KaydedilenlerDerginizi ekleyin

Dergiler / Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 7 Sayı: 1

Görüntü Sıkıştırmada Kod Vektör Listesi Üretimi İçin Yeni Bir Bölme Tabanlı LBG Algoritması

A New Spliting LBG Algorithm for Codebook Generation in Image Compression

İlker Kılıç
Yücel Koçyiğit
Mustafa Nil
Sayfa
115–123
Yayın Tarihi
2017-03-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Linde-Buzo-Gray (LBG) algoritması, görüntü sıkıştırmada Vektör Nicemleme (VN) tekniği için kullanılan,

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Linde-Buzo-Gray (LBG) algoritması, görüntü sıkıştırmada Vektör Nicemleme (VN) tekniği için kullanılan,
📊
Temel Bulgular & Veri:Linde-Buzo-Gray (LBG) algoritması, görüntü sıkıştırmada Vektör Nicemleme (VN) tekniği için kullanılan,
💡
Sonuç & Katkı:Linde-Buzo-Gray (LBG) algoritması, görüntü sıkıştırmada Vektör Nicemleme (VN) tekniği için kullanılan,
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bulanık C–ortalamalar · K-ortalamalar · LBG

Özet

Linde-Buzo-Gray (LBG) algoritması, görüntü sıkıştırmada Vektör Nicemleme (VN) tekniği için kullanılan,

Abstract

Linde-Buzo-Gray (LBG) algorithm is used in image processing for Vector Quantization (VQ). LBG technique is robust, performs locally best but depends on the initial codebook. In the splitting based VQ, the first center is defined as average of all vectors. The rest of 2n centres are calculated by splitting and updated procedure. In the proposed new technique (NLBG) the LBG is improved and insted of splitting all centres into two new areas, the worst area that has highest mean square error splitted and updated into to new areas. Therefore, the number of codevectors is increased one by one apart from the classical LBG. Consequently, the performance of the codebook is increased globally. In this paper, the new technique is applied to the standard images, compared to the FCM(Fuzzy C-Means), K-Means (K – Ortalamalar) and LBG. As a result, it is seen that the proposed new technique performs better according to the criteria of MSE.

🔖

Bu Makaleye Atıf Yap

Kılıç, İ., Koçyiğit, Y., Nil, M. (2017). Görüntü Sıkıştırmada Kod Vektör Listesi Üretimi İçin Yeni Bir Bölme Tabanlı LBG Algoritması. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 7 Sayı: 1, 115–123. https://ajindex.com/articles/1273057

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (18)

  1. Gray RM, 1984. Vector Quantization. IEEE ASSP Magazine, 1(2): 4-29.
  2. Linde Y, Buzo A, Gray RM, 1980. An Algorithm for Vector Quantizer Design. IEEE Transactions on Communications, 28: 84-95.
  3. Lin YC, Tai SC, 1998. A Fast Linde-Buzo-Gray Algorithm in Image Vector Quantization. IEEE Transactions on Circiuts and Systems-II: Analog and Digital Signal Processing, 45: 432-435.
  4. Patane G, Russo M, 2001. The enhanced LBG algorithm. Neural Networks, 14: 1219 – 1237.
  5. Tsai CW, Lee CY, Chiang MC, Yang CS, 2009. A fast VQ codebook generation algorithm via pattern reduction. Pattern Recognition Letters, 30: 653–660.
  6. Pan ZB, Yu GH, Li Y, 2011. Improved fast LBG training algorithm in Hadamard domain. Electronics Letters, 47(8): 488-489.
  7. Ku NY, Chang SC, Hwang SH, 2014. Binary search vector quantization. AASRI Procedia, 8: 112 – 117.
  8. Khan MAU, Mousa WA, Khan TM, 2015. Entropy-constrained reflected residual vector quantization: A realization of large block vector quantization. Optik, 126: 888–897.
  9. Dunn JC, 1973. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters. Journal of Cybernetics, 3: 32-57.
  10. Bezdek JC, Ehrlich R, Full W, 1984. FCM: The Fuzzy C-Means clustering algorithm. Computers & Geosciences, 10(2-3): 191-203.
  11. Ya-zhong L, Gan H, Jin-ku GU, 2011. Improved FCM algorithm using difference of neighborhood information. Journal of Computer Applications, 31(2): 375-378.
  12. Kang J, Min L, Luan Q, Li X, Liu J, 2009. Novel modified fuzzy c-means algorithm with applications. Digital Signal Processing, 19(2): 309-319.
  13. Lloyd Stuart P, 1982. Least squares quantization in PCM. IEEE Transactions on Information Theory, 28 (2): 129–137.
  14. Bagirov AM, Ugon J, Webb D, 2011. Fast modified global k-means algorithm for incremental cluster construction. Pattern Recognition 44(4): 866-876.
  15. Bai L, Liang J, Sui C, Dang C, 2013. Fast global k-means clustering based on local geometrical information. Information Sciences, 245: 168–180.
  16. Tzortzis G, Likas A, 2014. The MinMax k-Means clustering algorithm. Pattern Recognition, 47: 2505–2516.
  17. Khah SS, Chouakria AD, Gaussier E, 2016. Generalize d k -means-base d clustering for temporal data under weighted and kernel time warp. Pattern Recognition Letters, 75: 63–69.
  18. Lin YC, Tai SC, 1998. A Fast Linde-Buzo-Gray Algorithm in Image Vector Quantization. IEEE Transactions on Circiuts and Systems-II: Analog and Digital Signal Processing, 45: 432-435.