<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN"
        "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
<!--<?xml-stylesheet type="text/xsl" href="article.xsl"?>-->
<article article-type="research-article" dtd-version="1.2" xml:lang="en" xmlns:mml="http://www.w3.org/1998/Math/MathML"
         xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
    <front>
        <journal-meta>
            <journal-id journal-id-type="issn">2303-9868</journal-id>
            <journal-id journal-id-type="eissn">2227-6017</journal-id>
            <journal-title-group>
                <journal-title>Международный научно-исследовательский журнал</journal-title>
            </journal-title-group>
            <issn pub-type="epub">2303-9868</issn>
            <publisher>
                <publisher-name>ООО Цифра</publisher-name>
            </publisher>
        </journal-meta>
        <article-meta>
            <article-id pub-id-type="doi">10.60797/IRJ.2024.150.80</article-id>
            <article-categories>
                <subj-group>
                    <subject>Brief communication</subject>
                </subj-group>
            </article-categories>
            <title-group>
                <article-title>ОПРЕДЕЛЕНИЕ СТЕПЕНИ СЖАТИЯ И КАЧЕСТВА ВОССТАНОВЛЕННЫХ ИЗОБРАЖЕНИЙ ПО ЗАРАНЕЕ ЗАДАННЫМ ПАРАМЕТРАМ
                </article-title>
            </title-group>
            <contrib-group>
                <contrib contrib-type="author">
                    
                    <name>
                        <surname>Гусев</surname>
                        <given-names>Сергей Игоревич</given-names>
                    </name>
                    <email>s.i.gusev@inbox.ru</email>
                    <xref ref-type="aff" rid="aff-1">1</xref>

                </contrib><contrib contrib-type="author">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0000-0001-5829-8223</contrib-id>
                    <name>
                        <surname>Бабаев</surname>
                        <given-names>Сергей Игоревич</given-names>
                    </name>
                    <email>babaev.s.i@gmail.com</email>
                    
                </contrib><contrib contrib-type="author">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0009-0005-6557-5192</contrib-id>
                    <name>
                        <surname>Костров</surname>
                        <given-names>Борис Васильевич</given-names>
                    </name>
                    <email>kostrov.b.v@evm.rsreu.ru</email>
                    
                </contrib><contrib contrib-type="author" corresp="yes">
                    <contrib-id contrib-id-type="orcid">https://orcid.org/0009-0003-3723-0950</contrib-id>
                    <name>
                        <surname>Бастрычкин</surname>
                        <given-names>Александр Сергеевич</given-names>
                    </name>
                    <email>a_s_bas@mail.ru</email>
                    
                </contrib>
            </contrib-group>
            <aff id="aff-1"><label>1</label>Рязанский государственный радиотехнический университет им. В.Ф. Уткина</aff>
            
        <pub-date publication-format="electronic" date-type="pub" iso-8601-date="2024-12-17">
            <day>17</day>
            <month>12</month>
            <year>2024</year>
        </pub-date>
        
            
        <pub-date pub-type="collection">
            <year>2024</year>
        </pub-date>
        
            <volume>7</volume>
            <issue>150</issue>
            <fpage>1</fpage>
            <lpage>7</lpage>
            <history>
                
        <date date-type="received" iso-8601-date="2024-10-16">
            <day>16</day>
            <month>10</month>
            <year>2024</year>
        </date>
        
                
        <date date-type="accepted" iso-8601-date="2024-11-13">
            <day>13</day>
            <month>11</month>
            <year>2024</year>
        </date>
        
            </history>
            <permissions>
                <copyright-statement>Copyright: &#x00A9; 2022 The Author(s)</copyright-statement>
                <copyright-year>2022</copyright-year>
                <license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
                    <license-p>This is an open-access article distributed under the terms of the Creative Commons
                        Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution,
                        and reproduction in any medium, provided the original author and source are credited. See <uri
                                xlink:href="http://creativecommons.org/licenses/by/4.0/">
                            http://creativecommons.org/licenses/by/4.0/</uri>.
                    </license-p>
                </license>
            </permissions>
            <self-uri xlink:href="https://research-journal.org/archive/12-150-2024-december/10.60797/IRJ.2024.150.80"/>
            <abstract>
                <p>В статье рассматриваются подходы к сжатию изображений с использованием квазидвумерного спектрального представления, основанного на функциях Уолша.Актуальность исследования обусловлена необходимостью эффективной передачи изображений по каналам связи с ограниченными ресурсами, где допустимы определённые отклонения в качестве. Предложенные критерии сжатия направлены на достижение заранее заданной степени сжатия и качества восстановленных изображений.Экспериментальная проверка подтверждает эффективность предложенных методов на наборе ландшафтных изображений, демонстрируя высокую предсказуемость результатов сжатия и качества восстановления. Полученные результаты могут быть применены в задачах обработки изображений в условиях ограниченных вычислительных ресурсов.</p>
            </abstract>
            <kwd-group>
                <kwd>сжатие изображений</kwd>
<kwd> преобразование Уолша</kwd>
<kwd> квазидвумерный спектр</kwd>
<kwd> секвентный анализ</kwd>
</kwd-group>
        </article-meta>
    </front>
    <body> 
        
 
        
<sec>
	<title>HTML-content</title>
	<p>1. Введение</p>
	<p>В настоящее время задача передачи изображений по каналам связи является актуальной. При этом существуют классы задач, в которых точное сохранение визуальной составляющей не обязательно, допустимы некоторые отклонения от исходного качества, не влияющие на общее восприятие изображения. Однако в подобных задачах более весомы такие критерии как затраты времени работы и памяти вычислительных устройств на передачу изображения, нагрузка на канал связи, объём передаваемой информации.</p>
	<p>Разработано множество методов сокращения информационной избыточности неподвижных изображений [1, C. 598-741], а также видеопотоков, большинство исследований в настоящее время сосредоточено на увеличении степени сжатия изображения или сохранении его качества [2], [3], однако при реализации этих методов могут использоваться такие подходы как:</p>
	<p>– ортогональные преобразования, основанные на системах непрерывных функций (синусоидальных или вейвлет-функций), дающие характерные эффекты при обработке дискретных сигналов;</p>
	<p>– вычисления с плавающей точкой, накладывающие дополнительные ограничения на архитектуру и аппаратные требования к вычислительным системам передачи изображений;</p>
	<p>– методы энтропийного кодирования, эффективно реализующие сокращение избыточности данных, заранее подготовленных на предыдущих этапах, однако требующие создания, а также хранения или передачи дополнительной информации в виде словарей, без которых невозможно кодирование и декодирование данных.</p>
	<p>Эти и другие подходы к разработке алгоритмов сжатия существенно усложняют процесс передачи изображений в системах с аппаратными и энергетическими ограничениями на передающее оборудование [4].</p>
	<p>Авторам и были предложены алгоритмы сжатия и протоколы передачи данных, основанные на применении теории дискретных сигналов, определённых на конечных интервалах [5], [6], [7], которые лишены указанных недостатков и могут найти своё приложение в задачах передачи изображений с применением встраиваемых систем в условиях жестких ограничений на вычислительные возможности передающего оборудования.</p>
	<p>Для известных и стандартизированных алгоритмов существуют критерии, изменение которых позволяет получить предсказуемый результат в смысле некоторых характеристик, например, качества или степени сжатия. Так, качество восстановленного изображения в алгоритме JPEG задаётся выбором соответствующих таблиц квантования [8, C. 372-377]. Поиск похожих по смыслу критериев обеспечения предсказуемости результатов для предложенных алгоритмов является актуальной задачей.</p>
	<p>2. Прореживание квазидвумерного спектра в задаче сжатия изображений</p>
	<p>В работе предполагается, что изображение представлено матрицей яркостей пикселей I, размер матрицы N*N, N = 2n, n – натуральное число. Значение яркости пикселя находится в диапазоне от 0 до 255, где 0 соответствует чёрному цвету, 255 – белому.</p>
	<p>В исследуемых алгоритмах основной является идея перехода к квазидвумерному спектральному пространству, которое может быть представлено как (1):</p>
	<code>[LATEX_FORMULA]$\boldsymbol{B}=\boldsymbol{W} * \boldsymbol{I}$[/LATEX_FORMULA]</code>
	<p>где B – матрица квазидвумерного спектра изображения, W – матрица функций Уолша, упорядоченная по Уолшу. При работе с функциями Уолша применяются термины обобщённой частоты или частости (секвенты) в качестве указания отличия их от частот, получаемых в результате преобразования Фурье и других преобразований, основанных на синусоидальных функциях [9, C. 81-83].</p>
	<p>В описанных раннее алгоритмах исключение «высокочастотных» составляющих квазидвумерных спектров изображения задавалось пороговым значением k.</p>
	<p>Задание значения исключения составляющих одним числом имело ряд неудобств. Во-первых, число k приходилось подбирать многократно отдельно для каждого изображения для получения данных с фиксацией результатов по другим критериям, таким как степень сжатия или качество изображения. Во-вторых, значение k – это значение уровня составляющих, все элементы спектра, по модулю меньшие k, исключаются, то есть становятся равными 0 (2).</p>
	<code>[LATEX_FORMULA]$\boldsymbol{B}^*(i, j)=\left\{\begin{array}{c}0,|\boldsymbol{B}(i, j)| \leq k, \\ \boldsymbol{B}(i, j),|\boldsymbol{B}(i, j)|&amp;gt;k\end{array}\right.$.[/LATEX_FORMULA]</code>
	<p>Подобное число имеет смысл в исследуемой области, однако для пользователей алгоритма более понятными могут являться иные критерии, например, процент исключённых составляющих.</p>
	<p>3. Критерий прореживания, обеспечивающий заданную степень сжатия</p>
	<p>Новый подход к исключению составляющих учитывает указанные замечания и заключается в реализации следующих шагов:</p>
	<p>1. Задаётся пороговое значение k, имеющее заранее довольно высокое значение (при исключении составляющих по данному порогу будет устранено около 90% спектра).</p>
	<p>2. Задаётся процент исключённых составляющих p, который будет означать предельную долю возможных исключённых элементов спектра.</p>
	<p>3. Исключение составляющих по заданному порогу начинается с области высоких  и продолжается до тех пор, пока не будет достигнут заданный процент p или (если процент недостижим в принципе) не будут исключены все составляющие ниже порога.</p>
	<p>Пусть количество спектральных составляющих, которые надо исключить для достижения процента p равно [LATEX_FORMULA]$c=\left[\frac{N * N}{100} * p\right]$[/LATEX_FORMULA], а текущее количество исключённых составляющих равно q. Тогда исключение составляющих спектра, обеспечивающее заданную степень сжатия, может быть выражено как (3):</p>
	<code>[LATEX_FORMULA]$\boldsymbol{B}^*(i, j)=\left\{\begin{array}{c}0,|\boldsymbol{B}(i, j)| \leq k \text { и } q&amp;lt;c, \\ \boldsymbol{B}(i, j),|\boldsymbol{B}(i, j)|&amp;gt;k \text { или } q \geq c .\end{array}\right.$[/LATEX_FORMULA]</code>
	<p>При этом Такой порядок обхода матрицы позволит начать исключение компонентов спектра с области концентрации компонентов высокой частости при упорядочении матрицы преобразования по Уолшу, что позволит обеспечить более высокую степень сжатия по сравнению с обходом с области низких частостей.</p>
	<p>Предложенный подход позволит применять более наглядный критерий исключения составляющих, при этом процент исключённых составляющих будет отражать примерную степень сжатия.</p>
	<p>4. Критерий прореживания, обеспечивающий заданное качество восстановления</p>
	<p>Одним из критериев оценки качества восстановленного после сжатия изображения является среднеквадратическое отклонение (СКО, англ. Root-mean-square error, RMSE) восстановленного изображения от исходного (4):</p>
	<code>[LATEX_FORMULA]$R M S E_I=\sqrt{\frac{1}{N^2} \sum_{i=0}^{N-1} \sum_{j=0}^{N-1}\left(\boldsymbol{I}(i, j)-\boldsymbol{I}^*(i, j)\right)^2}$.[/LATEX_FORMULA]</code>
	<p>где I* – матрица восстановленного после сжатия изображения.</p>
	<p>Для попытки оценить качество восстановленного изображения после исключения составляющих квазидвумерного спектра рассмотрим, как связано СКО изображений и их квазидвумерных спектров.</p>
	<p>СКО квазидвумерных спектров можно представить как (5)</p>
	<code>[LATEX_FORMULA]$R M S E_B=\sqrt{\frac{1}{N^2} \sum_{u=0}^{N-1} \sum_{j=0}^{N-1}\left(\boldsymbol{B}(u, j)-\boldsymbol{B}^*(u, j)\right)^2}$.[/LATEX_FORMULA]</code>
	<p>Так как разницу между спектрами составляют только исключённые значения, то выражение (4) можно переписать как (5)</p>
	<code>[LATEX_FORMULA]$R M S E_B=\sqrt{\frac{1}{N^2} \sum_{u=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{B}^*}(u, j)\right)^2}$,[/LATEX_FORMULA]</code>
	<p>где [LATEX_FORMULA]\overline{\boldsymbol{B}^*}[/LATEX_FORMULA] – матрица исключённых составляющих. Тогда выражение (4) можно представить в виде (7):</p>
	<code>[LATEX_FORMULA]$R M S E_I=\sqrt{\frac{1}{N^2} \sum_{i=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{I}^*}(i, j)\right)^2}$,[/LATEX_FORMULA]</code>
	<p>где [LATEX_FORMULA]\overline{\boldsymbol{I}^*}[/LATEX_FORMULA] – матрица разностей яркостей пикселей исходного и восстановленного изображений.</p>
	<p>Исходя из равенства Парсеваля для квазидвумерных спектров [11, C. 144] (8):</p>
	<code>[LATEX_FORMULA]$\sum_{i=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{I}^*}(i, j)\right)^2=\frac{1}{N} \sum_{u=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{B}^*}(u, j)\right)^2$[/LATEX_FORMULA]</code>
	<p> можно получить следующее выражение (9):</p>
	<code>[LATEX_FORMULA]$R M S E_B=\sqrt{N} * R M S E_I$.[/LATEX_FORMULA]</code>
	<p>Учитывая (6), получим (10):</p>
	<code>[LATEX_FORMULA]$\sum_{u=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{B}^*}(u, j)\right)^2=N^3 * R M S E_I^2$.[/LATEX_FORMULA]</code>
	<p>Таким образом, чтобы добиться заданного качества восстановленного изображения, предлагается задать достаточно высокий порог k (по тому же принципу, что и в предыдущем критерии) и RMSEI, и исключать из спектра его компоненты до тех пор, пока сумма квадратов значений этих компонентов не достигнет заданной суммы, рассчитанной с помощью (10).</p>
	<p>Пусть [LATEX_FORMULA]$\sum_{u=0}^{N-1} \sum_{j=0}^{N-1}\left(\overline{\boldsymbol{B}^*}(u, j)\right)=S$,[/LATEX_FORMULA]а текущая сумма квадратов исключённых элементов равно D. Тогда исключение составляющих спектра, обеспечивающее заданное СКО, может быть выражено как (11):</p>
	<code>[LATEX_FORMULA]$\boldsymbol{B}^*(i, j)=\left\{\begin{array}{c}0,|\boldsymbol{B}(i, j)| \leq k \text { и } D&amp;lt;S, \\ \boldsymbol{B}(i, j),|\boldsymbol{B}(i, j)|&amp;gt;k \text { или } D \geq S .\end{array}\right.$[/LATEX_FORMULA]</code>
	<p>При этом [LATEX_FORMULA]$i=\overline{N, 1}, j=\overline{N, 1}$.[/LATEX_FORMULA] </p>
	<p>Исходя из (10), можно предположить, что значения D и S могут занимать более 8 десятичных разрядов, и квадрат каждого исключаемого компонента, близкого по модулю к k будет вносить большой вклад в результирующее СКО. Исходя из этого предлагается ввести некоторую окрестность [LATEX_FORMULA]$\varepsilon=[0,1 * S]$[/LATEX_FORMULA], в пределах которой будет производиться расчёт суммы квадратов (12).</p>
	<code>[LATEX_FORMULA]$\boldsymbol{B}^*(i, j)=\left\{\begin{array}{c}0,|\boldsymbol{B}(i, j)| \leq k \text { и }|S-D|&amp;lt;\varepsilon, \\ \boldsymbol{B}(i, j),|\boldsymbol{B}(i, j)|&amp;gt;k \text { или }|S-D| \geq \varepsilon .\end{array}\right.$[/LATEX_FORMULA]</code>
	<p>Представленный подход позволит более точно получить требуемое качество изображения по сравнению с исключением составляющих только по порогу k (2).</p>
	<p>5. Экспериментальная проверка предложенных критериев</p>
	<p>Экспериментальная проверка предложенных критериев проводилась на наборе ландшафтных изображений, имеющих различную тематику: лесная местность, сельская местность, городская застройка.</p>
	<p>На рисунке 1 изображены графики степени сжатия изображений при использовании предложенных критериев прореживания.</p>
	<fig id="F1">
		<label>Figure 1</label>
		<caption>
			<p>Степень сжатия изображения при использовании предложенных критериев прореживания</p>
		</caption>
		<alt-text>Степень сжатия изображения при использовании предложенных критериев прореживания</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-12-16/e41d36fd-ba27-45bc-b958-818428e6c68d.png"/>
	</fig>
	<p>Красным цветом изображён график способа прореживания, при котором получены результаты, отличающиеся наименьшей дисперсией степени сжатия Dbpp (13) (таблица 1), а значит, предсказуемостью результатов в смысле степени сжатия.</p>
	<code>[LATEX_FORMULA]$D_{b p p}=\frac{1}{K} \sum_{i=1}^K(\boldsymbol{X}(i)-\bar{X})^2$,[/LATEX_FORMULA]</code>
	<p>где K – количество проведённых экспериментов, X – вектор полученных степеней сжатия, [LATEX_FORMULA]\bar{X}[/LATEX_FORMULA] – среднее значение степени сжатия в K экспериментах.</p>
	<table-wrap id="T1">
		<label>Table 1</label>
		<caption>
			<p>Статистические характеристики данных эксперимента по оценке степеней сжатия изображений</p>
		</caption>
		<table>
			<tr>
				<td>Критерий</td>
				<td>Среднее, бит/пикс</td>
				<td>бит/пикс</td>
				<td>Максимум, бит/пикс</td>
				<td>2</td>
			</tr>
			<tr>
				<td>Сохранение степени сжатия, k=2000, p=80%</td>
				<td>1,8416</td>
				<td>1,8270</td>
				<td>2,1043</td>
				<td>0,0019</td>
			</tr>
			<tr>
				<td>Прореживание по порогу, k=600</td>
				<td>2.3397</td>
				<td>0,3507</td>
				<td>6,5262</td>
				<td>2,3750</td>
			</tr>
			<tr>
				<td> = 8</td>
				<td>4,7965</td>
				<td>0,4756</td>
				<td>7,9791</td>
				<td>3,9569</td>
			</tr>
		</table>
	</table-wrap>
	<p>На рисунке 2 изображены графики качества восстановленных изображений при использовании предложенных критериев прореживания.</p>
	<fig id="F2">
		<label>Figure 2</label>
		<caption>
			<p>СКО изображений при использовании предложенных критериев прореживания</p>
		</caption>
		<alt-text>СКО изображений при использовании предложенных критериев прореживания</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-12-16/187d9ad1-021e-431d-8b2f-1effc674548c.png"/>
	</fig>
	<p>Красным цветом изображён график способа прореживания, при котором получены результаты, отличающиеся наименьшей дисперсией DRMSE (таблица 2), а значит, предсказуемостью результатов в смысле качества восстановления. DRMSE была рассчитана аналогично Dbpp (13).</p>
	<table-wrap id="T2">
		<label>Table 2</label>
		<caption>
			<p>Статистические характеристики данных эксперимента по оценке качества изображений</p>
		</caption>
		<table>
			<tr>
				<td>Критерий</td>
				<td>Среднее, ед. СКО</td>
				<td>Минимум, ед. СКО</td>
				<td>Максимум, ед. СКО</td>
				<td>2</td>
			</tr>
			<tr>
				<td>Сохранение степени сжатия, k=2000, p=80%</td>
				<td>14,8270</td>
				<td>5,4184</td>
				<td>32,6297</td>
				<td>38,7264</td>
			</tr>
			<tr>
				<td>Прореживание по порогу, k=600</td>
				<td>10,7163</td>
				<td>7,2805</td>
				<td>12,7239</td>
				<td>1,4803</td>
			</tr>
			<tr>
				<td> = 8</td>
				<td>8,0274</td>
				<td>7,6295</td>
				<td>9,4321</td>
				<td>0,1512</td>
			</tr>
		</table>
	</table-wrap>
	<p>Пример сжатия изображения из исходного набора данных изображён на рисунке 3.</p>
	<fig id="F3">
		<label>Figure 3</label>
		<caption>
			<p>Пример сжатия изображения: а - исходное изображение; б - прореживание по порогу, k=600; 1,1249 бит/пиксель; СКО = 10,0018; в - сохранение степени сжатия, k=2000; p=80%; 1,8277 бит/пиксель; СКО = 9,7841; г - сохранение качества, k=1500;  = 8; 3,2 бит/пиксель; СКО = 7,8164</p>
		</caption>
		<alt-text>Пример сжатия изображения: а - исходное изображение; б - прореживание по порогу, k=600; 1,1249 бит/пиксель; СКО = 10,0018; в - сохранение степени сжатия, k=2000; p=80%; 1,8277 бит/пиксель; СКО = 9,7841; г - сохранение качества, k=1500;  = 8; 3,2 бит/пиксель; СКО = 7,8164</alt-text>
		<graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="/media/images/2024-12-13/9b39c1e0-fda0-45d9-8ba2-d45686914cb8.png"/>
	</fig>
	<p>Результат рисунка 3 в) показывает, что при p=80% произошло сжатие с 8 до 1,8277 бит/пиксель, на 77%. На рисунке 1 г) заданное СКО было равно 8, полученное после сжатия СКО равно 7,8164.</p>
	<p>Таким образом, предложенные критерии способны обеспечивать заранее заданные степень сжатия и качество восстановленных изображений.</p>
	<p>6. Заключение</p>
	<p>Для задачи сжатия изображений с использованием квазидвумерного спектрального представления в базисе функций Уолша выведены критерии прореживания, обеспечивающие заранее заданную степень сжатия и СКО.</p>
	<p>В экспериментальной части демонстрируется работоспособность предложенных критериев при сжатии ландшафтных изображений.</p>
	<p>Разработанные критерии исключения составляющих спектров могут быть обобщены для других видов ортогональных преобразований; критерий восстановления, обеспечивающий качество изображений, в дальнейшем может быть получен для других рассчитываемых метрик оценки качества изображений.</p>
	<p>Областью применения разработанных критериев являются задачи сжатия и изображений в условиях ограничений на аппаратные характеристики оборудования обработки и передачи данных.</p>
</sec>
        <sec sec-type="supplementary-material">
            <title>Additional File</title>
            <p>The additional file for this article can be found as follows:</p>
            <supplementary-material id="S1" xmlns:xlink="http://www.w3.org/1999/xlink"
                                    xlink:href="https://doi.org/10.5334/cpsy.78.s1">
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/15990.docx">15990.docx</inline-supplementary-material>]-->
                <!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/15990.pdf">15990.pdf</inline-supplementary-material>]-->
                <label>Online Supplementary Material</label>
                <caption>
                    <p>Further description of analytic pipeline and patient demographic information. DOI:
                        <italic>
                            <uri>https://doi.org/10.60797/IRJ.2024.150.80</uri>
                        </italic>
                    </p>
                </caption>
            </supplementary-material>
        </sec>
    </body>
    <back>
        <ack>
            <title>Acknowledgements</title>
            <p>None</p>
        </ack>
        <sec>
            <title>Competing Interests</title>
            <p>None</p>
        </sec>
        <ref-list>
            <ref id="B1">
                    <label>1</label>
                    <mixed-citation publication-type="confproc">
                        Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. — Москва : Техносфера, 2005.
                    </mixed-citation>
                </ref><ref id="B2">
                    <label>2</label>
                    <mixed-citation publication-type="confproc">
                        A. Jabbar Altaay A. Developed a Method for Satellite Image Compression Using Enhanced Fixed Prediction Scheme / A. A. Jabbar Altaay // Journal of Al-Qadisiyah for Computer Science and Mathematics. — 2024. — № 16(2). — P. 161–171. — DOI: 10.29304/jqcsm.2024.16.21567. 
                    </mixed-citation>
                </ref><ref id="B3">
                    <label>3</label>
                    <mixed-citation publication-type="confproc">
                        Лубков И.И. Разработка метода субполосного сжатия изображений / И.И. Лубков, Е.Г. Жиляков, Д.И. Трубицына [и др.] // Экономика. Информатика. — 2022. — Т. 49. — № 1. — С. 195–204. — DOI: 10.52575/2687-0932-2022-49-1-195-204. 
                    </mixed-citation>
                </ref><ref id="B4">
                    <label>4</label>
                    <mixed-citation publication-type="confproc">
                        Zaineldin H. Image compression algorithms in wireless multimedia sensor networks: A survey / H. Zaineldin, M.A. Elhosseini, H.A. Ali // Ain Shams Engineering Journal. — 2015. — Vol. 6. — Iss. 2. — P. 481–490. — DOI: 10.1016/j.asej.2014.11.001
                    </mixed-citation>
                </ref><ref id="B5">
                    <label>5</label>
                    <mixed-citation publication-type="confproc">
                        Kostrov B.V. Image compression and restoration in embedded computing systems / B.V. Kostrov, A.G. Svirina, S.I. Babaev [et al.] // 2017 6th Mediterranean Conference on Embedded Computing, MECO 2017 - Including ECYPS 2017, Proceedings. — Bar, 2017. — P. 7977192. — DOI: 10.1109/MECO.2017.7977192.
                    </mixed-citation>
                </ref><ref id="B6">
                    <label>6</label>
                    <mixed-citation publication-type="confproc">
                        Костров Б. В. Сжатие изображений на основе ортогональных преобразований / Б. В. Костров, А. С. Бастрычкин // Известия Тульского государственного университета. Технические науки. — 2016. — № 9. — С. 113–119. 
                    </mixed-citation>
                </ref><ref id="B7">
                    <label>7</label>
                    <mixed-citation publication-type="confproc">
                        Gromov A.Y. Image compression in quasi-two-dimensional spectrum with quantizing of high-frequency component / A.Y. Gromov, D.S. Stepanov, E.P. Koroleva [et al.] // 7th Mediterranean Conference on Embedded Computing, MECO 2018 - Including ECYPS 2018, Proceedings : 7, Budva. — Budva, 2018. — P. 1–4. — DOI: 10.1109/MECO.2018.8406074. 
                    </mixed-citation>
                </ref><ref id="B8">
                    <label>8</label>
                    <mixed-citation publication-type="confproc">
                        Дворкович В.П. Цифровые видеоинформационные системы (теория и практика) / В.П. Дворкович, А.В. Дворкович. — Москва : Техносфера, 2012. — 1008 с.
                    </mixed-citation>
                </ref><ref id="B9">
                    <label>9</label>
                    <mixed-citation publication-type="confproc">
                        Ахмед Н. Ортогональные преобразования при обработке цифровых сигналов / Н. Ахмед, К.Р.  Рао. — Москва : Связь, 1980.
                    </mixed-citation>
                </ref><ref id="B10">
                    <label>10</label>
                    <mixed-citation publication-type="confproc">
                        Бастрычкин А. С. Прореживание изображений при передаче по каналу связи / А. С. Бастрычкин, Б. В. Костров // 7-я международная научно-техническая конференция "К.Э.Циолковский – 160 лет со дня рождения. Космонавтика. Радиоэлектроника. Геоинформатика" : Тезисы докладов, Рязань, 04–06 октября 2017 года. — Рязань: Рязанский государственный радиотехнический университет, 2017. — С. 382–387. 
                    </mixed-citation>
                </ref><ref id="B11">
                    <label>11</label>
                    <mixed-citation publication-type="confproc">
                        Костров Б.В. Спектральный анализ изображений в конечных базисах : Монография / Б.В. Костров, А.Г. Свирина, В.К. Злобин. — Москва : КУРС, 2016. — 172 с.
                    </mixed-citation>
                </ref>
        </ref-list>
    </back>
    <fundings>
        
    </fundings>
</article>