Проадаптация в кодировании изображений

Большинство известных алгоритмов на основании "прошлых" (обработанных) отсчётов уточняют локальные свойства изображения, предполагают, что в ближайшем "будущем" свойства изображения не изменятся, и корректируют какие-то параметры кодера. При декодировании изображения на основании восстановленных отсчётов принимаются те же решения. Это классическая адаптивная схема.

В предлагаемом проадаптивном подходе для адаптации алгоритма используется продолжение сигнала. Для оценки статистических свойств кодируемого отсчёта используются как предыдущие, так и "будущие" отсчёты и даже сам кодируемый отсчёт. Несомненно, достоверность оценки возрастает, но за это приходится платить дополнительными расходами – сохранять информацию о "будущих" отсчётах или принятые решения. Проадаптивный алгоритм подстраивает свои параметры только при кодировании, а при декодировании используются значения параметров, сохранённые при кодировании. Чем больше объём дополнительных данных, тем чаще и/или точней корректируются параметры алгоритма и тем выше эффективность кодирования основного потока данных. Если корректировать параметры кодера в каждом фрагменте изображения размером W×W, то количество информации, приходящейся на отсчёт изображения, основного и дополнительного потоков данных будет зависеть от размера фрагмента изображения примерно так, как показано на рисунке 2. При некоторых условиях их сумма имеет оптимум. Экспериментальные исследования на реальных и искусственных изображениях показали, что оптимум есть всегда, но условия для его достижения существенно зависят от контекста изображения.

Многие адаптивные алгоритмы содержат в себе пороговые элементы и при определённых условиях применяют те или иные способы адаптации. Как правило, адаптация направлена на обнаружение резких перепадов яркости или продольных структур и предотвращение больших ошибок вблизи их. На рисунке 3 показано как изменяется форма распределения ошибок предсказания при применении адаптивных и проадаптивный методов кодирования. Адаптивные методы сокращают "хвосты" распределения, а средняя часть остаётся без изменения. Это хорошо в среднеквадратическом смысле, но слабо сказывается на энтропии данных, а, значит, и на коэффициенте сжатия. Проадаптивная схема работает как при больших, так и при малых ошибках предсказания, при этом суживается всё распределение, что более существенно снижает энтропию.