VQ: Vector Quantization

مروری بر تولیدکدبوک به روش VQ

چکیده   

یکی از نقشهای اصلی Quantization Vector (VQ) این است که چگونه یک Codebook خوب تولید کنیم تا اعوجاج بین تصویر اصلی و تصویر بازسازی شده  به حداقل برسد .

در سال های گذشته،روش های تولید کدک VQ توسعه یافته اند.  در این مقاله تصویری از روشهای بهبود یافته ارائه شده است.
 طرح های مورد بحث شامل کدبندی مقدماتی مقیاس فاصله است
جستجو (MPS)، افزایش LBG (ELBG)، تکنیک های مبتنی بر شبکه عصبی، الگوریتم مبتنی بر ژنتیک 
روش های تجزیه و تحلیل مولفه های اصلی (PCA)، طرح جستجوی ممنوع tabu search (TS)، روشهای جابجایی کدگذاری و غیره
 
ادامه مطلب

تقسیم تصاویر به بلاک های 4*4

مقدمه

برای ذخیره‌سازی تصویر به دنبال روشی هستیم تا به کمک آن بتوانیم حجم اطلاعات را تا جایی که ممکن است کاهش دهیم. اساس بسیاری از روش‌های فشرده‌سازی، کنار گذاردن بخش‌هایی از اطلاعات و داده‌ها است. ضریب یا نسبت فشرده‌سازی، عددی است که میزان کنار گذاشتن اطلاعات را نشان می‌دهد.

فشرده سازی تصاویر، ذخیره‌کردن و انتقال آنها را آسان‌تر می‌کند و می‌تواند سبب کاهش پهنای باند و فرکانس مورد نیاز برای ارسال تصاویر شود. یکی از روشهای فشرده سازی تصویر، تکنیک چندی سازی برداری است.برای چندی سازی برداری ابتدا باید تصویر را قطعه بندی یا به عبارتی به تعدادی بلاک تقسیم کرد.با استفاده از کد ذیل، مفهوم  تقسیم یک تصویر به تعدادی بلاک  شرح داده می شود.

  

ادامه مطلب

Multilevel principal component analysis(mPCA) in shape analysis

Multilevel principal component analysis (mPCA) in shape analysis: A feasibility study in medical and dental imaging


تجزیه و تحلیل چند سطحی مولفه های اصلی (mPCA): مطالعه امکان سنجی این روش در تصویربرداری پزشکی و دندانی

زمینه و هدف:

روش مورد استفاده در پردازش تصویر باید بازتاب دهنده هر گونه سازه چند سطحی ذاتی وطبیعی در مجموعه داده های تصویر باشد  و یا پیش برنده ریسک و خطر مرتبط به عملکرد ناقص باشد. هدف ما بررسی و ازمودن امکان پذیری تحلیل چند سطحی اجزای اصلی (PCA) برای ساخت مدل های شکلی فعال (ASM) برای مواردی است که مربوط به تصویربرداری پزشکی و دندانی می باشند.

 

ادامه مطلب

خوشه‌بندی در مقابل چندی‌سازی برداری

با مطالعه پست های قبلی ، تا به الان به این مطلب رسیده ایم که  خوشه‌بندی نوعی سازماندهی داده‌هاست بر اساس ویژگی-های تعیین شده داده‌هایی که شباهت بیشتری با یکدیگر دارند درون یک خوشه قرار می‌گیرد.

در کاربردهای ارتباطی و فشرده‌سازی داده‌ها از روشهایی به نام چندی‌سازی برداری استفاده می‌شود که از بعضی جنبه‌ها می‌توان آنها را معادل خوشه‌بندی در نظر گرفت. در چندی‌سازی برداری نیز داده‌ها بر اساس میزان شباهتشان به دسته‌هایی تقسیم می شوند و هر دسته بوسیله یک بردار که به آن کلمه کد (CodeWord) گفته می‌شود جایگزین می‌گردد. به مجموعة این کلماتِ کد اصطلاحأ کتابِ کد(CodeBook) گفته می‌شود.

دربعضی از بحث‌های علمی بین خوشه‌بندی و چندی‌سازی برداری تفاوتهایی قائل می‌شوند. زیرا خوشه‌بندی را یک رهیافت بدون نظارت برای تحلیل داده‌ها در نظر می‌گیرند ولی چندی‌سازی برداری را روشی برای کشف خوشه‌ها نمی‌شناسند بلکه آن را راهی برای نمایش داده‌ها با تعداد عناصر کمتر به گونه‌ای که اطلاعات از دست رفته حداقل شود، می‌شناسند. علی‌رغم تفاوت بیان شده می‌توان روشهای بکار رفته در هر یک آنها را در دیگر نیز بکار برد .


منابع :

دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)-مربوط به درس یادگیری ماشین-استاد مربوطه: دکتر شیری-

گرد آوری شده توسط: امیرحسین حاج احمدی-تاریخ تدوین: 30/2/1385

 

مقایسه LBG-K-means-VQ

مقایسه LBG-K-means-VQ

خوشه بندی : در پستهای قبلی به مفهوم و کاربرد خوشه بندی اشاره شده است. خوشه بندی یک روش غیرنظارتی برای یافتن و گروهبندی داده های مشابه در یک مجموعه داده می باشد.

 در این پست سعی بر این است که به ارتباط و کاربرد سه روش LBG،K-means،VQ پرداخته شود.

 

ادامه مطلب
1 2 3 >>