Abstract
Fractal theory has strengths such as high compression rate and fast decoding time in application to image compression, but it suffers from long comparison time necessary for finding an optimally similar domain block in the encoding stage. This paper proposes a neural network based block classifier which enhances the encoding time significantly by classifying domain blocks into 4 patterns and searching only those blocks having the same pattern with the range block to be encoded. Size of a block is differently determined depending on the image complexity of the block. The proposed algorithm has been tested with three different images having various featrues. The experimental results have shown that the proposed algorithm enhances the compression time by 40% on average compared to the conventional fractal encoding algorithms, while maintaining allowable image qualify of PSNR 30 dB.
프랙탈을 이용한 영상압축기법들은 놓은 압축률과 빠른 복호화 시간의 장점을 가지나 부호화과정에서 최적의 윳사 변환점을 얻기 위해 장시간을 소모하는 단점으로 인해 응용에 많은 제한을 받는다. 본 논문에서는 부호화에 소요되는 시간을 줄이기 위해 신경회로망을 이용한 고속블록분류기를 제안한다. 제안된 방법은 정의역에서 블로데 대한 탐색 시간을 줄이기 위아혀 각 정의역을 화소의 분포형태에 따라 신경망을 이용하여 4가지의 부류로 구분하고 각 치역 블록과 비교할 때 해당 치역 블록의 부류를 판단하여 전체에 대해서 탐색을 행하지 않고 해당하는 부루에 대해서만 탐색하는 방법을 사용한다. 또한 블록의 크기를 가변적으로 할당하여 화소의 분포형태에 따라 고르게 분포되어 있는 경우에는 블록의 크기를 크게 할당하고 복잠한 형태의 블록에 대해서는 블록의 크기를 작게 할당하는 방법을 사용한다. 다양한 특성을 갖는 영상들에 대한 실험결과는 허용 가능한 수준의 화질인 PSNR 30dB정도의 화질을 유지하면서 기존의 방법들에 비해 압축속도가 평균 40%가량 개선됨을 보였다.
