Compression of aerial ortho images based on image denoising
Notice bibliographique
Résumé
Abstract only given. Discusses the compression of an important class of computer images, called aerial ortho images, that result from geodetic transformation computations [Kinsner, 1994]. The computations introduce numerical noise, making the images nearly incompressible losslessly because of their high entropy. The use of classical lossy compression schemes is also not desirable because their effects on the original image are unknown. We then propose the use of image denoising coupled with lossless image compression, that preserves selected image characteristics. Two denoising schemes for a compression ratio of 2:1 are compared. The first scheme is based on a Donoho's (1992) wavelet shrinking scheme which preserves image smoothness. We study the effect of various shrinking parameter values on the compression ratio and image quality, where 35.5 dB peak signal-to-noise ratio (PSNR) is obtained for a compression ratio of 2.03:1. This approach preserves high-frequency information, so that sharp edges do not become blurred as in classical filtering methods. This is critically important, because the main feature of ortho images is in its flatness and its precision of edge position. The second scheme is based on preserving pixel predictability [Kostelich and Schreiber, 1993), leading to a variant of planar predictive coding. This approach adds, to the edge preserving capability, the limitation in pixel deviation between the original and denoised images to be within one grayscale level. As a result, two different predictive coding schemes achieve a compression ratio of 2:1 at 49.9 dB and 51.2 dB PSNR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».