تحلیل VQ با k-means

تحلیل  VQ  با k-means    

1. دریافت تصویر به عنوان  داده  ورودی
2. تبدیل به تصویر سیاه سفید
3. بدست آوردن اندازه تصویر
4. مشخص کردن اندازه  بلاک یا همان بردارهای آموزشی (bs : block size)، جهت تبدیل ماتریس (تصویر) به بلاکهای مشخص 

خوشه بندی با الگوریتم k-means

خوشه بندی با الگوریتم k-means

الگوریتم k-means یکی از الگوریتمهای خوشه بندی به صورت غیر نظارت شده و بدون استفاده از برچسب، است که برای تولید کدبوک مورد استفاده قرار می گیرد که در نوع خود دارای معایب و محاسنی است.

k-means یک الگوریتم تکرار شونده است: از یک نقطه ای شروع میشود-یک بدنه تکرارشونده دارد – و با مشخص نمودن شرط توقف به پایان می رسد.

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