Bulanık mantık temelli bölütleme ile görüntü kodlama (görüntü sıkıştırma) yöntemlerinin geliştirilmesi

Özet Görüntüyü oluşturan veri miktarı oldukça büyük olduğu için depolanmasında çok büyük hafızaya ihtiyaç vardır. Böyle büyük verilerin depolanması ve iletilmesi büyük hafıza kapasitesi ve bant aralığını gerektirdiği için maliyet açısından çok pahalı da olabilmektedir. Görüntü sıkıştırma teknikleri, bilginin önemli bölümlerini kaybetmeksizin depolama veya iletimi için gerekli bit sayılarının azaltılmasını inceler. Görüntü iletimi, televizyon yayını; uydu, uçak, radar veya sonar aracılığıyla uzaktan izleme; telekonferans; bilgisayar iletişimi ve faks iletimi gibi uygulamaları içermektedir. Görüntü depolama uygulamaları ise eğitimsel ve iş dokümanları, tıbbi görüntü sistemleri ve benzeri olmuştur. Geniş uygulaması nedeniyle veri sıkıştırmanın dijital görüntü işlemede büyük bir önemi vardır. Görüntü sıkıştırma teknikleri kayıplı ve kayıpsız olmak üzere olmak üzere iki grupta toplanmıştır. Her iki sıkıştırma şekli run-length kodlama, çevre kodlama, öngörücü (predictive) kodlama, dönüşüm kodlama ve karma (hybrid) kodlama gibi ayrı sıkıştırma teknikleriyle gerçekleştirilebilmektedir. Bu tezde klasik mantık yapısından oldukça farklı, insan düşünme yeteneğine yakın bir mantık olan bulanık (fuzzy) mantıkla geliştirilen ayrık cosine dönüşüm (DCT) ve Hopfield sinir ağının kullanıldığı iki farklı sıkıştırma tekniği üzerinde çalışılmıştır. Ayrık cosine dönüşüm tekniğinde görüntü üzerinde sıkıştırma yapılmadan önce bulanık mantık temelli bir ön filitrelemeden geçirilerek daha etkin bir bölütleme yapılması sağlanmıştır. Bulanık mantık ile geliştirilen ayrık cosine dönüşüm görüntü sıkıştırmada, 4x4 bloklara ayrılan görüntüde her bloğun DCT' si alındıktan sonra, zig-zag yöntemiyle katsayılar arasından bulanık üyelik fonksiyonlarının tepe değerleri bulunmuştur. Buna bağlı olarak bölüt merkezleri bulunarak görüntünün bölütlenmesi ve sıkıştırılmasını temel alınmıştır. Bulanık mantık ile geliştirilen Hopfield sinir ağı görüntü sıkıştırmada da Lyapunov enerji fonksiyonu ve yeni geliştirilen objektif fonksiyonun iteratif bir şekilde minimizasyonuyla bölütlenen görüntünün sıkıştırılmasını temel almıştır. Geliştirilen her iki sıkıştırma tekniği, bulanık c-means, klasik c-means ve bulanık vektör kuantalama teknikleri kullanılarak yapılan sıkıştırmalar ile karşılaştırılmıştır. Veri sıkıştırmaVI performansı, sıkıştırmanın gerçekleştirilmesindeki iterasyon sayısı, orijinal görüntüye göre kayıp miktarı ve bölütlemenin geçerlilik değeri göz önüne alınarak incelenmiştir. Anahtar Kelimeler : Bulanık Mantık, Görüntü Bölütleme, Görüntü Sıkıştırma, Discrete Cosine Dönüşüm (DCT), Hopfield Sinir Ağları. vıı Summary The amount of data associated with visual information is so large that its storage would require enormous storage capacity. Storage and transmisson of such data require large capacity and bandwidth, which could be very expensive. Image data compression techniques are concerned with reduction of the number of bits required to store or transmit images without any appreciable loss of information. Image transmission applications are in broadcast television; remote sensing via satellite, aircraft, radar, or sonar; teleconferencing; computer communications; and facsimile transmission. Image storage is required most commonly for educational and business documents, medical images, and the like. Because of their wide applications, data compression is of great importance in digital image processing. Image compression techniques are divided into two parts as lossy and lossless. Both of image compression techniques can be realized by the methods such as run length coding, contour coding, predictive coding, transform and hybrid coding etc. In this thesis, fuzzy logic based discrete cosine transform (DCT) and Hopfield neural network image compression techniques were developed. Before using discrete cosine transform based image compression technique, fuzzy logic based prefilter was used for the achivement of effective segmentation. Fuzzy logic DCT image compression is included by dividing the image into 4x4 blocks, using discrete cosine transform. This technique finds peak value of membership functions and cluster centroids by performing the zig-zag among DCT coefficients. Fuzzy logic Hopfield neural network compression is based iteratively on minimization of Lyapunov energy function and newly developed objective function. The development of two compression techniques were compared with fuzzy c-means, classical c-means and fuzzy vector quantization compression techniques based on the parameters of image compression performance, iteration number, the loss of information, and validity value. Keywords : Fuzzy Logic, Image Segmentation, Image Compression, Discrete Cosine Transform, Hopfield Neural Network. 158