Vous êtes sur la page 1sur 12

APPORT SUR LA COMPRESSION DIMAGE PAR LA METHODE DONDELETTES DISCRETES IMPLEMENTATION SUR MATLAB

Par MATATA LUFANGA Jeff

du tout ces images. Il ne faut donc pas qu'il y ait perte d'informations cause de considrations lgales et de considrations relies l'thique. Ceci doit tre effectu en maintenant un taux de compression lev. 1.1. Compression sans perte

Dans ce travail, nous nous intressons la compression dimages par la transforme en ondelettes discrtes (TOD ou DWT). Nous proposons une mthode de compression progressive base sur un codage en sous bandes l'aide d'une structure en arborescence de filtres d'ondelettes discrtes. Nous l'avons associ un algorithme bas sur la structure naturelle en arbre de la dcomposition multichelle et sur la dpendance inter-chelles des coefficients. Une analyse des performances de ce systme de compression est aussi prsente. 1. INTRODUCTION La multiplication des modalits d'imagerie gnre un nombre sans cesse croissant d'images de grandes tailles de trs hautes qualits qui contiennent donc beaucoup de dtails. Comme, il faut manipuler, stocker, transmettre et diffuser ces images (par rseaux locaux, rseau tlinformatique etc..), il est devenu primordial sinon vital de dvelopper des mthodes de compression, afin de diminuer de manire significative le temps de transmission et l'espace de stockage requis. Ces mthodes de compression ne doivent pas altrer

Elle est principalement applicable aux donnes qui demandent une restitution exacte. 1.1.1. RLE (Run length coding) : Il s'emploie rduire la taille physique d'une rptition de chane de caractre. Cette chane rpte est appele un passage (run) et est typiquement code avec 2 bytes. Le premier byte reprsente le nombre de caractres dans le passage et est appel le compteur de passage (run count). Le second byte est la valeur du caractre dans le passage. Ce dernier byte est appel la valeur du passage (run value). Cette mthode est trs simple programmer mais nest utile que sil y a de nombreuses donnes conscutives identiques, ce qui se produit assez souvent dans les fichiers audio ou image. 1.1.2. Le codage de Haffman : Son algorithme commence par tablir une liste de tous les symboles dalphabet dans lordre croissant de leurs probabilits. Il construit alors un arbre, avec un symbole sur chaque racine feuille, de la racine vers la tte. Ceci est fait par tape, o chaque tape deux symboles ayant la plus petite probabilit sont slectionns, ajouts la tte de larbre partiel, effacs de la liste et remplacs par un symbole auxiliaire reprsentant le deux symboles originaux. Lorsque la liste est rduite un symbole auxiliaire (reprsentant un entier) larbre est complet. Larbre est alors travers pour dterminer les codes des symboles. 1.2. Compression avec perte

Cette mthode pour objectif dliminer les donnes non

pertinentes pour ne transmettre que ce qui est perceptible. Elle est beaucoup utilise pour les signaux audio et vido contenant une part importante de donnes que lil et loreille ne peuvent pas percevoir. 2. LA COMPRESSION DIMAGES 2.1. La quantification A part le sous-chantillonnage, la mthode la plus simple pour compresser une image est la quantification. On en distingue deux types : La quantification scalaire qui ralise la quantification indpendamment des pixels voisins et la quantification vectorielle qui elle prend en compte un vecteur pixel. Thoriquement, la quantification vectorielle doit permettre datteindre le taux de compression maximum, cependant, la mmoire et les calculs ncessaires la quantification vectorielle, limite les applications pratiques de cette dernire. En vue datteindre de fort taux de compression tout en limitant la complexit de calcul et la mmoire requise, lapproche par transforme est utilis. 2.2. Les transformations dimages La transformation permet de passer du domaine de reprsentation canonique de limage un autre domaine o la redondance entre les pixels a fortement diminue. Elle a pour objectif de rduire, voir de supprimer, la corrlation entre les pixels. 2.2.1. La transforme de Karhunen-Love Elle est une transforme orthogonale linaire. Thoriquement, elle permet d'atteindre les meilleurs taux de compression. Cependant, les connaissances (mmoire) qu'elle ncessite, reprsentent un premier

frein son utilisation pratique. De plus elle require O(N4) oprations pour traiter une image N N. Pour ces deux raisons, la transforme KL n'est pas utilise dans la pratique. On cherche alors des transformes permettant d'approximer la transforme KL tout en requrant moins de calculs 2.2.2. La transforme discrte en cosinus (DCT) La DCT dcompose le signal en une sommation de cosinus diffrentes frquences discrtes. Les coefficients de la DCT mesurent la contribution de chaque cosinus diffrentes frquences. Pour oprer, elle ncessite un dcoupage de l'image en blocs m m. Chaque bloc est trait indpendant et fourni une matrice de m m coefficients de DCT qui sont rels. La DCT, en elle-mme, ne permet pas de compresser l'image. Cependant, une grande partie des coefficients de DCT s'avre tre nuls ou proches de zro. De ce fait, l'application d'un seuil et une quantification permettent de compresser l'image. Le principal dfaut de la DCT provient de la ncessit de dcouper l'image en blocs. Plus les blocs sont importants, plus le codage est efficace (en terme taux de compression / distorsion) mais plus la complexit de calcul est grande. 2.3. Le JPEG

JPEG est une mthode de compression sophistique avec ou sans perte pour les images en niveaux de gris et en couleur. Elle ne gre pas bien la compression monochromatique. Elle marche aussi trs bien pour des images en tons continus. Un de ses avantages est quil utilise beaucoup de paramtres laissant lutilisateur ajuster le nombre de donnes perdues (et donc le

niveau de compression). Il y a deux modes principaux : le mode avec perte et le mode sans perte. La plupart dimplmentations ne supporte que le mode avec perte. Ce mode inclut un codage progressif et hirarchique. Le JPEG utilise la DCT pour ses bonnes performances et parce quil ne suppose rien en ce qui concerne la structure des donnes. 3. NOTIONS DONDELETTES Les ondelettes sont des fonctions lmentaires trs particulires; ce sont des vibrations trs courtes. Mathmatiquement, le but essentiel de l'analyse par ondelettes est de dcomposer les espaces fonctionnels usuels sur des bases ayant d'excellentes proprits telles que l'orthogonalit et la rgularit. La transforme en ondelettes est une mthode de reprsentation tempsfrquence d'un signal qui consiste le dcomposer en une somme de fonctions lmentaires qui drivent toutes d'une mme fonction appele mre, par translation, contraction et dilatation. 3.1. La transforme de Fourier Cette mthode consiste reprsenter le signal tudi par une superposition d'ondes sinusodales de toutes les frquences possibles. Les amplitudes associes chaque frquence reprsentent les importances respectives des diverses ondes sinusodales dans le signal global. Ces amplitudes forment alors une fonction de la frquence f appele "spectre continu des frquences du signal": c'est la transforme de Fourier du signal s(t), note S(f):

dans celui-ci. Ceci en fonction d'une seule variable (temps) ou de deux variables (temps et frquence). Dans ce dernier cas, L'analyse de Fourier classique est inadquate, car la reprsentation d'un signal s(t) par l'intermdiaire de sa transforme de Fourier S(f) ne fournit qu'une information globale sur le signal. L'volution dans le temps des composantes frquentielles du signai n'est pas directement accessible par cette reprsentation. C'est pour atteindre cette information que la reprsentation temps-frquence a t cre. 3.2. La transforme Fourier fentre glissante de

La reprsentation tempsfrquence met en jeu deux oprations rciproques: lanalyse et la synthse. Pour effectuer l'analyse du signal, on le dcompose en une somme de fonctions lmentaires (fonctions sinusodales pour lanalyse de Fourier) o 'a' est li la frquence et 'b' est li au temps, drivant toutes dune mme fonction fentre par translation et modulation en temps. Cest la transforme de Fourier fentre glissante. Pour dcomposer un signal quelconque on affecte chaque fonction lmentaire des coefficients Ca,b o

(3.8) Ces coefficients donnent une information directe sur les proprits temporelles et frquentielles du signal. Les fonctions doivent tre bien localises dans le temps, de sorte que les coefficients Ca,b dpendent seulement des valeurs que prend le signal dans l'intervalle de temps sur lequel la fonction n'est pas ngligeable. La synthse donne les rgles permettant de reconstruire un signal partir des lments Ca,b fournis par lanalyse.

L'analyse du signal consiste dgager des informations contenues

L'inconvnient majeur de ce procd est que la longueur de la plage est fixe une fois pour toutes et que l'on ne peut pas analyser simultanment des phnomnes dont les chelles de temps sont diffrentes. Ce problme est rsolu par l'analyse multi-chelle par ondelettes o il y a des familles d'ondelettes qui correspondent des dcompositions diffrentes. Elles ont des proprits diffrentes et permettent ainsi des analyses diffrentes. L'analyse par ondelettes est une mthode mathmatique pour reprsenter le signal.

par dilatation et translation une base orthonorme de Les espaces obtenus ne sont pas quelconques, ils possdent des proprits intressantes. Par construction, les espaces dapproximation et de dtails sont supplmentaires :

3.3. La transforme en ondelettes La transforme en ondelettes ralise une analyse toutes Les chelles. Elle est une fonction S(a,b) qui associe aux paramtres 'a' et 'b' la valeur du coefficient Ca,b de londelette dans la dcomposition du signal. La quantit 'b' est le paramtre de localisation temporelle, tandis que 1/a' est le paramtre de frquence. Ca,b est une intgrale qui mesure la somme des aires algbriques dcrites par la courbe produit 3.3.1. Lanalyse multirsolution Lide est de projeter un signal appartenant un espace sur un sous-espace et un sousespace dans le but de rduire la rsolution de moiti, avec lensemble des signaux nergie finie. Le schma est donn en figure 1. Il existe donc un operateur de projection et un operateur de projection qui projettent respectivement le signal sur et . est le sous-espace dapproximation et le sousespace de dtails. On peut dmontrer quil existe une fonction dchelle qui engendre

Figure 1. Principe de lanalyse multirsolution Le rsultat de lanalyse multirsolution dune image est donne en figure 2 on voit la diminution de la rsolution, limage dapproximation et les images de dtails horizontaux, verticaux et diagonaux. >> img=imread('jeff.jpg'); >> img=im2double(rgb2gray(img)); >> colormap(gray); >> figure; imshow(img); axis('image'); axis on; >> [ap,dh,dv,dd]=dwt2(img,'haar'); >> figure; imshow([ap,dh;dv,dd]); axis('image'); axis on; >> figure;mesh([ap,dh;dv,dd]); >> figure;imshow([ap/2,dh*16;dv*16,dd* 16]);axis('image');axis on; >> whos Name Size Bytes Class Attributes ap double 128x96 98304

dd double dh double dv double img double

128x96 128x96 128x96 256x192

98304 98304 98304 393216

3.3.3. La transforme continue en ondelettes La transformation continue ondelettes d'une fonction est dfinie par: O en

50

100

150

200

250 50 100 150

Elle nous permet d'utiliser des ondelettes plus gnrales, elle est utilise dans la dtection de la singularit et dans linterprtation ("caractrisation"). 3.3.4. La transforme ondelettes discrtes
50 100 150

50

50

100

100

150

150

en

200

200

250 50 100 150

250

Figure 2. Illustration de la dcomposition en ondelettes de limage jeff au premier niveau de rsolution 3.3.2. Choix dondelettes Il n'y a pas une ondelette qui soit meilleure quune autre. Tout dpend de lapplication utilise. Dans certains cas, l'ondelette la plus simple (Haar) sera optimale. Pour d'autres applications, ce sera le pire des choix possibles. En pratique, il semblerait que l'lment le plus important soit le nombre de moments nuls. Pour la plupart dapplications, il est dsirable d'avoir le plus de coefficients d'ondelettes nuls et donc plus de moments nuls implique une meilleure transformation. Cependant, les ondelettes ayant un plus grand nombre de moments ont aussi un support plus grand.

Effectuer lanalyse par ondelettes discrtes dune fonction ou dune image revient en faire une analyse multirsolution. Partant de cette constatation, il a t montr que lanalyse par ondelettes pouvait tre calcule par lutilisation de bancs de filtres. Le banc de filtres utilis ici est lassociation de deux filtres une dimension : un filtre passe-bas ( ) et un filtre passe-haut ( ). Pour obtenir les coefficients de la transformation en ondelettes, ces filtres sont appliqus sparment sur les lignes et les colonnes de limage suivant lordre indiqu dans la figure 3.

Figure 3. TOD Analyse Dabord, les lignes de limage sont traites par le filtre passe-bas et le filtre passe-haut . Cela rsulte en un nombre de coefficients deux fois plus importants que dans limage

originale. Afin de limiter cette expansion des coefficients, le rsultat de chaque filtrage est souschantillonn dun facteur 2 (indique par sur la figure 3). Ensuite, les colonnes des deux images rsultantes sont traites elles aussi par le filtre passe-bas et le filtre passe-haut puis souschantillonnes. Cette combinaison de filtrages rsulte en quatre images (ou sous-bandes) notes LL1, LH1, HL1 et HH1 qui forment le premier niveau de la dcomposition en ondelettes. Un niveau supplmentaire de dcomposition peut tre obtenu en appliquant le traitement prcdent sur la sous-bande LL1. Ainsi, le bas de la pyramide est limage pleine rsolution qui est assimile la sous-bande LL0, ie aucune dcomposition en ondelettes na eu lieu. Le haut de la pyramide correspond la rsolution dimage minimale. La trame dondelettes dsigne collectivement les 4 sousbandes de la dcomposition en ondelettes. Quand il ne sera pas ncessaire de prciser le niveau de la sous-bande dont on parle, celle-ci sera dsigne seulement par son type : LL, LH, HL ou HH. Enfin, le terme sous-bande de Basse Frquence (BF) dsigne lensemble {LL} et celui de sous-bande de Haute Frquence (HF) lensemble {LH,HL,HH}. Le schma de synthse est le strict schma inverse de lanalyse. Les filtrages sont dabord effectus sur les colonnes puis les lignes. Avant chaque tape, un surchantillonnage (indiqu par sur la figure 4) prcde lapplication du filtre afin de ramener toutes les sousbandes la rsolution de limage reconstruire.

Figure 4. TOD Synthse Un exemple de rsultat de dcomposition en ondelettes sur une image est donn dans la figure 5 et lagencement des sous-bandes sur un tel affichage est prcis dans la figure 6. .

Figure 5. Illustration de la dcomposition en ondelettes discrtes symtrique sur limage Ruth

Figure 6. TOD sur 2 niveaux


4. IMPLEMENTATION DE COMPRESSION DIMAGE ONDELETTES DISCRETES LA PAR

La transforme en ondelettes ne fait que changer la reprsentation de limage en concentrant linformation dans un nombre restreint de coefficients. La distribution des coefficients possde la forme dun pic et donc une entropie plus faible. Cet tat augmente le taux de compression sans pertes. La compression proprement dite se fait alors au terme dune opration de la quantification. Nous pouvons donc liminer les coefficients de faible amplitude par un seuillage sans crer de distorsion importante dans limage reconstruite grce la proprit dinvariance de lnergie contenue dans limage originale et sa transforme. Parmi les algorithmes de compression utilisant la transforme en ondelettes et qui suivent le schma prcdent, nous nous intressons lalgorithme de EZW (Embedded Zerotree Wavelet). 4.1. Lalgorithme de codage EZW Lide de base de cet algorithme est de trouver le meilleur ordre de transmission des coefficients de reprsentation en ondelettes. Lalgorithme parcourt les coefficients de la transforme en ondelettes suivant lordre donn par la figure7. Lalgorithme EZW est illustr la figure 8.

Figure 8. Lalgorithme EZW Dans notre tude de compression dimages, on a utilis la DWT pour dcomposer limage en sous-bandes, les coefficients subissent une quantification pour minimiser les distorsions. Aprs la quantification, les coefficients seront cods par un codage sans perte, avant lopration de transmission ou darchivage. La structure gnrale de compression (analyse et synthse) sur laquelle repose ce travail est illustre en figure 9.
I m a g e re c o n s t ru it e

TO D

T O D In v e rs e

Q uan tificate ur

C od eu r

Canal de t r a n s m is s io n

D co de ur

Q uan tificat eu r in verse

C O M P R E S S IO N

D E C O M PR E S SIO N

Figure 9. Structure gnrale dune compression dimage par Ondelettes 4.2. Le droulement limplmentation de

Figure 7. Les relations entre les coefficients dondelettes dans diffrents sous bandes

Pour raliser l'algorithme de compression que nous proposons, diffrents programmes sont fournis, crits en langage Matlab et mis en uvre l'aide de ce logiciel. Les principaux programmes sont : - Func_DWT : qui effectue la dcomposition de limage en ondelettes. Il est suivi de :

Func_ezw_enc pour la quantification et le codage des coefficients en ondelettes obtenus prcdemment. Func_ezw_dec et func_IDWT effectuent les oprations inverses de func_ezw enc et func_DWT respectivement. de

pourraient tre signifiants compar linformation du bloc lui-mme. Pour le bloc taille large le seuil initial est grand et a par consquent besoin de beaucoup de passes pour achever la quantit signifiante de la qualit visuelle. Londelette initiale utilise pour toutes ces images est obtenue par la transform db8. Le schme a t tudi avec diffrentes transforme comme Haar, db4 et db7. La performance est montre sur la figure 11 avec leurs dbits respectifs.

4.3. Les resultats limplementation

Le schme de EZW implment divise limage en blocs de taille standard et effectue le codage sur chacun de ce bloc. Les images dcompresses pour diffrentes tailles des blocs sont montres sur la figure 10 a - f.

A: Haar

dbit: 0.40 bpp PSNR: 25.16

B: db4 dbit: 0.34 bpp

PSNR: 26.20

C: db7 dbit: 0.35

PSNR:26.38

D: db8 dbit: 0.35

PSNR: 26.06

Figure 11. Les performances des diffrentes ondelettes La valeur de PSNR indique qu'il n'y a aucun changement apprciable avec les changements de la transform utilise. Le PSNR reste presque le mme pour la transform en ondelettes Haar, db4, db7 et db8. 5. CONCLUSION Nous avons dvelopp une mthode de compression dimages base sur lutilisation des ondelettes discrtes. Le schme de compression propos fait usage chaque niveau

Figure 10. Images dcompresses pour diffrentes tailles Nous pouvons remarquer que pour les blocs de trs petite taille et ceux de trs grande taille les distorsions visuelles sont plus accentues. Dans le cas de petites images les distorsions peuvent tre dues la taille des dtails voulus ou ajouts pour chaque bloc, qui

de dcomposition dune ondelette choisie de faon tre efficace. Ceci a t ralis par lutilisation de lalgorithme de codage par enchssement EZW (Embedded Zerotree Wavelet) pour coder les coefficients quantifis en utilisant le codage de Huffman. Cet algorithme permet dobtenir dexcellents taux de compression et de faire la transmission progressive dimages. Notre mthode a t applique et analyse sur limage Lena. Le fait dutiliser diffrentes transform en ondelettes, et diffrentes tailles de bloc et diffrents dbits a t tudi. Il a t dmontr que londelette daubechies db7 prsentait une bonne performance, le PSNR.

6. BIBLIOGRAPHIE [1] David Salomon, Data compression, The 3rd and 4rd edition [2] Karen Lees, Image compression Using Wavelets. May 2002 [3] Amara Graps, An Introduction to Wavelets [4] Andr BRUN BUISSON, Vincent LATTUATI, Daniel LEMOINE: Prsegmentation dimages couleurs par la transforme de Karhuen-love, pg 743-746, Septembre 1993 [5] Emmanuel Christophe, Pierre Duhamel and Corine Mailhes : Adaptation of Zerotrees using signed binary digit representations for 3D image coding, 2006 [6] Yves Meyer, compression des Novembre 2005 perception et images fixes,

[7] Pereira Vincent-Leprette , FranckHacault Vincent : Compression de donnes, Dcembre 2004 [8] Campiri Anthony, Rapport de Synthse sur la compression dimage pour le cours de structure de linformation. 18 avril 2008

[9] Balaji Vasan Srinivasan, Image compression using AZW Coding [10] Patrick fiche, Vincent Ricondel, Claude Labit. Etude dalgorithme de quantification vectorielle arborescente pour la compression dimages fixes, rapport de recherche, janvier 1994 [11] D.A. Karras, S.A. karkanis and D.E. Maroulis: Efficient Image compression of medical images using the wavelet transform and fuzzy cmeans clustering on regions of interest. [12] Amir Said, Example of application for image compression, 1999 [13] Sachin P. Navavati and prasanta K Panigrahi: Wavelets: Applications to image compression-I, pg 52-61, Fevrier 2005 [14] J. Olivier and M.P. Malumbres: Tuning and optimizing the performance of the EZW algotithm [15] Shamika M. Jog, Shashikant D. Lokhande: A DSP Implementation of EZW image cedec in image compression system, pg 162-164. Novembre 2009 [16] M. Jeyaprakash: FPGA Implementation of discrete wavelet transform (DWT) for JPEG 2000, pg 161-163, Novembre 2009 [17] Guy E. Blelloch, introduction to data compression, 25 septembre 2010 [18] Lucie SANCHEZ et Christophe MEURISSE: Traitement des images par ondelettes, 2005-2006 [19] V. Croquette : La transforme de fourier disccrete, fevrier 2009 [20] J. Mally, P. rajmic : DWT-SPIHT image codec implementation

[21] Muriel castro Dufourny : MPEG-4 Style object-based codec with Matlab, juin 2006 [22] Jrme LANDRE, Boite outils ondelettes sous Matlab, Janvier 2006 [23] Abdullah Al Muhiz, Md. Shabiul Islam and Masuri Othman : VLSI Implementation of discrete wavelet transform for image compression, 2004 [24] Z-E. BAARIR, A. OUAFI: Etude de la transforme en ondelettes dans la compression dimages fixes, pg 6974, juin 2004 [25] Palastro Hadrien, Principes et techniques de compression de donnes la porte de tous, 23 Avril 2007 [26] Pierre Nerzie, Codage et compression dimages et de vido, 2007 [27] Jerome M. Shapiro, Embebbed Image coding using zerotrees of wavelet coefficients, 3445-3462, decembre 1993 [28] Othman O. Khalifa, Sering Habib Harding and Aisha-Hassan A. Hashim: Compression using wavelet transform [29] Olivier Rioul and Martin vetterli: Wavelets and signal processing, October 1991 [30] Geoffrey M. Davis and Aria Nossatinia: Wavelet-based image coding: An overview [31] John D. Villasenor, Benjamin Belzer and Judy liao: Wavelet filter evaluation for image compression, IEEE transaction on image processing, vol 4, N8, pg 1053-1060, august 1995

[32] Olivier RIOUL et Pierre DUHAMEL: Transformes en ondelettes discrte et continues: comparaison et algorithmes rapides, pg 193-196, 1991 [33] Sonja Grgic, Mislav Grgic and Branka Zovko-Cihlan : Performance analysis of image compression using wavelets. IEEE transactions on industrial electronics, vol 48, N 3, pg 682-695, june 2001 [34] Olivier Rioul and Pierre Duhamel: Fast algorithms for discrete and continuous wavelet transform, IEEE transactions on information theory, vol 38, N2, pg 569-586, March 1992 [35] Ivan W. Selesnick, Richard G. Baraniuk and Nick G. Kingsburg: the dual-tree complex wavelet transform, IEEE signal processing magazine, November 2005 [36] J. Landr et F. Truchetet: Boite outils ondelettes sous Matlab, Mars 2002 [37] E. Le pennec : Compression dimages, Paris 7, pg 87-96 [38] Yves Meyer, Stphane Jaffard et Olivier Rioul : Lanalyse par ondelettes, pg 28-37, septembre 1987 [39] Olivier Rioul, Pierre Duhamel : Fast algorithms for wavelet transform computation : wavelet packets and matching pursuits with biomedical applications part ii, pg 211-242 [40] Michel Misiti, Yves Misiti, Georges Oppenheim and Jean-Michel poggi: Wavelets and their application pg 313-319, 2007 [41] M. Beladgham, F. Derraz, M. Khlif, D. Chouguer : Application de lalgorithme EZW pour la compression dimage mdicale. 2004

[42] C. Valents : 1999-2004

EZW

encoding,

[43] Ahuja, Alok et Singh, Aarti : Image coding using EZW and QM coder, ECE 533 Project report [44] Marc Antonini, Michel Barlaud, pierre Mathieu and Ingrid Daubechies: Image coding using wavelet transform, IEEE transactions on image processing vol 1, N2, April 1992 [45] Stephane G. Mallat: Multifrequency channel decompositions of images and wavelet models. IEEE transactions on acoustics, speech and signal processing, vol 37, N12, December 1989 [46] Arun Kumar P S: Implementation of image compression algorithm using verilog with area, power and timing constraints. 2007-2009 [47] Tim Edward: Discrete wavelet transforms: theory and implementation, Stanford university, September 1991 [48] Myung-Sin Song: Wavelet image compression, 1999 [49] R.J.E. Merry: Wavelet theory and applications. A literature study. DCT, 2005 [50] Vlad Balan, Cosmin Condea: Wavelets and image compression. Jannuary 30, 2003 [51] Steven Pigeon: Thse sur: Contributions la compression de donnes, Universit de Montral, facult des tudes suprieures, 2001 [52] Emmanuel CHRISTOPHE, thse sur : Compression des images hyperspectrales et son impact sur la qualit des donnes, 20 octobre 2006

[53] Mohamed BADR Bouziane, thse sur : Compression progressive dimages biomdicales par la transforme en ondelettes, Montral, Avril 2000 [54] Caroline CHAUX, thse sur : Analyse en ondelettes M-bandes en arbre dual, application la restauration dimages, dcembre 2006 [55] Basarab MATE, thse sur : Mthodes multirsolutions nonlinaires, application au traitement dimage, Universit Paris VI, 20 Novembre 2002 [56] Luong Hng Vit, rapport sur : Etude de la mthode de la transformation en ondelettes et application la compression des images, juillet 2005