Görüntü Sıkıştırma Algoritmalarının Performans Analizi İçin Değerlendirme Rehberi

Teknolojinin ilerlemesiyle birlikte artan görüntülerin etkili bir şekilde depolanması ve bir iletişim ağı üzerinden daha hızlı bir şekilde iletilmesi ciddi bir problem haline gelmiştir. Bu problemi çözmek için geçmişten günümüze görüntü sıkıştırma algoritmaları geliştirilmektedir. Bu algoritmaların performansını doğru bir şekilde değerlendirmek oldukça önemli bir konudur. Bu makalede, sıkıştırılmış görüntülerin kalitesini değerlendirmek için yaygın biçimde kullanılan Ortalama Kare Hatası (Mean Square Error-MSE), Kök Ortalama Kare Hatası (Root Mean Square Error-RMSE), Tepe Sinyal Gürültü Oranı (Peak Signal-to-Noise Ratio-PSNR), Yapı Benzerlik İndeksi Yöntemi (Structure Similarity Index Method-SSIM), Yapısal Farklılık (Structural Difference-DSSIM), Özellikler Benzerlik İndeksi Matrisi (Features Similarity Index Matrix-FSIM) yöntemleri açıklanmıştır. Çalışmanın özgün yönlerinden biri bu metriklerin kullanımını detaylandırmak için çeşitli test görüntüleri üzerinde adım adım uygulanması açıklanmış bir rehber niteliğinde olmasıdır. Görüntülerin ne kadar sıkıştırıldığını hesaplamak için ise Sıkıştırma oranı(Compression ratio-CR) ve Piksel başına düşen bit sayısı(-Bits per Pixel-Bpp) yöntemleri kullanılarak sonuçlar tartışılmış ve ileride bu konuda çalışmayı planlayan araştırmacılar için önerilerde bulunulmuştur.

Anahtar Kelimeler:

Görüntü sıkıştırma, Görüntü kalitesi, Sıkıştırma miktarı.

Evaluation Guide for Performance Analysis of Image Compression Algorithms

With the advancement of technology, effective storage of increasing images and faster transmission over a communication network has become a serious problem. To solve this problem, image compression algorithms have been developed from past to present. It is very important to evaluate the performance of these algorithms correctly. In this article, Mean Square Error (MSE), Root Mean Square Error (RMSE), Peak Signal-Noise Ratio (PSNR), Structure Similarity Index Method (SSIM), Structural Difference (DSSIM), Features Similarity Index Matrix (FSIM), which are widely used to evaluate the quality of compressed images methods are described. One of the unique aspects of the study is that it is a step-by-step guide to detail the use of these metrics on various test images. In order to calculate how much the images are compressed, the results are discussed by using the Compression ratio (CR) and the number of bits per pixel (Bpp) methods, and suggestions are made for researchers who plan to work on this subject in the future.

Keywords:

Image compression, Image quality, Compression amount.,

PDF

___

Kumar, Y. S., Kumar, R., & Kumar, S. (2020, December). 2D-Discrete cosine transform based dynamically controllable image compression technique. In 2020 IEEE 22nd Electronics Packaging Technology Conference (EPTC) (pp. 203-206). IEEE.
Bulut, F. (2016). Huffman Algoritmasıyla Kayıpsız Hızlı Metin Sıkıştırma. El-Cezeri Journal of Science and Engineering, 3(2).
Yuan, Z., Liu, D., Zhang, X., & Su, Q. (2020). New image blind watermarking method based on two-dimensional discrete cosine transform. Optik, 204, 164152.
Skodras, A., Christopoulos, C., & Ebrahimi, T. (2001). The jpeg 2000 still image compression standard. IEEE Signal processing magazine, 18(5), 36-58.
Pizzolante, R., Carpentieri, B., & De Agostino, S. (2017). Adaptive vector quantization for lossy compression of image sequences. Algorithms, 10(2), 51.
Ali, A. H., George, L. E., & Mokhtar, M. R. (2020). An adaptive high capacity model for secure audio communication based on fractal coding and uniform coefficient modulation. Circuits, Systems, and Signal Processing, 39(10), 5198-5225.
Bulut, F. (2021). Low dynamic range histogram equalization (LDR-HE) via quantized Haar wavelet transform. The Visual Computer, 1-17.
Wang, Z. and Sheikh, H.R. (2004) Image Quality Assessment: From Error Visibility to Structural Similarity. IEEE Transactions on Image Processing, 13, No. 4. https://doi.org/10.1109/TIP.2003.819861
Sara, U., Akter, M., & Uddin, M. S. (2019). Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. Journal of Computer and Communications, 7(3), 8-18.
Wang, Z., Simoncelli, E. P., & Bovik, A. C. (2003, November). Multiscale structural similarity for image quality assessment. In The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003 (Vol. 2, pp. 1398-1402). Ieee.
Dosselmann, R., & Yang, X. D. (2011). A comprehensive assessment of the structural similarity index. Signal, Image and Video Processing, 5(1), 81-91.
Li, C., & Bovik, A. C. (2009, January). Three-component weighted structural similarity index. In Image quality and system performance VI (Vol. 7242, p. 72420Q). International Society for Optics and Photonics.
Brooks, A. C., Zhao, X., & Pappas, T. N. (2008). Structural similarity quality metrics in a coding context: exploring the space of realistic distortions. IEEE Transactions on image processing, 17(8), 1261-1273.
Kumar, R., & Moyal, V. (2013). Visual image quality assessment technique using fsim. International Journal of Computer Applications Technology and Research, 2(3), 250-254.
Artuğer, F., & Özkaynak, F. (2018, September). Fractal image compression method for lossy data compression. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP) (pp. 1-6). IEEE.
Artuğer, F., & Özkaynak, F. (2018). JPEG Sıkıştırma Algoritmasının Dünü Bugünü ve Geleceği. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 161-167.