Українська
Отримано 05.09.2024, Доопрацьовано 20.11.2024, Прийнято 18.12.2024
Збільшення ступеня стиснення зображень для скорочення часу їх передачі в сенсорних мережах на базі мікроконтролерів сприяє підвищенню загальної енергоефективності системи. Метою дослідження було вивчення ефективності застосування вейвлет перетворень Хаара, Добеші та Коіфлета для стиснення зображень на 32-бітних мікроконтролерах. Виконано експериментальне порівняння ефективності трьох типів вейвлет-перетворень для обробки зображень, отриманих з вбудованої камери, за метриками середньоквадратичної похибки, пікового відношення сигнал/шум, індексу структурної схожості та евклідової відстані. Реалізовано алгоритми вейвлет-перетворень Хаара, Добеші та Коіфлета на мікроконтролері ESP32. Отримані результати показали, що на другому рівні декомпозиції вейвлет Хаара забезпечив високу якість зображення (MSE 25.153, PSNR 34.124 дБ), але на четвертому рівні якість значно погіршується (MSE 73.449, PSNR 29.470 дБ). Вейвлет Добеші продемонстрував подібні результати, але на четвертому рівні його ефективність також знижується (MSE 78.241, PSNR 28.974 дБ). Вейвлет Коіфлет показав найгірші результати на четвертому рівні (MSE 89.630), проте на другому рівні його якість є конкурентною. Вперше було виконано порівняння трьох типів вейвлет-перетворень із застосуванням додаткової метрики – евклідової відстані, що дозволило краще оцінити артефакти та спотворення зображень. Запропонований підхід дозволив покращити ефективність стиснення та передачі зображень у системах Інтернету речей на мікроконтролерах, що забезпечує менший час передачі даних і, відповідно зменшення енергоспоживання, що є критично важливим для сенсорних мереж з автономним живленням
Хаар; Добеші; Коіфлет; Peak Signal-to-Noise Ratio; structural similarity index measure; мікроконтролер ESP32
[1] Al-Dabbas, H.M. & Ghazi, F.M. (2018). The effect of wavelet coefficient reduction on image compression using DWT and daubechies wavelet transform. Science International, 30(5), 757-762.
[2] Barannik, V., Berchanov, A., Barannik, V., Babenko, M., Onyshchenko, R., & Kolodiichuk, L. (2023). Method of mini segments encoding in difference space using Haar wavelet. In 2023 IEEE 5th International conference on advanced information and communication technologies (AICT) (pp. 1-4). Lviv: IEEE. doi: 10.1109/AICT61584.2023.10452674.
[3] Merkulova, K., & Zhabska, Y. (2019). Software application for biometrical person’s identification by portrait photograph based on wavelet transform. In 2019 IEEE International conference on advanced trends in information theory (ATIT) (pp. 253-256). Kyiv: IEEE. doi: 10.1109/ATIT49449.2019.9030462.
[4] Daoui, A., Yamni, M., Pławiak, P., Alblehai, F., & Abd El-Latif, A.A. (2024). Novel integer Hahn transform for real-time lossless image authentication in IoT: A 32-bit microcontroller implementation. IEEE Access, 12, 131044-131064. doi: 10.1109/ACCESS.2024.3457690.
[5] Ding, H., Liu, H., & Yang, F. (2021). A real-time compression method of power system waveform data based on 2-D lifting wavelet transform and deflate algorithm. In 2021 3rd Asia energy and electrical engineering symposium (AEEES) (pp. 626-630). Chengdu: IEEE. doi: 10.1109/AEEES51875.2021.9403107.
[6] ESP32-CAM camera development board (2020). Ai-thinker technology. Retrieved from https://docs.ai-thinker.com/en/esp32-cam.
[7] Genta, A., & Lobiyal, D.K. (2018). Performance evaluation of wavelet based image compression for wireless multimedia sensor network. In M. Singh, P. Gupta, V. Tyagi, J. Flusser & T. Ören (Eds.), Advances in computing and data sciences. ICACDS 2018. Communications in computer and information science (Vol. 906, Part II, pp. 402-412). Singapore: Springer. doi: 10.1007/978-981-13-1813-9_40.
[8] Gunanandhini, S., Kalamani, M., Bhagavathipriya, M., & Guru prasath, S. (2022). Wavelet based video compression techniques for industrial monitoring applications. Journal of Physics: Conference Series, 2272, article number 012019. doi: 10.1088/1742-6596/2272/1/012019.
[9] Izmailov, A. (2019). Symmetric ternary wavelet transform and its application in digital information processing. In 2019 IEEE 2nd Ukraine conference on electrical and computer engineering (UKRCON) (pp. 1-6). Lviv: IEEE. doi: 10.1109/UKRCON.2019.8879808.
[10] Krishnaswamy, R., & NirmalaDevi, S. (2020). Efficient medical image compression based on integer wavelet transform. In 2020 Sixth International conference on bio signals, images, and instrumentation (ICBSII) (pp. 1-5). Chennai: IEEE. doi: 10.1109/ICBSII49132.2020.9167597.
[11] Mazin, M., & Onykiienko, Yu.O. (2023). Wavelet transform application for image processing in microcontroller based internet of things systems. Technologies and Engineering, 13(4), 15-25. doi: 10.30857/2786-5371.2023.3.2.
[12] Mohindru, P., Rana, S.S., & Pooja. (2022). Comparative analysis of Haar, Daubechies and Bior wavelets on image compression using discrete wavelet transform. IJRECE, 4(1).
[13] Odarchenko, R., Lavrynenko, O., Bakhtiiarov, D., Dorozhynskyi, S., & Zharova, V.A.O. (2021). Empirical wavelet transform in speech signal compression problems. In 2021 IEEE 8th International conference on problems of infocommunications, science and technology (PIC S&T) (pp. 599-602). Kharkiv: IEEE. doi: 10.1109/PICST54195.2021.9772156.
[14] Patlayenko, M., Osharovska, O., Solodka, V., & Pyliavskyi, V. (2021). Implementation of a wavelet encoder-decoder image on a microcontroller. In 2021 IEEE 8th International conference on problems of infocommunications, science and technology (PIC S&T) (pp. 475-478). Kharkiv: IEEE. doi: 10.1109/PICST54195.2021.9772150.
[15] Rohima, & Akbar, M.B. (2020). Wavelet analysis and comparison from coiflet family on image compression. In 2020 8th International conference on cyber and IT service management (CITSM) (pp. 1-5). Pangkal: IEEE. doi: 10.1109/CITSM50537.2020.9268811.
[16] Sarkar, A., & Halder, K.K. (2021). Speckle noise reduction using a new weighted-average filter based on euclidean distance. In 2021 IEEE International conference on biomedical engineering, computer and information technology for health (BECITHCON) (pp. 38-41). Dhaka: IEEE. doi: 10.1109/BECITHCON54710.2021.9893716.
[17] Schlamm, A., & Messinger, D. (2011). Improved detection and clustering of hyperspectral image data by preprocessing with a euclidean distance transformation. In 2011 3rd Workshop on hyperspectral image and signal processing: Evolution in remote sensing (WHISPERS) (pp. 1-4). Lisbon: IEEE. doi: 10.1109/WHISPERS.2011.6080847.
[18] Thakker, A., Namboodiri, N., Mody, R., Tasgaonkar, R., & Kambli, M. (2022). Lossy image compression-a comparison between wavelet transform, principal component analysis, k-means and autoencoders. In 2022 5th International conference on advances in science and technology (ICAST) (pp. 569-576). Mumbai: IEEE. doi: 10.1109/ICAST55766.2022.10039613.
[19] Varma, N.M., & Choudhary, A. (2019). Evaluation of distance measures in content based image retrieval. In 2019 3rd International conference on electronics, communication and aerospace technology (ICECA) (pp. 696-701). Coimbatore: IEEE. doi: 10.1109/ICECA.2019.8821957.
[20] Yamnenko, I., & Levchenko, V. (2019). Video-data compression using wavelet analysis. In 2019 IEEE 20th International conference on computational problems of electrical engineering (CPEE) (pp. 1-4). Lviv-Slavske: IEEE. doi: 10.1109/CPEE47179.2019.8949074.
[21] Zoican, S., Zoican, R, & Galatchi, D. (2019). Color image noise removal algorithm implementation using blackfin dual core microcontroller. In 2019 14th International conference on advanced technologies, systems and services in telecommunications (TELSIKS) (pp. 211-214). Nis: IEEE. doi: 10.1109/TELSIKS46999.2019.9002078.
English