research centers


Search results: Found 2

Listing 1 - 2 of 2
Sort by

Article
Hybrid Color Image Compression based DPCM and Slant Transform
ضغط الصورة الملونة اعتمادا علي تضمين الفرو قات وتحويل الانحدار المائل

Author: Ali Hussien mary علي حسين مري
Journal: AL-NAHRAIN JOURNAL FOR ENGINEERING SCIENCES مجلة النهرين للعلوم الهندسية ISSN: 25219154 / eISSN 25219162 Year: 2010 Volume: 13 Issue: 1 Pages: 98-107
Publisher: Al-Nahrain University جامعة النهرين

Loading...
Loading...
Abstract

Nowadays, still images are usedeverywhere in the digital world. Images takelot of computer space, in many practicalsituations, all original images cannot bestored, and a compression must be used.Moreover, in many such situations,compression ratio provided by even the bestlossless compression is not sufficient, so lossycompression is used.In this paper ,Differential pulse codemodulation (DPCM) in slantlet transformand Run Length Code for image compressionis used.Apply slantlet transform on eachcomponent in the color image(after applyingcolor space conversion from RGB toYCbCr)and encoding Y component by DPCMand encoding Cb and Cr with RLC.Thecompression ratio and Peak Signal to NoiseRatio (PSNR) are used as measurement tools.When comparing the proposed approach withother compression methods Good resultobtained.

في عصرنا الحاضر أصبحت الصور تلعب دورا كبيرا في العالم الرقمي. ولكنها تأخذ حيزا كبيرا وفي معظم التطبيقات لا يمكن خزن الصورة بل يتم ضغطها.وان نسب الضغط بواسطة طرق الضغط التي لاتوجد فيها خسائر أصبحت غير كافية.في هذا البحث استخدمت طريقة تضمين الفرو قات (DPCM) و وتحويل الانحدار المائل(slantlet transform ) و Run Length Code. طبق تحويل الانحدار المائل على كل مركبة من مركبات الصور الملونة( بعد تحويلها من نظام RGB إلى نظام to YCbCr وترميز مركبة ال Y بطريقة DPCM ومركبات ال Cb و Cr بطريقة ال RLC. نسب الضغط ونسبة الإشارة إلى الضوضاء استخدمت كأدوات قياس. وتم الحصول على نتائج جيدة بالمقارنة مع طرق الضغط الأخرى


Article
ECG CLASSIFICATION USING SLANTLET TRANSFORM AND ARTIFICIAl NEURAL ARTIFICIAL NETWORK

Authors: Rasha Thabit --- Tarik Zeyad --- Sadiq J. Abou-Loukh
Journal: Journal of Engineering مجلة الهندسة ISSN: 17264073 25203339 Year: 2010 Volume: 16 Issue: 1 Pages: 4510 -4526
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Automatic detection and classification of cardiac arrhythmias is important for diagnosis of cardiac abnormality. This paper shows a method to accurately classify ECG arrhythmias through a combination of slantlet transform and artificial neural network (ANN). The ability of the slantlet transform to decompose signal at various resolutions allows accurate extraction of features from non-stationary signals like ECG. The low frequency coefficients, which contain the maximum information about the arrhythmia, were selected from the slantlet decomposition. These coefficients are fed to a Multi-Layer Perceptron (MLP) artificial neural network which classifies the arrhythmias. In the present work the ECG data is taken from standard MIT-BIH database. The proposed system is capable of distinguishing the normal sinus rhythm and nine different arrhythmias. The overall accuracy of classification of the proposed approach is 98.40 %. Three other transformation methods are used and the accuracy of the classification of each was compared with the slantlet system accuracy. These transformation methods are: the Fourier transform which gives 67.80% accuracy, the discrete cosine transform which gives 92.72% accuracy, and the wavelet transform (using Haar and Daubechies-4 scaling function coefficients, which give an accuracies of 96.02% and 96.25% respectively).

إن كشف و تصنيف حالات القلب المرضية مهم في تشخيص الحالات القلبية الشاذة. هذا البحث يوضح طريقة لتصنيف الحالات المرضية من تخطيط القلب و ذلك من خلال دمج التحويل (Slantlet) مع الشبكة العصبية الاصطناعية (ANN). قدرة التحويل (Slantlet) على تحليل الأشارة إلى عناصرها ذات الدقة المختلفة تسمح بإستخلاص أدق للميزات التي تحملها الأشارات غير المستقرة مثل الاشكال الموجية لتخطيط القلب الكهربائي. المعاملات ذات التردد الواطيء (و التي تحتوي على أعظم نسبة من المعلومات عن الحالة المرضية) تم إختيارها من التحليل الناتج من إستخدام التحويل (Slantlet). هذه المعاملات تم تجهيزها الى شبكة عصبية اصطناعية متعددة الطبقات و التي بدورها تقوم بتصنيف الحالات المرضية. في العمل المقدم تم أخذ بيانات تخطيط القلب الكهربائي من قاعدة البيانات القياسية (MIT-BIH). .إن النظام المقترح قادر على التمييز بين الحالة الطبيعية و تسعة حالات مرضية. الدقة الاجمالية للتصنيف في الطريقة المقدمة هي 98.40٪ . كذلك تم أستخدام ثلاث طرق تحويلات أخرى و تم مقارنة دقة التصنيف لكل طريقة مع الدقة الناتجة بإستخدام التحويل (Slantlet). هذه الطرق هي التحويل (Fourier) الذي يعطي دقة 67.80٪, التحويل (discrete cosine) و الذي يعطي دقة 92.72٪ و التحويل (Wavelet) [ بإستخدام معاملات دالة الحجم (Haar) و (Daubechies-4) و التي أعطت دقة 96.02٪ و 96.25٪ على التوالي].

Listing 1 - 2 of 2
Sort by
Narrow your search

Resource type

article (2)


Language

Arabic and English (1)

English (1)


Year
From To Submit

2010 (2)