Signal and Data Processing

fa تبدیل صفحک: یک موجک هندسی مناسب برای فشرده‌سازی تصاویر عمق دوربین‌های شبه‌کینکت Planelet Transform: A New Geometrical Wavelet for Compression of Kinect-like Depth Images مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">تبدیلات گوک (Wedgelet) و شیبک (Platelet) که پیش‌ازاین در خانواده موجک‌های هندسی وفقی برای بازنمایی تصاویر روشنایی مطرح شده‌اند، توانایی بازنمایی تنک تصاویر قطعه‌ای ثابت، و تصاویر قطعه‌ای خطی را دارند؛ اما کارایی آن‌ها در بازنمایی تصاویر قطعه‌ای غیرخطی مانند تصاویر عمق بهینه نیست. در این مقاله تبدیل صفحک<a href="#_ftn1" name="_ftnref1" title="">[1]</a> به‌عنوان عضو جدیدی از خانواده موجک‌های هندسی برای بازنمایی بهینه تصاویر عمق قطعه‌ای صفحه‌گون ارائه شده است. برخلاف موجک‌های هندسی پیشین که تنها از مدل‌های خطی و ثابت برای توصیف هر ناحیه هموار در تصویر استفاده می‌کنند، تبدیل صفحک برای تقریب هر ناحیه صفحه‌گون از یک مدل غیرخطی مبتنی بر توابع گویا بهره می‌گیرد. آزمایش‌ها بر روی تصاویر عمق واقعی نشان دادند که در نرخ بیت bpp 03/0 استفاده از کدگذار مبتنی بر صفحک در فشرده‌سازی تصاویر عمق نسبت به موجک هندسی گوک به‌طور میانگین تا dB 7/2 کیفیت را افزایش می‌دهد. همچنین در شرایط مشابه، در مقایسه با کدگذارهای مدرن JPEG2000 و H.264، استفاده از کدگذار عمق مبتنی بر صفحک به‌ترتیب منجر به dB 59/2 و dB 56/1 افزایش در کیفیت تصاویر بازسازی‌شده می‌شود.</div> <div><div style="text-align: justify;"></div> <hr align="left" size="1" width="33%" > <div id="ftn1" style="text-align: justify;"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Planelet Transform</div> </div> With the advent of cheap indoor RGB-D sensors, proper representation of piecewise planar depth images is crucial toward an effective compression method. Although there exist geometrical wavelets for optimal representation of piecewise constant and piecewise linear images (i.e. wedgelets and platelets), an adaptation to piecewise linear fractional functions which correspond to depth variation over planar regions is still missing. Such planar regions constitute major portions of the indoor depth images and need to be well represented to allow for desirable rate-distortion trade-off. In this paper, second-order planelet transform is introduced as an optimal representation for piecewise planar depth images with sharp edges along smooth curves. Also, to speed up the computation of planelet approximation of depth images, an iterative estimation procedure is described based on non-linear least squares and discontinuity relaxation. The computed approximation is fed to a rate-distortion optimized quad-tree based encoder; and the pruned quadtree is encoded into the bit-stream. Spatial horizontal and vertical plane prediction modes are also introduced to further exploit geometric redundancy of depth images and increase the compression ratio. Performance of the proposed planelet-based coder is compared with wedgelets, platelets, and general image encoders on synthetic and real-world Kinect-like depth images. The synthetic images dataset consists of 30 depth images of different scenes which are manually selected from eight video sequences of ICL-NUIM RGBD Benchmark dataset. The dataset of real-world images also includes 30 depth images of indoor scenes selected from Washington RGBD Scenes V2 dataset captured by Kinect-like cameras. In contrast to former geometrical wavelets which approximate smooth regions of each image using constant and linear functions, planelet transform exploits a non-linear model based on linear fractional functions to approximate every smooth region. Visual comparisons by 3D surface reconstruction and visualization of the decoded depth images as surface plots revealed that at a specific bit-rate the planelets-based coder better preserves the geometric structure of the scene compared with the former geometric wavelets and the general images coders.  Numerical evaluations showed that compression of synthetic depth-images by planelets results in a considerable PSNR improvement of 0.83 dB and 6.92 dB over platelets and wedgelets, respectively. Due to absence of the noise, the plane prediction modes were very successful on synthetic images and boosted the PSNR gap over platelets and wedgelets to 5.73 dB and 11.82 dB, respectively. The proposed compression scheme also performed well on the real-world depth images. Compared with wedgelets, planelets-based coder with spatial prediction achieved noticeable quality improvement of 2.7 dB at the bit-rate of 0.03 bpp. It also led to 1.46 dB quality improvement over platelets at the same bit-rate. In this experiment, application of planelets-based coder led to 2.59 dB and 1.56 dB increase in PSNR over JPEG2000 and H.264 general image coders. Similar results are also achieved in terms of SSIM metric.   فشرده‌سازی تصویر عمق, موجک هندسی, تبدیل صفحک, توابع گویا depth-image compression, geometrical wavelets, planelet transform, linear fractional functions 41 60 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1012-1&slc_lang=fa&sid=1 Vahid Kiani وحید کیانی vkiani@stu.um.ac.ir 10031947532846007900 10031947532846007900 No University of Bojnord دانشکده مهندسی، دانشگاه فردوسی مشهد Ahad Harati احد هراتی a.harati@um.ac.ir 10031947532846007901 10031947532846007901 Yes Ferdowsi University of Mashhad دانشکده مهندسی، دانشگاه فردوسی مشهد Abedin Vahedian عابدین واحدیان vahedian@um.ac.ir 10031947532846007902 10031947532846007902 No Ferdowsi University of Mashhad دانشکده مهندسی، دانشگاه فردوسی مشهد