုတ်ဘယ်မှာ N ကိုစစ်ဆင်ရေး CN, ဖျော်ဖြေဖို့လိုအပ်တဲ့အမိန့် restore ရန်၎င်း၏လျှောက်လွှာတွင် - နမူနာအရှည်နှင့်အတူ - ကိန်းများ၏အရေအတွက်။

Vayvlet Haar

ပုံတစ်ပုံကိုချုံ့ဖို့, ကယင်း၏ data တွေကိုအကြားတစ်ဦးအချို့သောပုံမှန်တွေ့ရှိရန်လိုအပ်သောဖြစ်တယ်, ဒါကြောင့်သုည၏ရှည်လျားသောသံကြိုးဖွစျလိမျ့မညျကိုတောင်ပိုကောင်းလျှင်။ က algorithm ကိုအသွင်ပြောင်းသည့် wavelet ဖို့အသုံးဝင်နိုင်ပါတယ်နေရာအရပ်ဖြစ်၏။ သို့သျောကြှနျုပျတို့သနိုင်ရန်အတွက်အလုပ်လုပ်နည်းလမ်းများပြန်လည်သုံးသပ်ဖို့ဆက်လက်။

ပထမဦးစွာပြုလုပ်ပုံရိပ်တွေကပ်လျက် pixels ကို၏အရောင်အဝါများသောအားဖြင့်သေးငယ်တဲ့ငွေပမာဏအားဖြင့်သွင်ပြင်လက္ခဏာကြောင်းမှတ်မိဖို့လိုအပ်ပေသည်။ အရောင်အဝါ၏ချွန်ထက်, ခြားနားကွဲပြားမှုနှင့်အတူစစ်မှန်သောက်ဘ်ဆိုက်များပေါ်တွင်ပုံရိပ်များရှိပါတယ်ရင်တောင်သူတို့က image ကိုသာသေးငယ်တဲ့အဘို့ကိုသိမ်းပိုက်။ ဥပမာတစ်ခုကဲ့သို့လူသိများစမ်းသပ် Lenna အဖြူအမည်း image ကိုကျော်ယူပါ။ ကျနော်တို့က၎င်း၏ pixels ကို၏တောက်ပ၏ matrix ကိုယူလျှင်, ပထမဦးဆုံးလိုင်း၏အစိတ်အပိုင်းနံပါတ်များကို 154, 155, 156, 157, 157, 157, 158, 156 တစ် sequence ကိုအဖြစ်ပေါ်လာပါလိမ့်မယ်။

သငျသညျကသုညရဖို့ဒါခေါ်မြစ်ဝကျွန်းပေါ်ဒေသနည်းလမ်းလျှောက်ထားနိုင်ပါသည်။ ဒီလိုလုပ်ဖို့ကိုသာပထမဦးဆုံးအရေအတွက်ကိုစောင့်ရှောက်ခြင်းနှင့်အခြားသူများအတွက်ယခင်နိမိတ်လက္ခဏာနှင့်တသားတ "+" သို့မဟုတ်တစ်ဦးချင်းစီကသာခြားနားချက်များကိုယူ "-" ။

အဆိုပါရလဒ်တစ်ခု sequence ကို 154,1,1,1,0,0,1 ဖြစ်ပါတယ် -2 ။

မြစ်ဝကျွန်းပေါ်-encoding ကတစ်အားနည်းချက်က၎င်း၏ Non-နေရာဒေသဖြစ်ပါတယ်။ တနည်းအားဖြင့်ဒါဟာသူ့ကိုများ၏ရှေ့မှောက်၌တန်ဖိုးများ၏, ထို sequence ကိုသာအချပ်ကိုယူနှင့်က encoded ဖြစ်ပါတယ် brightness အဘယ်အရာကိုထွက်ရှာရန်မဖြစ်နိုင်ဝှက်လျှင်အားလုံးမဟုတ်ဖြစ်ပါတယ်။

ဒီအားနည်းချက်ကျော်လွှားဖို့, အရေအတွက်ကိုအားလုံးအတွက်သို့ကွဲပြားနှင့်တစ်ဦးချင်းစီ (v ။ တစ်ဦး) ၏တစ်ဝက်ပေါင်းလဒ်နှင့်တစ်ဝက်ခြားနားချက် (v ။ : D), မီတာရှိပါတယ်။ သည်အက်ဖ် (154,155) (156,157) (157,157) (158,156), (154.5 ရှိ 0,5) (156.5,0.5) (157,0.0), (157, -1.0) ။ ဤကိစ္စတွင်ခုနှစ်, ဒါဟာတစ်စုံအတွက်နှစ်ခုနံပါတ်များ၏တန်ဖိုးကိုရှာဖွေအမြဲဖြစ်နိုင်ပါတယ်။

ယေဘုယျခုနှစ်, discrete wavelet သည့်အချက်ပြမှုက S ၏အသွင်ပြောင်းကျနော်တို့ရှိသည်:

ဤနည်းလမ်းကိုစဉ်ဆက်မပြတ် wavelet ၏ discrete ကိစ္စတွင်ထံမှအောက်ပါအတိုင်းပြောင်းလဲ, Haar နှင့်ကျယ်ပြန့်ဒေတာများကိုအပြောင်းအလဲနဲ့နှင့်ချုံ့အမျိုးမျိုးနယ်ပယ်များတွင်အသုံးပြုခဲ့ကြသည်။

ချုံ့

ပြီးသားပြောခဲ့တဲ့အတိုင်း wavelet များ၏ applications များထဲကတစ်ခု algorithm ကိုအသွင်ပြောင်းသည့်က X နှစ်ခု pixels ကို၏ဘာသာပြန်ချက်အားနည်းချက်ကိုနဲ့ Y အားနည်းချက်ကို (X + ကို Y ကို) / 2 နဲ့အပေါ်အခြေခံပြီး Haar သုံးပြီး JPEG, 2000 ချုံ့နည်းလမ်းဖြစ်ပါတယ် (း X - Y ကို) / 2 ။ ဒါဟာအောက်က matrix ကိုအတွက်ကနဦးအားနည်းချက်ကိုများပြားလုံလောက်သည်။

အဆိုပါအချက်များထက်ပိုသော, ထိုအကြောင်းကြောင့်ထောင့်ဖြတ် matrix ကိုအိပ်ချ်ပေါ်တွင်စီစဉ်ပေးထားတဲ့ကပို matrix ကို, ယူပါက, လွတ်လပ်စွာအလျား၏ကနဦးအားနည်းချက်ကိုအားလုံးအတွက်လုပ်ငန်းများ၌ဖြစ်ပါတယ်။

filter များ

ရရှိလာတဲ့ "ဝက်ပေါင်းလဒ်" - အားလုံးအတွက် pixels ကို၏ပျမ်းမျှတောက်ပတန်ဖိုးများဖြစ်ပါတယ်။ image ကိုကူးပြောင်းတဲ့အခါမှာဒါဟာသူ့ကို 2 ကြိမ်အတွက်လျှော့ချတစ်ဦးမိတ္တူ, ပေးသင့်တန်ဖိုးကိုဖြစ်ပါတယ်။ ဒီဝက်ပေါင်းလဒ်၌တည်၏။ အီးအကြိမ်ရေ filter များနည်းတူမိမိတို့တန်ဖိုးများနှင့်အလုပ်ရပ်၏ကျပန်းပြီးတော့ Activision နေတာ "စစ်ထုတ်သည်" t, အရောင်အဝါပျမ်းမျှ။

အခုတော့ရဲ့ခြားနားချက်ကိုပြသသောသူတို့နှင့်အတူကိုင်တွယ်ဖြေရှင်းကြကုန်အံ့။ သူတို့ကစဉ်ဆက်မပြတ်အစိတ်အပိုင်းဖယ်ရှားခြင်း, နိမ့်ကြိမ်နှုန်းမှာဆိုလိုသည်မှာ။ အီး "စစ်ထုတ်သည်" တန်ဖိုးများ "အထီးကျန်" interpixel "ပြီးတော့ Activision နေတာ" ဖြစ်ပါသည်။

အမြင့်ဆုံးသောကြိမ်နှုန်းနိမ့်ကြိမ်နှုန်း: တောင်မှ Haar အထက်မှအဲဒါကိုနှစ်ခုအစိတ်အပိုင်းများသို့ signal ကိုဝေယူကြောင်း filter များ၏တစ်စုံကြောင်းသိသာဖြစ်လာသည် "Dummy" အတွက်အသွင်ပြောင်း wavelet ။ ရိုးရှင်းစွာမူရင်း signal ကိုရယူဤဒြပ်စင် re-စည်းလုံး။

နမူနာ

ကျနော်တို့ကဓာတ်ပုံ (စမ်းသပ်ပုံရိပ်ကို Lenna) ချုံ့ချင်ဆိုပါစို့။ pixel Bright ၏ matrix ကိုအသွင်ပြောင်းသည့် wavelet ၏စံနမူနာစဉ်းစားပါ။ ပုံရဲ့ကြိမ်နှုန်းမြင့်အစိတ်အပိုင်းဒဏ်ငွေအသေးစိတ်ပြသဘို့တာဝန်ရှိသည်နှင့်ဆူညံသံဖော်ပြသည်။ အဆိုပါအနိမ့်အကြိမ်ရေအဘို့အကြောင့်မျက်နှာနှင့်တောက်ပ၏ချောမွေ့ gradients များ၏အသွင်သဏ္ဌာန်နှင့် ပတ်သက်. သတင်းအချက်အလက်များပါဝင်သည်။

လူ့အမြင်ဓါတ်ပုံများအဆုံးစွန်ကို ပို. အရေးကြီးသောအစိတ်အပိုင်းတစ်ခုဖြစ်တယ်ဆိုတာထိုကဲ့သို့သောရှိပါတယ် Features ။ ဤသည် compressed အခါကြိမ်နှုန်းမြင့်အချက်အလက်များ၏အချို့အစိတ်အပိုင်းကိုစွန့်ပစ်နိုင်ဆိုလိုသည်။ ပိုမိုဒါကြောင့်လျော့နည်းတန်ဖိုးကိုရှိပြီးပိုပြီး compactly encoded ကြောင့်။

ချုံ့၏ဒီဂရီတိုးမြှင့်ဖို့တစ်နိမ့်ကြိမ်နှုန်း data ကိုမှအကြိမ်ပေါင်းများစွာ Haar အသွင်ပြောင်းလျှောက်ထားနိုင်ပါသည်။

Two-ရှုထောင် Array ကိုအသုံးပြုခြင်း

ပြီးသားဖော်ပြခဲ့တဲ့အတိုင်း, ကွန်ပျူတာထဲတွင်ဒစ်ဂျစ်တယ်ပုံရိပ်က၎င်း၏ pixels ကို၏ပြင်းထန်တန်ဖိုးများကိုတစ် matrix ၏ပုံစံ၌ရှိကြ၏။ ထို့ကြောင့်ကျနော်တို့အသွင်ပြောင်းတစ်ဦးနှစ်ဦး-ရှုထောင် Haar wavelet စိတ်ဝင်စားဖြစ်သင့်သည်။ အဲဒါကိုအကောင်အထည်ဖေါ်ရန်၎င်း၏ရှုထောင်တစ်ခုချင်းစီကိုအတန်းများအတွက်ပြောင်းလဲခြင်းနှင့်ပုံရိပ်ကိုအတွက် pixels ကို၏ပြင်းထန်မှု၏ matrix ကိုအသီးအသီးကော်လံဖျော်ဖြေဖို့ရိုးရှင်းစွာလိုအပ်သည်။

သုညမှအနီးကပ်တန်ဖိုးများကို, အဒီကုဒ်ဒါပုံရိပ်မှသိသိသာသာထိခိုက်ပျက်စီးမှုမရှိဘဲစွန့်ပစ်နိုင်ပါတယ်။ ဤလုပ်ငန်းစဉ် quantization အဖြစ်လူသိများသည်။ ထိုအခါအချက်အလက်များ၏ဤအဆင့်မှာရှုံးနိမ့်ထားသည်။ စကားမစပ် nullable အချက်များ၏နံပါတ်အားဖြင့်ချုံ့၏ဒီဂရီချိန်ညှိပြောင်းလဲစေနိုင်သည်။

ဤသူအပေါင်းတို့သည်ခြေရာတို့ကို matrix ဒါဟာစာသားဖိုင်ထဲမှာလိုင်းအားဖြင့်လိုင်းတိကျမ်းစာ၌လာသည်နှင့်မည်သည့် Archiver ချုံ့ထားရမည် 0. ပမာဏပါဝင်ပါတယ်ရာရရှိခဲ့ကြောင်းမှု။

စကားဝှက်ကိုရှင်းလင်းဖေါ်ပြ

အောက်ပါ algorithm ကိုအပေါ်ပုံတွင်အဆိုပါပြောင်းပြန်အသွင်ပြောင်း:

• ဒါဟာတစ်ဦး archive ကို unpacks;
• ပြောင်းပြန် Haar အသွင်ပြောင်းသက်ဆိုင်;
• အဆိုပါဝှက်ပုံရိပ်တစ် matrix သို့ကူးပြောင်းသည်။

JPEG, နှိုင်းယှဉ်အားသာချက်

было сказано, что он основан на ДКП. စဉ်းစားကြည့်တဲ့အခါမှာ algorithm ကိုပူးတွဲဓာတ်ပုံအသင်းကျွမ်းကျင်သူများက Group က DCT အပေါ်အခြေခံပြီးကြောင်းကြားပြောလေ၏။ ဤသည်ပြောင်းလဲခြင်းလုပ်ကွက်များ (8 x ကို 8 pixels) ထွက်ယူသွားတတ်၏။ ရလဒ်အဖြစ်အဆိုပါလျှော့ချပုံရိပ်ပေါ်လျှင်တစ်ဦးသည်ခိုင်ခံ့တဲ့ compression နျဖိုးထားပိတ်ပင်တားဆီးမှုဖွဲ့စည်းပုံမှာဖြစ်လာသည်။ ချုံ့စဉ်အတွင်းထိုကဲ့သို့ပြဿနာတစ်ခုပျက်ကွက်ဖြစ်ပါတယ် wavelets ကိုသုံးနိုင်သည်။ သို့သော်ဆူညံသံအနားတဝိုက်ဂယက်ထ၏အသွင်အပြင်ရှိသည်သောကွဲပြားခြားနားသောပုံစံပေါ်လာလိမ့်မည်။ ဒါဟာ JPEG, algorithm ကိုသုံးပြီးတဲ့အခါမှာဖန်တီးထားတဲ့ "ရင်ပြင်" ထက်ကြောင်းပျမ်းမျှအလားတူအပိုငျးအလျော့နည်းသိသာယုံကြည်ကြသည်။

ယခုတွင်သင်သည်သူတို့တွေဘာတွေရှိတယ်ဆိုတာတွေဘာတွေရှိတယ်ဆိုတာ wavelets သိကြနှင့်သူတို့အဘို့အဘယ်သို့လက်တွေ့ကျတဲ့အသုံးပြုမှုအပြောင်းအလဲနဲ့၏လယ်ပြင်တွင်တွေ့ဒစ်ဂျစ်တယ်ရုပ်ပုံများကိုချုံ့ခံခဲ့ရသည်။ ကြောင်း