deathvir#94
Üdv!
Frayer:Utánaolvastam a témának és hirtelen találtam is vmi-t ami sztem elgondolkodtató: http://dspace.lib.unideb.hu:8080/dspace/bitstream/2437/2385/1/diplomamunka.pdf
Idézném a lényeges részt:
"Fraktál alapú képtömörítés
Egy szó többet mond ezer szónál, szoktuk gyakran mondani. Nos, általában jóval több helyet
is foglal, egy 1024 × 768-as felbontású, 32 bites színmélység½u tömörítetlen kép mérete közel 3
megabájt tárhelyet foglal el. Így aztán manapság, amikor már a legolcsób mobiltelefonokban is
beépítet megapixeles kamerát találunk, fontos, hogy mind újabb, nagyobb hatásfokú adattömö-
rítési (els½osorban kép- és hangtömörítési) módszereket alkossunk. Jobb tömörítési arány érhet½o
el, ha a tömörítés során el½oállt képt½ol nem várjuk el, hogy pontos mása legyen az eredetinek.
Egészen kis eltérésekr½ol van szó, akár olyanokról is, amelyek az emberi szem számára látha-
tatlanok maradnak. Az ilyen elven m½uköd½o módszereket veszteséges tömörít½oknek nevezzük.
Jelenleg három technológia uralkodik a veszteséges tömörítés területén : a vektor kvantálásnak
nevezett módszer, a diszkrét koszínusz transzformáció (DCT), és a fraktál alapú képtömörítés.
Az els½o módszer esetén a képet kisebb részekre osztják, és egy ún. kódkönyvb½ol (codebook)
választanak hozzá megfelel½o reprezentánst. A diszkrét koszínusz transzformáció a képeket egy
másik térbe (az ún. frekvenciatérbe) konvertálja, majd az így kapott értékeket megfelel½o módon
kvantálja. A harmadik esetben a természetben el½oforduló alakzatok (bizonyos mértk½u) önhason-
lóságát használja ki. 1988 Barnsley kidolgozott egy módszert, amely digitális képek jó hatás-
fokú tömörítését tette lehet½ové IFS-ek felhasználásával. A módszert sokan továbbfejlesztették,
jelenleg is igen sok változata ismert. A technika még csak gyerekcip½oben jár, a lehet½oségek
majdhogynem beláthatatlanok. Barnsley alapgondolata az volt, hogy ha néhány nagyon egy-
szer½u transzformáció segítségével bonyolult, a természetben is el½oforduló alakzatok sokasága
állítható el½o, akkor ez felhasználható az ilyen alakzatokat ábrázoló képek tömörítésére, hiszen
a képpontok helyett elegend½o a képet el½oállító transzformációkat eltárolni, ami drasztikusan
lecsökkenti a szükséges tárhely méretét. Azt is észrevette, hogy az egyes iterációk fixpontja
semmilyen módon nem függ a kezdeti képt½ol, így az iteráció tetsz½oleges kiindulási képpel el-
indítható. A kérdés csak az, hogy tetsz½oleges kép el½oállítható-e IFS-ek segítségével, vagy meg
kell elégednünk bizonyos képek nagyarányú tömörítésének lehet½oségével. Sajnos a válasz nem-
leges, vagyis a képek többségéhez nem adható olyan IFS, amelynek fixpontja maga a kép lenne.
Ez logikus is, hiszen pl. egy emberi arc egyáltalán nem önhaonló, tehát a szerkezete nem frak-
tálszer½u. Márpedig az IFS-ek segítségével leginkább fraktálokat lehet el½oállítani (vagy csakis
azokat, ennek eldöntéséhez pontosan kellene definiálnunk a fraktál fogalmát – pl. fraktál-e egy
négyzet?). Szerencsére van megoldás: osszuk fel a képet egyforma méret½u kisebb tartományok-
ra, és ezen tartományokat próbáljuk meg összevetni egymással. Ezt a technikát Arnaud Jacquin
dolgozta ki, és az ehhez felhasznált speciális iterált függvényrendszereket PIFS-nek (Partiti-
oned Iterated Function System) nevezik. A módszerek jól kidolgozott matematikai alpokkal
rendelkeznek, tekintsük most át ezeket."