SavedAdd your journal

Journals / Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 9 - Sayı: 16

LEVY UÇUŞLU MEYVE SİNEĞİ ALGORİTMASI İLE GÖRÜNTÜ SIKIŞTIRMA

İlker KILIÇ
Pages
37–48
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu yeni geliştirilen LMSO(Levy uçuşlu meyve sineği optimizasyonu) tekniği standart görüntüler üzerinde test edilmiş ve aynı sıkıştırma oranlarında MSE, PSNR ölçütleri kullanıldığında diğer sezgisel algoritmalardan üstün olduğu gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Sayısal görüntülerin sıkıştırılıp arşivlenmesi günümüz teknolojisinde çok önemli bir ihtiyaç haline gelmiştir.
📊
Key Findings & Data:Çoğu zaman küçük nadiren de büyük yarıçap değeri veren Levy Fonksiyonu yardımı ile meyve sineği lokal minimum noktaya hiç takılmayıp global minimum noktayı garantilemektedir.
💡
Conclusion & Impact:Bu yeni geliştirilen LMSO(Levy uçuşlu meyve sineği optimizasyonu) tekniği standart görüntüler üzerinde test edilmiş ve aynı sıkıştırma oranlarında MSE, PSNR ölçütleri kullanıldığında diğer sezgisel algoritmalardan üstün olduğu gösterilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Levy Uçuşu · Görüntü Sıkıştırma · Meyve Sineği Optimizasyonu

Özet

Sayısal görüntülerin sıkıştırılıp arşivlenmesi günümüz teknolojisinde çok önemli bir ihtiyaç haline gelmiştir. Son yıllarda doğadan esinlenerek geliştirilen PSO(Parçacık sürü optimizasyonu), MSO(Meyve sineği optimizasyonu), ABO(Ateşböceği optimizasyonu), GA(Genetik Algoritma) gibi sezgisel metodlar da vektör tabanlı görüntü sıkıştırma için kullanılmaya başlamıştır. Bu çalışmada MSO, meyve sineklerinin sorunsuz bir şekilde global optimum noktaya ulaşabilmesi için Levy Uçuşu tekniği ile birleştirilmiştir. MSO algoritmasının en büyük sorunlarından biri de lokal minimum noktaya takılıp global minimuma ulaşamamasıdır. Çoğu zaman küçük nadiren de büyük yarıçap değeri veren Levy Fonksiyonu yardımı ile meyve sineği lokal minimum noktaya hiç takılmayıp global minimum noktayı garantilemektedir. Bu yeni geliştirilen LMSO(Levy uçuşlu meyve sineği optimizasyonu) tekniği standart görüntüler üzerinde test edilmiş ve aynı sıkıştırma oranlarında MSE, PSNR ölçütleri kullanıldığında diğer sezgisel algoritmalardan üstün olduğu gösterilmiştir.

🔖

Cite This Article

KILIÇ, İ. (2022). LEVY UÇUŞLU MEYVE SİNEĞİ ALGORİTMASI İLE GÖRÜNTÜ SIKIŞTIRMA. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 9 - Sayı: 16, 37–48. https://ajindex.com/articles/428549

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (1)

  1. Referans1 Gray, R. M. Vector quantization. IEEE ASSP Magazine. 1984;1: 4-29. Referans2 Linde, Y., Buzo, A., & Gray, R. M. An algorithm for vector quantizer design. IEEE Transaction on Communications. 1980; 28(1): 84–95. Referans3 Lin, Y.C & Tai, S.C. A Fast Linde–Buzo–Gray Algorithmin Image Vector Quantization. IEEE Transactions on Circuits and Systems-II: Analog and Digital Signal Processing. 1998; 45(3): 432-435. Referans4 Patane, G. & Russo, M. The anhanced LBG algorithm. Neural Networks. 2001; 14; 1219-1237. Referans5 Xu, W.,Nandi, A.K., et.al. Novel vector quantiser design using reinforced learning. Signal Processing. 2005; 85; 1315–1333. Referans6 Tsai, C.W., Lee, C.Y., et.al. A fast VQ codebook generation algorithm via pattern reduction. Pattern Recognition Letters. 2009; 30: 653–660. Referans7 Karayiannis, N. B., & Pai, P. I. Fuzzy vector quantization algorithms and their application in image compression. IEEE Transactions in Image Processing. 1995;. 4(9): 1193–1201. Referans8 Karayiannis, N. B., & Bezdek, J. C. An integrated approach to fuzzy learning vector quantization and fuzzy c-means clustering. IEEE Transactions on Fuzzy Systems. 1997; 5(4): 622–628. Referans9 Tsekouras, G.E. A fuzzy vector quantization approach to image compression. Applied Mathematics and Computation. 2005;167: 539–560. Referans10 Kuo, R.C., Wang, H. S. et.al. Application of ant K-Means on clustering analysis. Computers and Mathematics with Applications. 2005; 50; 1709-1724. Referans11 Goldberg DE. Genetic algorithms in search, optimization and machine learning. Addison-Wesley; 1989. Referans12 Sun H., Lam, K.Y., et.al. Efficient vector quantization using genetic algorithm. 2005; 14: 203-211. Referans13 L. Zhang, B. Zheng and Z. Yang. Codebook design using genetic algorithm and its application to speaker identification. Electronics Letters. 2005; 41(10): 619-620. Referans14 Yang S. B., Constrained-storage multistage vector quantization based on genetic algorithms. Pattern Recognition. 2008; 41: 689 – 700. Referans15 Huang, H.C., Pan, J.S., et.al. Vector quantization based on genetic simulated annealing. Signal Processing. 2001; 81: 1513-1523. Referans16 Feng H.M., Chen C.Y., Ye, F. Evolutionary fuzzy particle swarm optimization vector quantization learning scheme in image compression. Expert Systems with Applications. 2007; 32: 213–222. Referans17 Horng, M. H., Jiang, T.W. Image vector quantization algorithm via honey bee mating optimization. Expert Systems with Applicati