A pixel-by-pixel learned lossless image compression methodwith parallel decoding
Paralel kod çözme ile piksel-piksel öğrenilmiş kayıpsız görüntü sıkıştırma yöntemi
- Tez No: 745368
- Danışmanlar: DOÇ. DR. FATİH KAMIŞLI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Sayısal hücre görüntülerinin kodlanması ve nicel analizi
Coding and quantitative analysis of the digital cell images
NEŞE APAK
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiY.DOÇ.DR. MUHİTTİN GÖKMEN
- Görüntü işlemede yama sıralama tabanlı yaklaşımlar
Patch ordering based approaches for image processing
ÖZDEN ÇOLAK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- 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
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BÜLENT BAYRAM
- 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
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BÜLENT BAYRAM
- 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
2023
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET UNUTULMAZ