تبدیل کسینوس معکوس دو بعدی در متلب

موسسه پایاپروژه به عنوان متصدی انجام پروژه های متلب وظیفه ی خود می داند که در راستای آموزش نرم افزار متلب گام های موثری را بردارد. با توجه به اینکه یک دوره آموزشی متلب مستلزم تمرین و تلاش بسیار است. اما این موسسه تلاش می کند سهم کوچکی در جهت یادگیری شما داشته باشد.

تبدیل کسینوس معکوس 2 بعدی برای رمزگشایی یک تصویر در حوزه فضایی استفاده می شود که نمایش داده مناسب تری برای فشرده سازی (ICT) است. رمزگشایی مبتنی بر فناوری اطلاعات و ارتباطات پایه و اساس استانداردهای فشرده‌سازی تصویر و ویدئو است. یا به بیان دیگر، می‌توان گفت که تبدیل کسینوس معکوس (ICT) سینوسی‌هایی با فرکانس‌ها و اندازه‌های مختلف را برای نمایش یک تصویر جمع می‌کند.

تابع مورد استفاده در تبدیل کسینوس معکوس دو بعدی در متلب

تابع ict2 برای تعیین تبدیل کسینوس معکوس دو بعدی تصویر (ICT) در متلب استفاده می شود. تابع ict2 تبدیل کسینوس معکوس دو بعدی تصویر (ICT) را محاسبه می کند. فناوری اطلاعات و ارتباطات دارای این ویژگی است که اکثر اطلاعات مهم بصری در یک تصویر معمولی تنها در تعداد کمی از ضرایب فناوری اطلاعات و ارتباطات متمرکز شده است.

فشرده سازی تصویر چیست؟

اول بیایید ببینیم فشرده سازی یعنی دقیقا چه؟! در زمینه پردازش تصویر در متلب ، فشرده سازی تصاویر یک مرحله مهم قبل از شروع پردازش تصاویر یا فیلم های بزرگتر است. فشرده سازی تصاویر توسط یک رمزگذار انجام می شود و از فرم فشرده شده یک تصویر خروجی می دهد. در فرآیندهای فشرده سازی، تبدیل های ریاضی نقش حیاتی ایفا می کنند.

چرا به فشرده سازی تصویر نیاز داریم؟

تصویر سیاه و سفیدی را در نظر بگیرید که وضوح 1000*1000 دارد و هر پیکسل از 8 بیت برای نمایش شدت استفاده می کند. بنابراین مجموع تعداد آن ها req= 1000*1000*8 = 8000000 بیت در هر تصویر می شود. و در نظر بگیرید که اگر یک ویدیو با 30 فریم در ثانیه از تصاویر نوع فوق ذکر شده باشد، مجموع بیت ها برای یک ویدیوی 3 ثانیه است: 3*(30*(8,000,000))=720,000,000 بیت ها

همانطور که می بینیم فقط برای ذخیره یک ویدیوی 3 ثانیه ای به بیت های زیادی نیاز داریم که بسیار بزرگ است. بنابراین، ما به روشی برای نمایش مناسب نیاز داریم تا اطلاعات مربوط به تصویر را در حداقل تعداد بیت بدون از دست دادن کاراکتر تصویر ذخیره کنیم. بنابراین فشرده سازی تصویر نقش مهمی ایفا می کند.

مراحل اولیه فشرده سازی تصویر:

• اعمال تبدیل تصویر
• کوانتیزاسیون سطوح
• رمزگذاری دنباله ها

نحوه ی کلی کار به صورت زیر است:

Y = ict2(X)

Y = ict2(X,m,n)

Y = ict2(X,[mn])

Y = ict2(X)  تابغ غیر کسینوس معکوس دو لایه X را برمی گرداند. قبل از اعمال تبدیل معکوس، Y = ict2(X,u,v)  و Y = ict2(X,[uv])  پد X با 0s به اندازه u-by-v برمیگرداند.

مثال:

 MATLAB code for%

 2-D INVERSE COSINE TRANSFORM%

 PLAN THE MATRIX IN ADVANCE%

;X = zeros(size(Y))

;Temp = zeros(size(Y))

;[U V] = size(Y)

;a = 1:U

;a = repmat(a’,1,V)

;b = repmat(1:U,V,1)

,figure

;imshow(log(abs(Y)),[])

;colormap(jet)

;title(‘After DCT’)

for i=1:U

for j = 1: V

if(i==1)

;AlphaO=sqrt(1/U)

else

;AlphaO=sqrt(2/U)

end

if(j==1)

;AlphaQ=sqrt(1/V)

else

;AlphaQ=sqrt(2/V)

end

;CS1=cos((pi*(2*x-1)*(i-1))/(2*U))

;CS2=cos((pi*(2*y-1)*(j-1))/(2*V))

;Temp=Y.*cs1.*cs2*AlphaO*AlphaQ

;X(i,j)=sum(sum(Temp))

end

end

 OUTPUT%

,figure

;imshow(abs(X),[0 300])

;title(‘Image after IDCT’)