مقاله ترجمه شده درباره مطالعه مقایسه ای فشرده سازی تصاویر – سال 2015
مشخصات مقاله:
عنوان فارسی مقاله:
مطالعه مقایسه ای فشرده سازی تصاویر
عنوان انگلیسی مقاله:
Comparative study of Image compression
کلمات کلیدی مقاله:
DCT، SADCT، Tri-DCT، فراکتال، JPEG-2000، SPIHT، SPECK، EZBC
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. تکنیک های فشرده سازی
الف) گروه Joint Photo Expert
ب) Tri-DCT
ج) فشرده سازی تصاویر فراکتال
د) تکنیک های بهینه سازی
3. نتایج
فشرده سازی تصاویر فراکتال
4. نتایج
قسمتی از مقاله انگلیسی و ترجمه آن:
e) OPTIMIZATION TECHNIQUES Optimization techniques are useful for Image compression by optimizing the vector quantization technique (VQ). VQ involves three steps codebook generation, vector encoding and vector decoding . Patane and Russo classified all of the VQ algorithms into two groups one competitive learning-based and another k-means-based. In the competitive learning-based methods, the codebook is generated with the process of reparative mutual competitions. The typical methods of competitive learning-based group included the self-organizing map , growing neural gas and neural network . The k-means based algorithms are designed to minimize distortion error by selecting a suitable codebook. A well-known k-means based algorithm is LBG algorithm. LBG algorithm is a vector quantization technique which is introduced by Linde-BuzoGray. LBG algorithm is comes under k-means based algorithm. In LBG clustering of data is play a major role. Clustering means division of large data set into smaller data set based on some similarity or grouping of data.
تکنیک های بهینه سازی با بهینه سازی تکنیک کمیت سنجی برداری (VQ) نقش مفیدی در فشرده سازی تصاویر ایفا می کنند. VQ شامل سه مرحله تولید کتاب رمز، رمزگذاری و رمزگشایی بردار می باشد. Patane و Russo همه الگوریتم های VQ را به دو گروه تقسیم کردند، یکی مبتنی بر یادگیری رقابتی و دیگری مبتنی بر k میانگین. در روشهای مبتنی بریادگیری رقابتی، کتاب رمز با فرایند تکرارهای متقابل جبرانی تولید می شود. روشهای معمولی برای گروه مبتنی بر یادگیری رقابتی عبارتنداز: نقشه خودسازمان یافته، شبکه عصبی و گاز عصبی رو به رشد. الگوریتم های مبتنی بر k میانگین برای به حداقل رساندن خطای تحریف با انتخاب کتاب رمز مناسب طراحی شده اند. معروف ترین الگوریتم مبتنی بر k میانگین ، الگوریتم LBG نام دارد. الگوریتم LBG یک تکنیک کمیت سنجی برداری است که توسط Linde-Buzo-Gray معرفی شده است. الگوریتم LBG تحت الگوریتم مبتنی بر k میانگین طبقه بندی می شود. در LBG، خوشه بندی داده ها نقش مهمی ایفا می نماید. خوشه بندی به معنای تقسیم بندی مجموعه داده های بزرگ به مجموعه داده های کوچکتر براساس تشابه یا گروه بندی داده ها می باشد.
