Image compression method based on learned lifting-based dwt and learned zerotree-like entropy model

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Mühendislik Fakültesi, Elektrik ve Elektronik Mühendisliği Bölümü, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: UĞUR BERK ŞAHİN

Danışman: Fatih Kamişli

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bilgisayarla görüde derin öğrenmenin başarısı, görüntü sıkıştırma da dahil olmak üzere birçok görüntü işleme uygulamasında derin öğrenmeye dayalı algoritmaların araştırılmasına büyük ilgi uyandırdı. En popüler uçtan uca öğrenilen görüntü sıkıştırma yaklaşımları, görüntünün evrişimli sinir ağları (CNN'ler) aracılığıyla nicelenen ve CNN'ler ile tekrar işlenen bir dönüşüm (gizli) temsiline eşlendiği otomatik kodlayıcı mimarilerine dayanmaktadır. Yeniden yapılandırılmış görüntü nicelendirilmiş gizli temsil, sıkıştırılmış bir bit akışı elde etmek için entropi kodludur. Etkili entropi kodlamasına sahip olmak için, nicelenmiş gizli gösterimin olasılık dağılımı da CNN'ler ile modellenmiştir. Otomatik kodlayıcı ve gizli gösterimin olasılık modeli dahil tüm sistem, kod uzunluğu-görüntüdeki bozulma maliyet fonksiyonunu en aza indirmek için ortaklaşa eğitilir. Başarılı bir geleneksel görüntü sıkıştırma sistemi, Dalgacık katsayılarının Ayrık Dalgacık Dönüşümü (DWT) ve Zerotrees (ZT)'e dayanan Embedded Zerotree Wavelet (EZW) kodlama algoritmasıdır. Bu tez, benzer bir öğrenme tabanlı sıkıştırma mimarisini araştırmaktadır. Özellikle, dönüşüm katsayılarının öğrenilmiş bir kaldıraç tabanlı DWT ve öğrenilmiş bir ZT benzeri olasılık modeli kullanılır. ZT benzeri olasılık modelinin çeşitli varyasyonları araştırılmıştır. Tüm sistem, hız bozulma maliyet fonksiyonunu en aza indirmek için uçtan uca eğitilmiştir. Keşfedilen sistem, JPEG2000 ve son teknoloji öğrenilmiş görüntü sıkıştırma yöntemleri ile karşılaştırılmıştır.