Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/14440
metadata.dc.type: Dissertação
metadata.dc.rights: Acesso Aberto
Title: Eficiência de Compressive Sensing em modelo quadtree em imagens na presença de ruído
metadata.dc.creator: Ferreira, Julio Cesar
metadata.dc.contributor.advisor1: Carrijo, Gilberto Arantes
metadata.dc.contributor.referee1: Veiga, Antônio Cláudio Paschoarelli
metadata.dc.contributor.referee2: Flores, Edna Lúcia
metadata.dc.contributor.referee3: Ferreira, Ed' Wilson Tavares
metadata.dc.description.resumo: 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.
Abstract: 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.
Keywords: Processamento de sinais
Compressão de imagens
Detecção de sinais
Modelo QuadTree
Quantização
Esparsidade
Otimização
QuadTree Model
Wavelet
Quantization
Sparsity
Optimization
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.language: por
metadata.dc.publisher.country: BR
Publisher: Universidade Federal de Uberlândia
metadata.dc.publisher.initials: UFU
metadata.dc.publisher.department: Engenharias
metadata.dc.publisher.program: Programa de Pós-graduação em Engenharia Elétrica
Citation: 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.
URI: https://repositorio.ufu.br/handle/123456789/14440
Issue Date: 17-Dec-2010
Appears in Collections:DISSERTAÇÃO - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
Diss Julio.pdf2.62 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.