این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۴، شماره ۱، صفحات ۵۵-۶۷
عنوان فارسی کاهش حجم ذخیره سازی تصاویر با استفاده از تحلیل مؤلفه‌های اصلی دو بعدی تُنُک
چکیده فارسی مقاله تحلیل مؤلفه‌های اصلی یکی از روش‌هایی است که در پردازش اطلاعات و کاهش ابعاد مجموعه داده موفق عمل کرده است؛ اما در زمان اعمال این الگوریتم به تصاویر، بایستی آن‌ها را به شکل یک بردار درآورد که سبب از بین رفتن همبستگی مکانی پیکسل‌ های مجاور می‌گردد. برای حل این مشکل، تحلیل مؤلفه‌های اصلی دوبعدی مطرح‌ شده که فرآیند تبدیل تصویر به بردار را نیاز ندارد. نکته‌ی دیگر، تُنُک نبودن بردارهای پایه ‌ی تحلیل مؤلفه‌های اصلی و هم ارزش نبودن تمامی آنان است. اخیراً تحلیل مؤلفه‌های اصلی تُنُک مطرح گردیده که با حفظ خواص تحلیل مؤلفه‌های اصلی استاندارد، سعی می‌کند تعداد زیادی از درایه ‌های بردارهای پایه را صفر کند. در این مقاله تحلیل مؤلفه‌های اصلی دوبعدی تُنُک جهت بهره گیری همزمان از دو الگوریتم فوق بررسی خواهد شد. الگوریتم Least Angle Regression- Elastic Net با استفاده از قید نُرم یک و نُرم دو، محاسبه‌ی مؤلفه‌های اصلی یک بعدی تُنُک را محقق می‌ سازد. در این مقاله با اندک تغییراتی در ورودی الگوریتم مذکور، حالت دوبعدی آن را تحقق می‌ بخشیم. عملکرد تحلیل مؤلفه‌های اصلی دوبعدی تُنُک جهت فشرده‌سازی یک تصویرکه به بلوک های 8×8 تقسیم گردیده، ارزیابی شده و در مقایسه با عملکرد تحلیل مؤلفه‌های اصلی دوبعدی، نتایج مناسبی بدست آمده است. همچنین با استفاده از ماتریس کوواریانس بلوک‌های 8×8 از 60 تصویر متفاوت، مؤلفه‌های اصلی دوبعدی تُنُک به گونه‌ای محاسبه گردیده که امکان استفاده از آن‌ها برای هر تصویر آزمون دیگری میسر می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Image Compression Using Two Dimensional Sparse Principal Component Analysis
چکیده انگلیسی مقاله The principal component analysis (PCA) is one of the procedures that have been a successful performance in signal processing and dimension reduction of the signals. However, a requirement in applying PCA to the images is converting images into a vector. This process leads to loss spatial locality information. To solve this problem, the two-dimensional PCA was proposed. Also, most recently the sparse principal component was introduced that not only keep the properties of standard PCA but also try to make a lot of elements of the basis vectors to zero. In this paper, inspired by the above two ideas, the two-dimensional sparse principal component analysis (2-D. SPCA) is proposed. In this paper, the Least Angle Regression- Elastic Net formula, in addition, using l1 and l2 constraints is extended to two-dimensional model with a few minor changes in its input to approach 2-D. SPCA. The two-dimensional sparse principal component analysis is evaluated in image compression. Before applying the algorithm, the image is divided into several blocks with resolution 8×8 and a database of these blocks is formed. Comparison the performance of 2-D. SPCA and Discrete Cosine transform, for the same number of elements that are necessary to save the image after the conversion shows the good performance of the proposed algorithm. In addition, the proposed algorithm is applied to 8×8 blocks of 60 images with different textures, and the resulted two-dimensional sparse principal components could be used for other test images with a suitable performance.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله زهرا یک کلام |
کارشناس ارشد از دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

فرح ترکمنی آذر |
دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

نشانی اینترنتی http://jmvip.sinaweb.net/article_40772_98be5a97a36a1e0520456afd41c0dded.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1041/article-1041-416279.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات