Bulanık vektör kuantalama yöntemlerinin kullanımı ile görüntü sıkıştırma

Abstract

ÖZET İki boyutlu düşük yoğunluklu bir fonksiyon sayısal bir görüntü elde edebilmek için örneklenip kuantalandığında çok büyük miktarda veri üretilmiş olur. Gerçekte üretilen veri miktarı o kadar büyüktür ki depolama, işleme ve iletişim gerekleri için pratik olmayan sonuçlara ulaşılır. Böyle durumlarda basit iki boyutlu örnekleme ve gri- seviye kuantalamanın ötesinde gösterilimlere ihtiyaç duyulur. Görüntü sıkıştırma, bir sayısal görüntüyü temsil etmek için gerekli veri miktarının azaltılması problemini işaret eder. Azaltma işleminin temeli fazlalık olan verinin ortadan kaldırılmasıdır. Matematiksel görüş açısından bu işlem, görüntünün istatistiksel olarak birbirinden bağımsız iki boyutlu piksel dizilerine dönüştürülmesidir. Dönüşüm, görüntünün depolanması ya da iletiminden önce yapılır. Daha sonra, sıkıştırılmış görüntü orijinal görüntüyü ya da yaklaşığını elde edebilmek için yeniden genişletilir. Görüntü sıkıştırma ile ilgili çalışmalar 25 yıldan fazla bir geçmişe dayanır. Bu alandaki çalışmalar ilk başlangıçta bangenişliği sıkıştırma işlemi olarak adlandırılan video iletim bandgenişliğinin azaltılabilmesi için analog metodların geliştirilmesinde odaklanmıştır. Sayısal bilgisayarın gelişi ve bunu gelişmiş tümdevrelerin takibi ile çalışmalar analog sıkıştırma yaklaşımından sayısal sıkıştırma yaklaşımına kaymıştır. Geçen yıllar boyunca görüntü sıkıştırma ihtiyacı giderek artmıştır. Örneğin, görüntü sıkıştırma sayısal bilgisayarların basılı yazı, yayın ve video üretimi için kullanımında can alıcı nokta haline gelmiştir. Bütün bunlara ek olarak, Bugünkü görüntü alma sensörlerinin uzaysal çözünürlüğünün arttırılmasında ve televizyon yayın standartlarının geliştirilmesinde temel teknoloji haline gelmiştir. Daha başka olarak görüntü sıkıştırma, televideo konferansları, uzaktan algılama, tıbbi görüntüleme, faks iletimi ve askeri alanda araçların uzaktan kontrolünü kapsayan bir çok alanda çok önemli hale gelmiştir. Bu tezde bulanık vektör kuantalama, entropi etkisi içeren bulanık vektör kuantalama, en yalan komşu çifti ortalaması algoritması (PNN Algoritması) ve k-d ağaç yapısı kullanılarak bölütlenmiş bulanık vektör kuantalama yöntemleri kullanılarak gerçekleştirilen görüntü sıkıştırma sonuçlan incelenmiştir.VI Uygulamalarda 128x128 boyutlu çeşitli görüntüler kullanılarak gerçekleştirilmiştir. Bu görüntüler 2x2 'lik bloklara ayrılmıştır. Kullanılan yöntemlerden bulanık vektör kuantalama ve entropili etkisi içeren vektör kuanlama yöntemleri iteratif yöntemlerdir. Bu iterasyonlar yaklaşık 10-20 arasında gerçekleştirilmiştir. En yakın komşu çifti ortalaması algoritması ise iterasyon içermemektedir. Bunun yerine bölüt merkezleri k-d ağaç yapısı kullanılarak elde edilmiştir. Elde edilen sıkıştırlmış görüntüler üzerinde iki çeşit fîltreleme metodu kullanılarak fîltreleme yapılmıştır. Bunların sonuçlan da yine değerlendirilmiştir. Ayrıca uygulamalar farklı farklı sayılarda bölüt merkezleri kullanılarak da gerçekleştirilmiştir. Anahtar Kelimeler : Bulanık Mantık, Görüntü Sıkıştırma, Bulanık Vektör Kuantalama, Entropi Etkisi, PNN Algoritması, k-d Ağaç Yapısı, Filtreleme

vıı SUMMARY An enormous amount of data is produced when two dimensional light intensity function is sampled and quantized to create a digital image. In fact, the amount of data generated may be so great that it results in impractical storage, processing and communication requirements. In such cases, representations beyond the simple two dimensional sampling and grey-level quantization are needed. Image compression addresses the problem of reducing the amount of data required to represent a digital image. The underlying basis of the reduction process is the removal of redundant data. From the mathematical viewpoint, this amounts to transforming a two dimensional pixel array into a statistically uncorrelated data set. The transformation is applied prior to storage or transmission of the image. At some later time, the compressed image is decompressed to reconstruct the original image or an approximation to it. Intrest in image compression dates back more than 25 years. The initial focus of research efforts in this field was on the development of analog methods for reducing video transmission bandwidth, a process called 'bandwidth compression'. The advent of the digital computer and subsequent development of advanced integrated circuits, however, caused interest to shift from analog to digital compression approaches. Over the years, the need for image compression has grown steadily. For example, image compression has been and continious to be crucial to the growth of the use of digital computers in printing and publishing and video production. In addision, it is the natural technology for handling the increased spatial resolutions of today's imaging sensors and evolving broadcast television standarts. Furthermore, image compression plays a cruical role in many important applications, including televideo conferencing, remote sensing, medical imaging, facsimile transmission and control of remotely piloted vehicles in military. In this thesis, the image compression results using fuzzy vector quantization, fuzzy vector quantization including effect of entropi, pairwise nearest neighbour (PNN algorithm) and fuzzy vector quantization which clusters determined by k-d trees has been developed.vııı In the applications images of 128x128 is used. They are diveded into 2x2 blocks. Fuzzy vector quantization and fuzzy quantization with the effect of entropi are iterational techniques. This iterations are about 10-20. PNN algorithm doesn't include iteration. In this algorithm cluster centers are determined by k-d trees. In the resultant compressed images two type of filtering are used. In addision the applications are developed for diferent number of cluster centers. Key Words : Fuzzy Logic, Image Compression, Fuzzy Vector Quantization, Effect of Entropi, PNN Algorithm, k-d Trees, Filtering