Kompresi Gambar Hybrid Lossy dan Lossless berbasis ROI – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Mahisha Patel

Visi Komputer

Anda tidak selalu membutuhkan seluruh gambar berkualitas tinggi untuk wawasan!

Foto oleh Anna Shvets dari Pexels

Artikel ini bertujuan untuk menyajikan penggabungan kompresi lossy dan lossless untuk membangun pendekatan hybrid berdasarkan Region Of Interest yang memberikan rasio kompresi tinggi dan melayani tujuan penyimpanan dan transmisi yang efisien tanpa memengaruhi akurasi.

Saat ini, kita telah memasuki era dimana informasi memiliki nilai lebih dari apapun. Menyimpan dan memelihara sejumlah besar data untuk wawasan di masa mendatang merupakan hal yang sangat penting. Untuk ini, kami membutuhkan kapasitas besar untuk penyimpanan dan bandwidth tinggi untuk mentransfer data.

Di banyak sektor, kami menangani sejumlah besar kumpulan data gambar termasuk sektor Kesehatan dan Multimedia. Di sini, Kompresi Gambar memainkan peran penting dalam mengurangi ukuran data gambar yang mencari lebih sedikit ruang penyimpanan dan menyediakan latensi rendah.

Daftar isi

Kompresi Gambar: Lossy dan Lossless Pengantar ROI dalam Pendekatan Hibrid Gambar menuju Kesimpulan Kompresi Gambar

Kompresi Gambar: Lossy dan Lossless

Gambar oleh Penulis

Kompresi Gambar, jenis kompresi data, adalah teknik pengurangan ukuran gambar untuk mengurangi biaya penyimpanan dan transmisi. Kompresi Gambar pada dasarnya terdiri dari dua jenis:

Lossy Compression: Teknik ini digunakan di area di mana tidak setiap bit data penting. Kompresi lossy menyebabkan hilangnya beberapa informasi. Ketika gambar didekodekan, itu mewakili gambar yang tidak dikompresi tetapi dengan hilangnya beberapa informasi. Contoh Kompresi Lossy adalah JPEG dan WebP. Lossless Compression: Teknik ini digunakan di area di mana data sangat penting, dan kehilangan informasi tidak dapat diterima. Ketika gambar didekodekan, itu sepenuhnya cocok dengan gambar asli tanpa kehilangan data. Contoh Kompresi Lossless adalah Gif dan PNG.

Pengantar ROI dalam Gambar

Sebuah gambar terdiri dari tiga bagian yaitu:

Wilayah minat (ROI) Non-Wilayah minat (Non-ROI) Latar belakang
Gambar dari Kaggle Dataset: https://www.kaggle.com/mateuszbuda/lgg-mri-segmentation dan diedit oleh Penulis

Untuk mengilustrasikan ROI, saya telah mengambil gambar MRI otak dari Kumpulan Data Kaggle seperti yang ditunjukkan di atas. Bagian berwarna merah ditampilkan sebagai Region of interest (ROI) yang merupakan bagian yang terkena tumor. Hanya porsi ini yang diperlukan untuk evaluasi lebih lanjut oleh dokter. Selain itu, bagian Non-ROI yang ditampilkan tidak terlalu penting untuk dicermati, dan bagian hitam yang menjadi latar belakang dapat diabaikan sepenuhnya.

Jadi, teknik dapat diturunkan yang memperhitungkan bagian-bagian yang tidak penting dari gambar, yaitu Non-ROI dan latar belakang, untuk memaksimalkan rasio kompresi.

Pendekatan Hibrid menuju Kompresi Gambar

Arah: Untuk mencapai rasio kompresi yang tinggi, pendekatan hybrid diusulkan untuk menggabungkan kompresi lossy dan lossless berdasarkan Region of Interest. ROI adalah bagian terpenting dari gambar yang mencakup area gambar yang sangat kecil. Non ROI juga disertakan yang memungkinkan pengguna untuk membagi bagian paling penting dari keseluruhan gambar. Bagian selain ROI dan Non-ROI adalah latar belakang dan bagian gambar yang paling tidak digunakan. Karena ROI paling penting, ROI harus dikompresi menggunakan kompresi Lossless dan Non-ROI dapat dikompresi melalui kompresi Lossy sedangkan latar belakang dapat diabaikan.

Gambar oleh Penulis

Ada banyak teknik kompresi Lossless dan Lossy. Citra masukan akan disegmentasi menjadi citra ROI dan Non-ROI dan akhirnya teknik Lossless Compression dan Lossy Compression yang berbeda akan diterapkan.

Di sini, Context tree weighting lossless (CTW) untuk bagian ROI dan kompresi lossy Fractal untuk bagian Non-ROI ditampilkan. Kita dapat menggunakan teknik kompresi lossy dan lossless lain selain CTW dan kompresi Fraktal.

Kompresi Lossy – Kompresi Fraktal

Kompresi fraktal adalah metode kompresi lossy untuk gambar digital, terutama berdasarkan fraktal. Metode ini paling baik diterapkan untuk tekstur dan gambar alami, dengan mengandalkan fakta bahwa bagian gambar sering kali menyerupai bagian berbeda dari gambar yang sama. Algoritme fraktal mengubah bagian ini menjadi data matematika yang disebut “kode fraktal” yang digunakan untuk membuat ulang gambar yang dikodekan.

Lossless Compression – Context Tree Weighting (CTW)

Context Tree Weighting adalah kompresi lossless dan algoritma prediksi. Ini memberikan jaminan teoritis dan praktis untuk kinerja. Teknik CTW adalah “teknik kelompok,” yang menggabungkan ekspektasi dari banyak model Markov permintaan variabel tersembunyi, di mana setiap model tersebut dibangun menggunakan penaksir probabilitas permintaan nol.

Gambar oleh Penulis

– Proses awal (Rotasi, Penskalaan, Terjemahan, dll.) Dilakukan pada gambar masukan.

– Segmentasi dilakukan berdasarkan Region Of Interest.

1. Bagian ROI: Kompresi Pohon Konteks diterapkan.

2. Bagian Non-ROI: Kompresi Fraktal diterapkan.

– Penyimpanan atau Transmisi terjadi setelah menggabungkan kedua bagian gambar.

– Dekompresi dilakukan.

Pendekatan hybrid yang menggabungkan teknik kompresi lossy dan lossless ini mengungguli banyak teknik lainnya (Huffman dan Arithmetic coding, IWT dan Scalable RBC, dll.) Ketika parameter performanya dibandingkan.

Beberapa parameter kinerja adalah:

Mean Squared Error (MSE): Ini adalah kriteria pengukuran yang banyak digunakan untuk mengevaluasi kualitas gambar dalam hal nilai kesalahan antara gambar yang dikompresi dan tidak dikompresi. Algoritma yang memiliki nilai MSE terkecil merupakan algoritma yang paling efisien. Compression Ratio (CR): Ini adalah rasio antara jumlah piksel gambar yang tidak dikompresi (masukan) dengan gambar yang dikompresi (keluaran). Jika rasio kompresinya lebih besar, maka akan bermanfaat untuk penyimpanan dan transmisi. Peak Signal to Noise Ratio (PSNR): Ini adalah ukuran antara kesalahan puncak antara gambar asli yang dikompresi dan tidak dikompresi. Ini pada dasarnya mewakili kualitas gambar. Nilai PSNR harus tinggi untuk kualitas yang lebih baik.

Metode hybrid yang disebutkan di atas untuk kompresi lossy dan lossless memberikan CR yang lebih tinggi, PSNR yang lebih tinggi, dan MSE yang lebih rendah daripada banyak teknik mutakhir.

Kesimpulan:

Kompresi Gambar penting dari sudut pandang penelitian serta implementasi. Pendekatan hybrid ini lebih baik daripada teknik lossy atau lossless karena sangat meningkatkan laju kompresi dan tidak memengaruhi evaluasi lebih lanjut atau wawasan di masa mendatang. Kami selanjutnya dapat menerapkan kombinasi metode kompresi lossy dan lossless yang berbeda untuk lebih meningkatkan rasio kompresi tanpa memengaruhi kualitas gambar.

Referensi :

Kompresi Gambar Medis Berbasis ROI untuk Telemedicine
Aplikasi https://en.wikipedia.org/wiki/Fractal_compression https://en.wikipedia.org/wiki/Context_tree_weighting

Terima kasih telah membaca! Semoga harimu menyenangkan!! ?

Hybrid Lossy dan Lossless Image Compression berbasis ROI awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI