کاهش حجم ذخیره سازی تصاویر با استفاده از تحلیل مؤلفه‌های اصلی دو بعدی تُنُک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد از دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی

2 دانشکده مهندسی برق، گروه مهندسی مخابرات، دانشگاه شهید بهشتی

چکیده

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.

کلیدواژه‌ها