Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

Анализ результатов показывает, чтоГИС объединяют данные, накопленные в 
различных подразделениях или даже в разных областях и сфере деятельности. Имеет свои 
преимущества коллективное использование накопленных данных и их интеграция в 
единый информационный массив дает существенные конкурентно способные показатели 
и повышает эффективность телекоммуникационных систем. 
Разработка и внедрение ГИС сетей связи отличают: развитые аналитические 
функции; возможность управлять большими объемами данных; инструменты для ввода, 
обработки и визуального отображения геопространственных данных. 
Выводы. Внедрение современных геоинформационных технологий для анализа 
пространственных данных позволяет ускорить и повысить эффективность процедуры 
принятия решений. 
Схематизация пространственных данных на ГИС основе, в том числе в трехмерном 
измерении, позволяет, упростить организации запросов и их последующий анализ. 
Удобное представление данных территориального характера, повышает качество, и 
ускоряет их анализ. Пространственные данные в геоинформационных системах 
представляют в виде интерактивных карт. Состояния объектов в ГИС представляются в 
виде графиков, диаграмм, трехмерных изображений, тем самым дают возможность, 
существенно экономить временные ресурсы, оптимизировать процесс работы со схемами, 
картами и созданием 3D модели местности. 
 
АНАЛИЗ МЕТОДА ВЕЙВЛЕТ-КОМПРЕССИИ ДЛЯ УЛУЧШЕНИЯ КАЧЕСТВА 
ИЗОБРАЖЕНИЯ 
 
Жураев А. А., магистр 1 курса кафедры «Мультимедийных технологий», ТУИТ 
Артикова М.А., научный руководитель, доцент каферы «Мультимедийных 
технологий», ТУИТ 
Вейвлет-компрессия - общее название класса методов кодирования изображений, 
использующих двумерное вейвлет-разложение кодируемого изображения или его частей. 
Обычно подразумевается сжатие с потерей качества. Существенную роль в алгоритмах 
вейвлетной компрессии играет концепция представления результатов вейвлет-разложения 
в виде нуль-дерева (zero-tree). Упорядоченные в нуль-дереве битовые плоскости 
коэффициентов вейвлет-разложения огрубляются и кодируются далее с использованием 
статистических методов сжатия. 
Вейвлеты - это средства для декомпозиции сигналов, таких как изображения, на 
иерархию нарастающих разложений: рассмотрение большого количества слоев 
разложения дает все более точное описание изображения. 
В общем случае вейвлет-преобразование функции выглядит следующим образом 
[1]: 
где t — ось времени, x — момент времени, s — параметр, обратный частоте. 
В отличие от разложения Фурье, которое дает представление только о частотах, 
вейвлетное 
разложение 
изображений 
обеспечивает 
пространственно-частотное 
представление. 
При 
использовании 
целочисленного 
вейвлет-преобразования 
представление изображения в виде вейвлетов также имеет целочисленную разрядность, 
делая возможным выполнение сжатия без потерь с конкурентоспособными 
коэффициентами сжатия. Представление в виде вейвлетов вызвало изучение новой 

---

292 
стратегии квантования (в случае сжатия изображения с потерями) для использования 
лежащего в его основе пространственно-частотного описания изображения. 
Вейвлетная компрессия в современных алгоритмах компрессии изображений 
позволяет значительно (до двух раз) повысить степень сжатия чёрно-белых и цветных 
изображений при сравнимом визуальном качестве по отношению к алгоритмам 
предыдущего поколения, основанным на дискретном косинусном преобразовании, таких, 
например, как JPEG. 
Наиболее известный алгоритм вейвлетной компрессии - JPEG 2000. Вейвлет-
компрессия используется также при кодировании в формат DjVu. Существует также 
множество 
нестандартизированных 
алгоритмов 
кодирования 
изображений 
и 
видеопоследовательностей, основанных на вейвлет-компрессии и предназначенных для 
специализированного применения. Например, Dirac, ECW, EZW, JPEG 2000 и т.д.
Шапиро [2] произвел переворот с внедрением его алгоритма вейвлет-кодирования 
на основе вложенных нуль-деревьев (EZW) в 1993 г. С тех пор был разработан новый 
класс алгоритмов, который достигает значительно более высокой производительности по 
сравнению с кодером EZW. В частности, работа Саида и Пирлмана о разложении 
множества по иерархическим деревьям (SPIHT) [3], что улучшило кодер EZW, оказалась 
крайне успешной и для сжатия с потерями, и для сжатия без потерь. 
При сопоставлении изображений на рис. 1 четко заметно лучшее качество при 
вейвлет-преобразовании. 
Рис. 1. Оригинальная фотография (размер 461 760 байт) слева; фотография, 
восстановленная после сжатия по JPEG-алгоритму (размер файла 3511 байт), посередине; 
фотография, восстановленная после сжатия по вейвлет-алгоритму (размер файла 3519 
байт), справа).
Из вышеизложенного можно сделать вывод, что применение вейвлет-компрессии в 
цифровой обработке изображений служит не только для улучшения качества 
изображения, но и является весьма перспективным направлением, в том числе и для 
новых разработок и исследований.