JPEG Algoritmasının Performansını İyileştirmek İçin Bir Yöntem

Year 2022, Volume: 34 Issue: 1, 25 - 32, 20.03.2022

Fırat Artuğer , Fatih Özkaynak

https://doi.org/10.35234/fumbd.865004

Abstract

JPEG, görüntü sıkıştırma için en yaygın kullanılan yöntemlerin başında gelmektedir. JPEG görüntü sıkıştırma işleminde kuantalama adımında kullanılan kuantalama tablosu önemli bir rol oynamaktadır. Kuantalama tablosu görüntünün kalitesini ve sıkıştırma miktarını önemli ölçüde belirler. Bu nedenle kuantalama tablosunun oluşturulması bir optimizasyon problemi olarak görülmektedir. Bu makalede daha etkili kuantalama tabloları oluşturulabilmesi için oran-bozulma yaklaşımı, insan görsel sistemi yaklaşımı ve meta sezgisel yaklaşımlar açıklanmıştır. Daha sonra Jpeg kuantalama tablosundaki her bir değerin yerine, o değerin komşuları ortalaması alınarak yeni bir tablo elde edilmiştir. Farklı kalite faktörleri kullanılarak sonuçlar test edilmiş olup önerilen tablonun 60 kalite faktörü için Jpeg kuantalama tablosundan daha iyi sıkıştırma oranı elde edilmiştir.

Keywords

Görüntü sıkıştırma, JPEG, Kuantalama tablosu

References

• [1] B. V. Kumar, G.R. Karpagam and N. V. Rekha, Performance Analysis of Deterministic Centroid Initialization method for Partitional Algorithm in Image Block Clustering, Indian Journal of Science and Technology, vol 8 (s7),63-73,April 2015.Lee, K.-F., Automatic Speech Recognition: The Development of the Sphınks System, Kluwer Academic Publishers, Boston, 1989.
• [2] F. Artuğer, F. Özkaynak, JPEG Sıkıştırma Algoritmasının Dünü Bugünü ve Geleceği, Fırat Üniversitesi Mühendislik Bilimleri Dergisi 32 (3) 2018.
• [3] F. Artuğer, F. Özkaynak, Performance Comparıson for Lossy Image Compression Algorithm, Proceedings of The IIER International Conference, Kiev, 2018.
• [4] X. Zhang, S. Wang, K. Gu, W. Lin, S. Ma, W.Gao, Just-Noticeable Difference-Based Perceptual Optimization for JPEG Compression, IEEE Signal Processing Letters, vol. 24, no. 1, 2017.
• [5] G. Sullivan and T. Wiegand, Rate-distortion optimization for video compression, IEEE Signal Process. Mag., vol. 15, no. 6, pp. 74–90, Nov. 1998.
• [6] K. Ramchandran and M. Vetterli, Rate-distortion optimal fast thresholding with complete JPEG/MPEG decoder compatibility, IEEE Trans. Image Proc. vol. 3, pp. 700-704, Sept. 1994.
• [7] A. B. Watson, (1993). DCTune: A technique for visual optimization of DCT quantization matrices for individual images. Society for Information Display Digest of Technical PapersXXIV, 946-949.
• [8] Y.G. Wu, GA-based dct quantization table design procedure for medical images. IEE P-Vis Image Sign 2004; 151: 353-359.
• [9] J. Kennedy, R. C. Eberhart, Particle Swarm Optimization. IEEE International Conference on Neural Networks, vol. IV, 1942-1948, Piscataway, NJ, 1995.
• [10] T. Apostolopoulos, A. Vlachos, Application of the Firefly Algorithm for Solving the Economic Emissions Load Dispatch Problem, Hindawi Publishing Corporation International Conference Journal of Combinatorics, vol. 2011, doi:10.1155/2011/523806, 2011.
• [11] M. Jiang, D. Yuan, Y. Cheng, , Improved Artificial Fish Swarm Algoritm, Fifth International Conference on Natural Computation, 281-285, 209. [12] B. Mahdian, S. Saic, R. Nedbal. Jpeg quantization tables forensics: A statistical approach. In H. Sako, K. Y. Franke,S. Saitoh, editors, Computational Forensics, pages 150–159, Berlin, Heidelberg, 2011. Springer Berlin Heidelberg.