A PIXEL-BY-PIXEL LEARNED LOSSLESS IMAGE COMPRESSION METHODWITH PARALLEL DECODING

---

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: SİNEM GÜMÜŞ

Danışman: Fatih Kamişli

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.