Geri Dön

A pixel-by-pixel learned lossless image compression methodwith parallel decoding

Paralel kod çözme ile piksel-piksel öğrenilmiş kayıpsız görüntü sıkıştırma yöntemi

  1. Tez No: 745368
  2. Yazar: SİNEM GÜMÜŞ
  3. Danışmanlar: DOÇ. DR. FATİH KAMIŞLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Bilgisayarla görü uygulamalarında derin öğrenmenin başarısı, görüntü sıkıştırmada da öğrenme tabanlı algoritmaların kullanılmasına öncü olmuştur. Öğrenme tabanlı kayıpsız görüntü sıkıştırma algoritmaları, piksel-piksel (veya maskeli evrişim tabanlı) algoritmalar, ön bilgi tabanlı algoritmalar ve gizli temsil tabanlı algoritmalar olmak üzere üç kategoriye ayrılabilir. Piksel-piksel algoritmalarda, her pikselin olasılık dağılımı, önceden kodlanmış sol ve üst komşu piksellerin bir sinir ağı (SA) ile işlenmesiyle elde edilir ve sonra kayıpsız sıkıştırma için bir aritmetik kodlayıcı tarafından kullanılır. Ön bilgi tabanlı algoritmalarda, görüntünün olasılık dağılımı, bir SA ile elde edilen ön bilgiye göre koşullandırılır ve kod çözücüye iletilir. Gizli temsil tabanlı algoritmalarda, görüntü, öğrenilmiş bir tersinir eşleme ile gizli bir bilgi alanına dönüştürülür ve gizli temsil kayıpsız bir şekilde sıkıştırılır. Bu tez, piksel-piksel (veya maskeli evrişim tabanlı) algoritmalar kategorisine giren öğrenilmiş ve kayıpsız bir görüntü sıkıştırma yöntemini araştırmaktadır. Yapılan çalışma, Gauss Karışım Modeli (GKM) ile her pikselin olasılık dağılımını modelleyerek öğrenilmiş kayıpsız bir görüntü sıkıştırma yöntemi sağlamayı amaçlamaktadır. Gauss Karışım Modeline ait parametreler, pikselin nedensel komşuluğunu (yani daha önce sıkıştırılmış pikselleri) nispeten basit bir SA ile işleyerek elde edilmiştir. Bu nedensellik bağımlılığı, kod çözücünün sıralı olarak çalışmasına neden olur, yani SA nın her piksel için sıralı olarak çalıştırılması gerekir. Bu durum kod çözme süresini önemli ölçüde artırır. Kodlayıcı tarafında nedensellik bağımlılığı maskeli evrişimler yoluyla kolayca sağlanabilir. Kod çözme süresini azaltmak için paralel kodlama ve kod çözme algoritmaları araştırılmış ve uygulanmıştır. Elde edilen kayıpsız görüntü sıkıştırma performansı rekabetçidir ve hem en gelişmiş geleneksel yöntemlerle hem de öğrenme tabanlı yöntemlerle karşılaştırılmıştır.

Özet (Çeviri)

The success of deep learning in computer vision applications has led to the use of learning based algorithms also in image compression. Learning based lossless image compression algorithms can be divided into three categories, namely, pixel-by-pixel (or masked convolution based) algorithms, prior based algorithms and latent representation based algorithms. In the pixel-by-pixel algorithms, each pixel's probability distribution is obtained by processing the previously coded left and upper neighbouring pixels with a neural network (NN), which is then used by an arithmetic coder for lossless compression. In the prior based algorithms, the probability distribution of the image is conditioned on a prior that is obtained with a NN and transmitted to the decoder. In the latent representation based algorithms, the image is transformed to a latent domain with a learned invertible mapping, and the latent representation is lossless compressed. This thesis studies a learned lossless image compression method that falls into the pixel-by-pixel (or masked convolution based) algorithms category. The study aims to provide a learned lossless image compression method by modelling each pixel's probability distribution with a Gaussian Mixture Model (GMM), whose parameters are obtained by processing the pixel's causal neighbourhood (i.e. previously compressed pixels) with a relatively simple NN. This causality dependency causes the decoder to operate sequentially, i.e. the NN has to be run for each pixel sequentially, which increases decoding time significantly. The causality dependency can be easily alleviated at the encoder via masked convolutions. To reduce the decoding time, parallel encoding and decoding algorithms are studied and implemented. The obtained lossless image compression performance is competitive and is compared to both state-of-the art traditional and learning based methods.

Benzer Tezler

  1. Sayısal hücre görüntülerinin kodlanması ve nicel analizi

    Coding and quantitative analysis of the digital cell images

    NEŞE APAK

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. MUHİTTİN GÖKMEN

  2. Görüntü işlemede yama sıralama tabanlı yaklaşımlar

    Patch ordering based approaches for image processing

    ÖZDEN ÇOLAK

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  3. Kontrast tutucu maddeli meme MR'ı örneğinde yapay sinir ağları ile görüntü segmentasyonu

    Automatic tumor segmentation in contrast-enhanced dynamic MR images by using artificial neural network technique

    HİLMİ KEMAL KOCA

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BÜLENT BAYRAM

  4. Super-resolution of landsat-8 images using sentinel-2 images and generative adversarial networks

    Sentinel-2 görüntüleri ve çekişmeli üretici ağlar kullanılarak landsat-8 görüntülerinin süper çözünürlüğü

    ESRA SUNKER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

    PROF. DR. BÜLENT BAYRAM

  5. Synthesis of realistic photo-masks using supervised artificial neural networks

    Denetimli yapay sinir ağları kullanılarak gerçekçi foto-maske sentezi

    YUSUF BURAK FİDAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET UNUTULMAZ