تحقیق درمورد ماتریس حسابداری اجتماعی به عنوان یک پایگاه آماری منسجم و یکپارچه الگوی قابل محاسبه تعادل عمومی

اختصاصی از هایدی تحقیق درمورد ماتریس حسابداری اجتماعی به عنوان یک پایگاه آماری منسجم و یکپارچه الگوی قابل محاسبه تعادل عمومی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 32

ماتریس حسابداری اجتماعی به عنوان یک پایگاه آماری منسجم و یکپارچه الگوی قابل محاسبه تعادل عمومی

1- مقدمه

در نیم قرن گذشته، بسط و گسترش نظامهای حسابداری کلان و بخشی و الگوهای مرتبط به آنها در قلمروهای اقتصادی، اجتماعی و زیست محیطی با توجه به تحولات اقتصاد جهانی سه مرحله مشخص زیر را پشت سر گذاشته است:

مرحله اول که حدود 10 سال طول کشید (دهه 1950 میلادی) کلیه نظامهای حسابداری کلان به شکل حسابهای ملی و بخشی در قالب نظام حسابداری جدول داده- ستانده و طیف وسیعی از الگوهای مرتبط به آنها اساساً در خدمت دیدگاههائی بودند که بعدها به دیدگاههای رشد محور معروف شدند (بانوئی، 1381). یکی از نارساییهای اساسی این نوع نظامهای حسابداری مذکور و دیدگاههای مرتبط به آن نادیده گرفتن مستقیم آمارهای اجتماعی (آمارهای مردمی) در کنار آمارهای نظام مند شده اقتصادی می باشد و بنابراین نباید انتظار داشت که الگوهای مرتبط به آنها انعطاف پذیری لازم و کافی را در تبیین عدالت اجتماعی داشته باشند (بانوئی، 1383).

مرحله دوم یک دوره بیست ساله (1980-1960) را در بر می گیرد. در این دوره مشاهده می گردد که تلاشهای قابل توجهی در رفع نارساییها و اصلاح نظامهای حسابداری پیشین متناسب با دیدگاههای جدید توسعه اقتصادی با رویکردهای «نیازهای اساسی» و انسان محور صورت گرفته است. در این مورد حداقل چهار عامل اصلی نقش اساسی را داشته اند.

یک: استقلال کشورهای در حال توسعه و مشکلات ساختاری اقتصادی و اجتماعی آنها.

دو: ظهور دیدگاههای جدید توسعه اقتصادی با محوریت نیازهای اساسی و توسعه انسانی.

سه: عدم هماهنگی بین نظامهای حسابداری کلان و بخشی موجود و الگوهای مرتبط به آن در تحلیلهای همزمان اقتصادی و اجتماعی.

چهار: نادیده گرفته شدن ساختار اقتصادی و اجتماعی کشورهای در حال توسعه در نظامهای حسابداری موجود.

زیرا که از نقطه نظر تاریخی، نظامهای حسابداری موجود، اساساً بر مبنای ساختار اقتصادی کشورهای پیشرفته طراحی شده اند [Stone, 1986]. به منظور رفع نارساییهای نظامهای حسابداری کلان و بخشی موجود، سازمان بین المللی، نظیر سازمان بین‌المللی کار و بانک جهانی و همچنین طیف وسیعی از پژوهشگران تلاش کردند یک نوع نظام حسابداری را طراحی نمایند که بعدها به نظام حسابداری میانه و الگوهای مرتبط به آن نیز به الگوهای میانه معروف گردید.

جامع ترین و منسجم ترین نظام حسابداری میانه، ماتریس حسابداری اجتماعی می‌باشد که در مرحله سوم (دهه 1980 میلادی به بعد) به منظور تحلیلهای کمی آثار و تبعات سیاستهای اقتصادی و اجتماعی تعدیل ساختاری، خصوصی سازی و پیوستن به WTO پشتوانه آماری الگوی قابل محاسبه تعادلی عمومی قرار گرفته است.

قبل از بررسی روش شناسی الگوی قابل محاسبه تعادل عمومی (که در فصل دوم ارائه خواهد شد) لازم است به ساختار کلی یک ماتریس حسابداری اجتماعی با توجه به ماکت ضمیمه مورد بررسی قرار گیرد. برای این منظور محتوای فصل حاضر در چهار محور کلی زیر سازماندهی می گردند. در محور اول سعی می شود تعریفی از ماتریس حسابداری اجتماعی ارائه گردد. بر مبنای تعریف وجه تمایز کارکرد ماتریس حسابداری اجتماعی و میزان پوشش آماری آن نسبت به نظامهای حسابداری کلان و بخشی موجود کاملاً مشخص می گردد.

در محور دوم ضمن بررسی انواع حسابهای اصلی جامعه، آرایش حسابهای مذکور و تعامل منطقی آنها در قالب یک ماتریس حسابداری اجتماعی مورد بررسی قرار خواهد گرفت. در محور سوم، ابتدا بعضی از خواص اساسی آرایش حسابها در قالب یک ماتریس حسابداری نسبت به حسابهای سنتی T اشاره خواهد شد. سپس تفکیک پذیری هر یک از حسابهای اصلی به چندین زیر حساب برحسب واحدهای مشخص آماری مورد بررسی قرار گرفت.

یکی از خصایص اصلی بکارگیری واحدهای مشخص آماری در طبقه بندی تفصیلی حسابهای اصلی در واقع تبیین بازارهای مختلف مانند بازار کالاها و خدمات، بازار تولید کنندگان، بازار مصرف کنندگان، بازار کار و غیره می باشند که در ماتریس حسابداری اجتماعی به صورت منطقی با یکدیگر در تعامل قرار می گیرند. بررسی کمی آثار و تبعات سیاستهای اقتصادی و اجتماعی بر روی بازارهای مذکور در واقع از اهداف اصلی الگوی قابل محاسبه تعادل عمومی به شمار می رود. در محور چهارم نظری اجمالی خواهیم داشت به حسابهای اصلی و زیر حسابهای منظور شده در ماتریس حسابداری اجتماعی سال 1380 اقتصاد ایران.

2- تعریف ماتریس حسابداری اجتماعی

نظام‌مند کردن آمارهای اجتماعی (آمارهای مردمی) با آمارهای نظام‌مند شده کلان اقتصادی (حسابهای ملی) و بخشی اقتصادی (جدول داده- ستانده) براساس پشتوانه نظری اقتصاد خرد و کلان در یک یک ماتریس جبری را نظام حسابداری میانه و یا ماتریس حسابداری اجتماعی می نامند.

از تعریف فوث می توان به دو کلی زیر رسید که میزان انعطاف پذیری ماتریس حسابداری

مقاله درباره ماتریس حسابداری اجتماعی به عنوان یک پایگاه آماری منسجم و یکپارچه الگوی قابل محاسبه تعادل عمومی

اختصاصی از هایدی مقاله درباره ماتریس حسابداری اجتماعی به عنوان یک پایگاه آماری منسجم و یکپارچه الگوی قابل محاسبه تعادل عمومی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:32

 مقدمه

در نیم قرن گذشته، بسط و گسترش نظامهای حسابداری کلان و بخشی و الگوهای مرتبط به آنها در قلمروهای اقتصادی، اجتماعی و زیست محیطی با توجه به تحولات اقتصاد جهانی سه مرحله مشخص زیر را پشت سر گذاشته است:

مرحله اول که حدود 10 سال طول کشید (دهه 1950 میلادی) کلیه نظامهای حسابداری کلان به شکل حسابهای ملی و بخشی در قالب نظام حسابداری جدول داده- ستانده و طیف وسیعی از الگوهای مرتبط به آنها اساساً در خدمت دیدگاههائی بودند که بعدها به دیدگاههای رشد محور معروف شدند (بانوئی، 1381). یکی از نارساییهای اساسی این نوع نظامهای حسابداری مذکور و دیدگاههای مرتبط به آن نادیده گرفتن مستقیم آمارهای اجتماعی (آمارهای مردمی) در کنار آمارهای نظام مند شده اقتصادی می باشد و بنابراین نباید انتظار داشت که الگوهای مرتبط به آنها انعطاف پذیری لازم و کافی را در تبیین عدالت اجتماعی داشته باشند (بانوئی، 1383).

مرحله دوم یک دوره بیست ساله (1980-1960) را در بر می گیرد. در این دوره مشاهده می گردد که تلاشهای قابل توجهی در رفع نارساییها و اصلاح نظامهای حسابداری پیشین متناسب با دیدگاههای جدید توسعه اقتصادی با رویکردهای «نیازهای اساسی» و انسان محور صورت گرفته است. در این مورد حداقل چهار عامل اصلی نقش اساسی را داشته اند.

یک: استقلال کشورهای در حال توسعه و مشکلات ساختاری اقتصادی و اجتماعی آنها.

دو: ظهور دیدگاههای جدید توسعه اقتصادی با محوریت نیازهای اساسی و توسعه انسانی.

سه: عدم هماهنگی بین نظامهای حسابداری کلان و بخشی موجود و الگوهای مرتبط به آن در تحلیلهای همزمان اقتصادی و اجتماعی.

چهار: نادیده گرفته شدن ساختار اقتصادی و اجتماعی کشورهای در حال توسعه در نظامهای حسابداری موجود.

زیرا که از نقطه نظر تاریخی، نظامهای حسابداری موجود، اساساً بر مبنای ساختار اقتصادی کشورهای پیشرفته طراحی شده اند [Stone, 1986]. به منظور رفع نارساییهای نظامهای حسابداری کلان و بخشی موجود، سازمان بین المللی، نظیر سازمان بین‌المللی کار و بانک جهانی و همچنین  طیف وسیعی از پژوهشگران تلاش کردند یک نوع نظام حسابداری را طراحی نمایند که بعدها به نظام حسابداری میانه و الگوهای مرتبط به آن نیز به الگوهای میانه معروف گردید.

جامع ترین و منسجم ترین نظام حسابداری میانه، ماتریس حسابداری اجتماعی می‌باشد که در مرحله سوم (دهه 1980 میلادی به بعد) به منظور تحلیلهای کمی آثار و تبعات سیاستهای اقتصادی و اجتماعی تعدیل ساختاری، خصوصی سازی و پیوستن به WTO پشتوانه آماری الگوی قابل محاسبه تعادلی عمومی قرار گرفته است.

قبل از بررسی روش شناسی الگوی قابل محاسبه تعادل عمومی (که در فصل دوم ارائه خواهد شد) لازم است به ساختار کلی یک ماتریس حسابداری اجتماعی با توجه به ماکت ضمیمه مورد بررسی قرار گیرد. برای این منظور محتوای فصل حاضر در چهار محور کلی زیر سازماندهی می گردند. در محور اول سعی می شود تعریفی از ماتریس حسابداری اجتماعی ارائه گردد. بر مبنای تعریف وجه تمایز کارکرد ماتریس حسابداری اجتماعی و میزان پوشش آماری آن نسبت به نظامهای حسابداری کلان و بخشی موجود کاملاً مشخص می گردد.

در محور دوم ضمن بررسی انواع حسابهای اصلی جامعه، آرایش حسابهای مذکور و تعامل منطقی آنها در قالب یک ماتریس حسابداری اجتماعی مورد بررسی قرار خواهد گرفت. در محور سوم، ابتدا بعضی از خواص اساسی آرایش حسابها در قالب یک ماتریس حسابداری نسبت به حسابهای سنتی T اشاره خواهد شد. سپس تفکیک پذیری هر یک از حسابهای اصلی به چندین زیر حساب برحسب واحدهای مشخص آماری مورد بررسی قرار گرفت.

یکی از خصایص اصلی بکارگیری واحدهای مشخص آماری در طبقه بندی تفصیلی حسابهای اصلی در واقع تبیین بازارهای مختلف مانند بازار کالاها و خدمات، بازار تولید کنندگان، بازار مصرف کنندگان، بازار کار و غیره می باشند که در ماتریس حسابداری اجتماعی به صورت منطقی با یکدیگر در تعامل قرار می گیرند. بررسی کمی آثار و تبعات سیاستهای اقتصادی و اجتماعی بر روی بازارهای مذکور در واقع از اهداف اصلی الگوی قابل محاسبه تعادل عمومی به شمار می رود. در محور چهارم نظری اجمالی خواهیم داشت به حسابهای اصلی و زیر حسابهای منظور شده در ماتریس حسابداری اجتماعی سال 1380 اقتصاد ایران.

2- تعریف ماتریس حسابداری اجتماعی

نظام‌مند کردن آمارهای اجتماعی (آمارهای مردمی) با آمارهای نظام‌مند شده کلان اقتصادی (حسابهای ملی) و بخشی اقتصادی (جدول داده- ستانده) براساس پشتوانه نظری اقتصاد خرد و کلان در یک یک ماتریس جبری را نظام حسابداری میانه و یا ماتریس حسابداری اجتماعی می نامند.

از تعریف فوث می توان به دو کلی زیر رسید که میزان انعطاف پذیری ماتریس حسابداری اجتماعی را نسبت به سایر نظامهای حسابداری موجود آشکار می کند.

نمایش های مختلف ماتریس اسپارس

اختصاصی از هایدی نمایش های مختلف ماتریس اسپارس دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 86

دانشکده مهندسی کامپیوتر

پایان نامه جهت اخذ درجه کارشناسی

نمایش های مختلف ماتریس اسپارس

و کاربرد آن در پردازش تصویر

استاد پروژه:

جناب دکتر قاسم زاده

توسط:

پریسا هارونی

بهار 87

مقدمه:

مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های مختلف مانند شبکه و فاکس و همچنین بهبود کیفیت روش های کنترل توسط بینایی ماشین و درک واقعی تر مناظر توسط ربات ها دانست.

اگرچه حوزه ی کار با تصاویر بسیار گسترده است ولی عموما محدوده ی مورد توجه در چهار زمینه ی بهبود کیفیت ، بازسازی تصاویر مختل شده، فشرده سازی تصویر و درک تصویر توسط ماشین متمرکز می گردد. در اینجا سه تکنیک اول بررسی خواهد شد.

از آنجایی که برای کار روی تصاویر با پیکسل ها سروکار داریم و هر پیکسل نشان دهنده ی یک عنصر از یک آرایه ی دوبعدی است، کار روی تصاویر همواره با کار روی ماتریس ها عجین شده است. ماتریس اسپارس یا ماتریس خلوت ، ماتریسی است که درایه های صفر آن زیاد باشد و در نتیجه ذخیره ی عناصر صفر مقرون به صرفه نیست و همواره سعی در کاهش ذخیره ی این عناصر است تا بتوان عملیات ماتریسی را سریع تر انجام داد. در کار با تصویر با اینگونه ماتریس ها زیاد برخورد می کنیم . در این پروژه ابتدا تکنیک ها و روش های مختلف پردازش تصویر را معرفی می کنیم. در بخش بعد الگوریتم های موازی را شرح می دهیم که در GPU کاربرد دارند و با معماری موازی آشنا می گردیم. در بخش سوم برخی از الگوریتم های مربوط به ماتریس خلوت را مورد بررسی قرار می دهیم و در نهایت در بخش چهارم کاربرد این ماتریس ها را در پردازش تصویر معرفی خواهیم نمود.

و در آخر، پیاده سازی یکی از ا لگوریتم های مبحث فشرده سازی را روی تصاویر باینری، انجام خواهیم داد و با یکی از الگوریتم های فشرده سازی مربوط به تصاویر باینری به نام Run length coding مقایسه خواهیم نمود.

بخش اول

روش های پردازش تصویر

توجه و روی آوردن به روش های پردازش تصاویر به اوایل سال 1920 باز می گردد، زمانی که عکس های دیجیتال برای اولین بار توسط کابل های زیردریایی از نیویورک به لندن فرستاده شد.با این حال، کاربرد مفهوم پردازش تصویر تا اواسط 1960 گسترش وپیشرفت چندانی نیافت. در 1960 بود که کامپیوتر های نسل سوم دیجیتال به بازار آمد که می توانست سرعت و حافظه بالای مورد نیاز برای پیاده سازی الگوریتم های پردازش تصویر رافراهم کند.

از آن پس، تجربه در این زمینه گسترش یافت. مطالعات و تحقیقات زیادی در این موضوع در علوم مختلف از جمله : مهندسی، علوم کامپیوتر، علوم اطلاعات، فیزیک، شیمی، بیولوژی و داروسازی انجام شد.

نتیجه ی این تلاش ها در تکنیک های پردازش تصویر در مسائل مختلف - از بهبود کیفیت و بازیابی تصاویر گرفته تا پردازش اثر انگشت در مسائل تجاری – خود رانشان داد.

در این فصل بر آنیم که تکنیک ها و روش های مختلف پردازش تصویر را معرفی و بررسی کنیم. اما پیش از پرداختن به روش ها ، برخی تعاریف پایه را ذکر خواهیم کرد.

1-1 تصویر دیجیتالی:

تصویر به عنوان ترجمه image نشانگر یک شکل دو بعدی می باشد که توسط یک وسیله ی حساس به نور مانند دوربین به وجود آمده باشد. اما picture (عکس) نشانگر هر گونه شکل دو بعدی مانند یک تابلوی نقاشی و یا یک دست نوشته است. مقصود از تصویر دیجیتال ، digital image می باشد.

یک تصویر را می توان توسط تابع دوبعدی f(x,y) نشان داد که در آن x و y را مختصات مکانی و مقدار f در هر نقطه را شدت روشنایی تصویر درآن نقطه می نامند. اصطلاح سطح خاکستری نیز به شدت روشنایی تصاویر مونوکروم (monochrome) اطلاق میشود . تصاویر رنگی نیز از تعدادی تصویر دوبعدی تشکیل می شود.

 زمانی که مقادیر x و y و مقدار f(x,y) با مقادیر گسسته و محدود بیان شوند ، تصویر را یک تصویر دیجیتالی می نامند. دیجیتال کردن

دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر

اختصاصی از هایدی دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر دانلود با لینک مستقیم و پر سرعت .

دانلود تحقیق نمایش های مختلف ماتریس اسپارس و کاربرد آن در پردازش تصویر
فایل ورد و قابل ویرایش
در 84 صفحه

مقدمه:
مجموعه عملیات و روش هایی که برای کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار می گیرد، پردازش تصویر نامیده می شود.حوزه های مختلف پردازش تصویر را می توان شامل بهبود تصاویر مختلف پزشکی مانند آشکار سازی تومور های مغز یا پهنای رگ های خونی و ... ، افزایش کیفیت تصاویر حاصل از ادوات نمایشی مانند تصاویر تلویزیونی و ویدیویی، ارتقا متون و شکل های مخابره شده در رسانه های مختلف مانند شبکه و فاکس و همچنین بهبود کیفیت روش های کنترل توسط بینایی ماشین و درک واقعی تر مناظر توسط ربات ها دانست.
اگرچه حوزه ی کار با تصاویر بسیار گسترده است ولی عموما محدوده ی مورد توجه در چهار زمینه ی بهبود کیفیت ، بازسازی تصاویر مختل شده، فشرده سازی تصویر و درک تصویر توسط ماشین متمرکز می گردد. در اینجا سه تکنیک اول بررسی خواهد شد.
از آنجایی که برای کار روی تصاویر با پیکسل ها سروکار داریم و هر پیکسل نشان دهنده ی یک عنصر از یک آرایه ی دوبعدی است، کار روی تصاویر همواره با کار روی ماتریس ها عجین شده است. ماتریس اسپارس یا ماتریس خلوت ، ماتریسی است که درایه های صفر آن زیاد باشد و در نتیجه ذخیره ی عناصر صفر مقرون به صرفه نیست و همواره سعی در کاهش ذخیره ی این عناصر است تا بتوان عملیات ماتریسی را سریع تر انجام داد. در کار با تصویر با اینگونه ماتریس ها زیاد برخورد می کنیم . در این پروژه ابتدا تکنیک ها و روش های مختلف پردازش تصویر را معرفی می کنیم. در بخش بعد الگوریتم های موازی را شرح می دهیم که در GPU کاربرد دارند و با معماری موازی آشنا می گردیم. در بخش سوم برخی از الگوریتم های مربوط به ماتریس خلوت را مورد بررسی قرار می دهیم و در نهایت در بخش چهارم کاربرد این ماتریس ها را در پردازش تصویر معرفی خواهیم نمود.
و در آخر، پیاده سازی یکی از ا لگوریتم های مبحث فشرده سازی را روی تصاویر باینری، انجام خواهیم داد و با یکی از الگوریتم های فشرده سازی مربوط به تصاویر باینری به نام Run length coding مقایسه خواهیم نمود.
.
.
.
.

دانلود تحقیق کامل درمورد ماتریس الگوریتم

اختصاصی از هایدی دانلود تحقیق کامل درمورد ماتریس الگوریتم دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل: Word (قابل ویرایش و آماده پرینت)

تعداد صفحه :35

بخشی از متن مقاله

الگوریتم EZW در سال 1993 توسط shapiro ابداع شد نام کامل این واژه [1] به معنای کدینگ تدریجی با استفاده از درخت ضرایب ویولت است. این الگوریتم ضرایب ویولت را به عنوان مجموعه ای از درختهای جهت یابی مکانی در نظر می گیرد هر درخت شامل ضرایبی از تمام زیرباندهای فرکانسی و مکانی است که به یک ناحیه مشخص از تصویر اختصاص دارند. الگوریتم ابتدا ضرایب ویولت با دامنه بزرگتر را کددهی می کند در صورتیکه دامنه یک ضریب بزرگتر یا مساوی آستانه مشخص باشد ضریب به عنوان ضریب معنی دار [2] در نظر گرفته می شود و در غیر اینصورت بی معنی[3] می باشد یک درخت نیز در صورتی معنی دار است که بزرگترین ضریب آن از نظر دامنه بزرگتر یا مساوی با آستانه مورد نظر باشد و در غیراینصورت درخت بی معنی است.

مقدار آستانه در هر مرحله از الگوریتم نصف می شود و بدین ترتیب ضرایب بزرگتر زودتر فرستاده می شوند در هر مرحله، ابتدا معنی دار بودن ضرایب مربوط به زیر باند فرکانسی پایین تر ارزیابی می شود اگر مجموعه بی معنی باشد یک علامت درخت صفر استفاده می شود تا نشان دهد که تمامی ضرایب مجموعه صفر می باشند در غیراینصورت مجموعه به چهارزیرمجموعه برای ارزیابی بیشتر شکسته می شود و پس از اینکه تمامی مجموعه ها و ضرایب مورد ارزیابی قرار گرفته اند این مرحله به پایان می رسد کدینگ EZW براساس این فرضیه استوار است که چگالی طیف توان در اکثر تصاویر طبیعی به سرعت کاهش می یابد بدین معنی که اگر یک ضریب در زیر باند فرکانسی پایین تر کوچک باشد به احتمال زیاد ضرایب مربوط به فرزندان آن در زیر باندهای بالاتر نیز کوچک هستند به بیان دیگر اگر یک ضریب والد بی معنی باشد به احتمال زیاد فرزندان آن نیز بی معنی هستند اگر آستانه ها توانهایی از دو باشند میتوان کدینگ EZW را به عنوان یک کدینگ bit-plane در نظر گرفت در این روش در یک زمان، یک رشته بیت که از MSB شروع می شود کددهی می شود با کدینگ تدریجی رشته بیت ها و ارزیابی درختها از زیرباندهای فرکانسی کمتر به زیرباندهای فرکانسی بیشتر در هر رشته بیت میتوان به کدینگ جاسازی [4] دست یافت.

الگوریتم EZW بر پایه 4 اصل استوار است [3]

1- جدا کردن سلسله مراتبی زیرباندها با استفاده از تبدیل ویولت گسسته

1-1-2) تبدیل ویولت گسسته

تبدیل ویولت سلسله مراتبی که در EZW و SPIHT مورد استفاده قرار می گیرد نظیر یک سیستم تجزیه زیرباند سلسله مراتبی است که در آن فاصله زیرباندها در مبنای فرکانس بصورت لگاریتمی است.

در شکل 2-2 یک مثال از تجزیه دو سطحی ویولت روی یک تصویر دو بعدی نشان داده شده است. تصویر ابتدا با بکارگیری فیلترهای افقی و عمودی به چهار زیرباند تجزیه می‌شود. در تصویر (c ) 2-2 هر ضریب مربوط به ناحیه تقریبی 2×2 پیکسل در تصویر ورودی است. پس از اولین مرحله تجزیه سه زیر باند LH1 , HL1 و HH1 بعنوان زیرباندهای فرکانس بالایی در نظر گرفته می شوند که به ترتیب دارای سه موقعیت عمودی، افقی و قطری می باشند اگر Wv  , Wh  به ترتیب فرکانسهای افقی و عمودی باشند، پهنای باند فرکانسی برای هر زیر باند در اولین سطح تجزیه ویولت در جدول
1-2 آمده است[4]

جدول 2-1 ) پهنای باند فرکانسی مربوط به هر زیر باند پس از اولین مرحله تجزیه ویولت با استفاده از فیلترهای مشابه (پایین گذر و بالاگذر) زیر باند LL1 پس از اولین مرحله تجزیه ویولت، مجدداً تجزیه شده و ضرایب ویولت جدیدی به دست می آید جدول 2-2) پهنای باند مربوط به این ضرایب را نشان می دهد.

2-1-2) تبدیل ویولت بعنوان یک تبدیل خطی

میتوان تبدیل بالا را یک تبدیل خطی در نظر گرفت [5]. P  یک بردار ستونی که درایه هایش نشان دهنده یک اسکن از پیکسلهای تصویر هستند. C یک بردار ستونی شامل ضرایب ویولت به دست آمده است از بکارگیری تبدیل ویولت گسسته روی بردار p است. اگر تبدیل ویولت بعنوان ماتریس W در نظر گرفته شوند که سطرهایش توابع پایه تبدیل هستند میتوان تبدیل خطی زیر را در نظر گرفت.

فرمول

بردار p را میتوان با تبدیل ویولت معکوس به دست آورد.

فرمول

اگر تبدیل W متعامد [5] باشد.  است و بنابراین

فرمول

در واقع تبدیل ویولت W نه تنها متعامد بلکه دو متعامدی [6] می باشد.

3-1-2) یک مثال از تبدیل ویولت سلسله مراتبی

یک مثال از تبدیل ویولت سلسله مراتبی در این بخش شرح داده شده است. تصویر اولیه 16*16 و مقادیر پیکسلهای مربوط به آن به ترتیب در شکل 3-2 و جدول 3-2 آمده است.

یک ویولت چهارلایه روی تصویر اولیه اعمال شده است. فیتلر مورد استفاده فیلتر دو متعامدی Daubechies 9/7 است [6]. جدول 4-2 ضرایب تبدیل گرد شده به اعداد صحیح را نشان می دهد. قابل توجه است که ضرایب با دامنه بیشتر در زیرباندهای با فرکانس کمتر قرار گرفته اند و بسیاری از ضرایب دامنه های کوچکی دارند ویژگی فشرده سازی انرژی در تبدیل ویولت در این مثال به خوبی دیده می شود جدول 5-2 تصویر تبدیل یافته و کمی شده را نشان می دهد چنانکه کمی سازی تنها برای اولین سطح ویولت انجام گرفته است یک ضریب مقیاس 25/0 در هر ضریب فیلتر ویولت ضرب شده و سپس مجموعه فیلتر پاین گذر و بالاگذر روی تصویر اولیه بکار گرفته می شود اندازه گام کمی سازی مربوطه در این حالت 16 است.

پس از کمی سازی بیشتر ضرایب در بالاترین زیر باند فرکانسی صفر می شوند تصویربازسازی شده و تبدیل ویولت معکوس در شکل (b) 7-2 و جدول 6-2 آمده است. به علت کمی سازی بازسازی با اتلاف است.

4-1-2) انتقال تدریجی تصویر [1]

اگر  یک تبدیل متعامد و سلسله مراتبی زیر باند، p یک ماتریس از اسکن پیکسلهای pi,j  که (i, j) مختصات پیسک است و c ماتریس مربوط به ضرایب تبدیل یافته باشد، آنگاه:

فرمول

c ماتریسی است که باید کد شود.

در یک کدینگ کامل EZW ، ؟؟ ماتریس بازسازی C اولیه را برابر صفر قرار می دهد و با دریافت هر بیت آنرا تغییر می دهد.

فرمول

هدف اصلی در انتقال تدریجی این است که ابتدا، اطلاعات مهمتر تصویر فرستاده شود. ارسال درست این اطلاعات خطا را تا میزان زیادی کاهش می دهد. بنابراین نکته مهم، انتخاب اطلاعات مهمتر در C است. معیار  متوسط مربعات خطا بعنوان یک معیار سنجش خطا مورد استفاده قرار می گیرد.

فرمول

که N تعداد پیکسلهای تصویر اولیه است. با توجه به اینکه Euclidean norm در تبدیل متعامد  حفظ می شود میتوان گفت

فرمول

معادله نشان می دهد که با دریافت ضریب انتقال Ci,j در دیکدر ، DMSE به اندازه

فرمول

کاهش می یابد. واضح است با ارسال ضرایب بزرگتر در ابتدا، خطای تصویربازسازی شود. کاهش بیشتر خواهد داشت.

علاوه بر آن اگر Ci,j  بصورت باینری باشد اطلاعات را میتوان بصورت تدریجی ارسال نمود. به بیان دیگر MSB که مهمترین بیت است در ابتدا و LSB که کم اهمیت ترین بیت است در آخر فرستاده می شود.

5-1-2) درخت جهت یابی مکانی

ایجاد و تقسیم بندی مجموعه ها با استفاده از ساختار ویژه ای به نام درخت جهت یابی مکانی انجام می شود این ساختار بگونه ای است که از ارتباط مکانی میان ضرایب ویولت در سطوح مختلف هرم زیرباندها [7] استفاده می کند.

درختهای جهت یابی مکانی در شکل 59-5 برای یک تصویر 16*16 نشان داده شده است. زیرباند LL2 مجدداً به چهار گروه که هر یک شامل 2×2 ضریب است تقسیم می شود در هر گروه هر یک از چهار ضریب (شکل دو سطح پایین گذر و بالاگذر دارد و هر سطح به چهار زیر باند تقسیم می شود).

به غیر از ضریبی که در سمت چپ و بالا قرار گرفته و با رنگ خاکستری مشخص شده است ریشة  یک درخت جهت یابی مکانی است پیکانها نشان می دهند که چگونه سطوح مختلف این درختها به هم مربوطند به طور کلی یک ضریب در موقعیت (i,j) در تصویر والد چهار ضریب در موقعیتهای (2i,2y) ، (2i+1,2y) ، (2i,2y+1) و (2i+1 , 2y+1) است ریشه های درختهای جهت یابی مکانی مربوط به این مثال در زیر باند LL2 قرار گرفته اند هر ضریب ویولت به غیر از آنهایی که با رنگ خاکستری مشخص شده اند و برگها میتواند ریشه برخی زیر درختهای جهت یابی مکانی باشند.

در این مثال اندازه زیر باند LL2  برابر 4×4 است و بنابراین به چهار گروه 2×2 تقسیم شده است. تعداد درختها در این مثال 12 تا است که برابر 4 /3 اندازه بالاترین زیر باند LL است.

هر کدام از 12 ریشه در زیر باند LL2 والد چهار فرزند استا که در سطح مشابهی قرار گرفته اند. فرزندان این فرزندان در سطح یک قرار می گیرند. عموماً ریشه های درختها در بالاترین سطوح، فرزندان آنها در سطحی مشابه از آن پس فرزندان ضرایبی که در سطح k قرار دارند در سطح k-1 قرار می گیرند.

بطور کلی میتوان گفت پس از تبدیل ویولت یک تصویر را میتوان با ساختار درختی آن نشان داد که در آن یک ضریب در زیر باند پایین میتواند چهار فرزند در زیر باند بالاتر داشته باشد و هر یک از این چهار فرزند میتوانند چهار فرزند دیگر در زیرباندهای بالاتر داشته باشند. به ساختاری که در این حالت پدید می آید.

درخت چهارتایی[8] گفته می شود که هر ریشه [9] چهارگره[10] دارد. نکته بسیار مهم نوع شماره گذاری موقعیت مکانی خانه ها (ضرایب) است. ضریبی که در پایین ترین سطح و در گوشه بالا در سمت چپ قرار داد دارای موقعیت مکانی (0 و 0 ) خواهد بود و به همین ترتیب ضرایب بعدی اضافه می شوند. اگر این موقعیت گذاری رعایت نشود جواب درستی به دست نمی آید [7].

6-1-2) درخت صفر

همانگونه که قبلاً‌اشاره شد میان زیرباندهای مجاوری که در موقعیت مکانی مشابه قرار گرفته‌اند نوعی وابستگی داخلی وجود دارد این بدان معناست که اگر ضریب مربوط به یک والد در تک آستانه مشخص بی معنی باشد به احتمال زیاد ضرایب مربوط به فرزندان نیز در مقایسه با استانه جاری بی معنی خواهد بود و این امر تأیید کننده نزولی بودن چگالی طیف توان در تصاویر طبیعی می باشد در الگوریتم EZW  و الگوریتمهای مشابه این رابطه والد و فرزندی برای bitplane مربوط به باارزشترین بیت bit plante (MSB) مربوط به کم ارزشترین بیت (LSB) بکار برده می شود.