A case study on entropy-aware block-based linear transforms for lossless image compression

Abstract

Data compression algorithms tend to reduce information entropy, which is crucial, especially in the case of images, as they are data intensive. In this regard, lossless image data compression is especially challenging. Many popular lossless compression methods incorporate predictions and various types of pixel transformations, in order to reduce the information entropy of an image. In this paper, a block optimisation programming framework is introduced to support various experiments on raster images, divided into blocks of pixels. Eleven methods were implemented, including prediction methods, string transformation methods, and inverse distance weighting, as a representative of interpolation methods.

Algoritmy komprese dat mají tendenci snižovat informační entropii, což je klíčové zejména v případě obrázků, které jsou datově obsáhlé. V tomto ohledu je zvláště velkou výzvou bezztrátová komprese obrazových dat. Mnoho populárních bezztrátových kompresních metod obsahuje predikce a různé typy transformací obrazových bodů, aby se snížila informační entropie obrazu. V tomto článku je představen programovací rámec blokové optimalizace pro různé experimenty na rastrových snímcích, rozdělených do bloků pixelů. Pro reprezentaci interpolačních metod bylo implementováno jedenáct metod včetně predikčních metod, metod transformace řetězců a váhy založené na inverzní vzdálenosti.