Please use this identifier to cite or link to this item: https://hdl.handle.net/10316/92105
Title: Deep Learning based Image Compression using Image Objective Quality Measures
Other Titles: Compressão de Imagem baseada em Deep Learning utilizando Medidas Objectivas de Qualidade de Imagem
Authors: Marinheiro, João Miguel Roque
Orientador: Cruz, Luís Alberto da Silva
Keywords: Compressão de Imagem; Medida Objectiva de Qualidade de Imagem; Redes Neuronais Convolucionais; Codificador Automático Variacional; Taxa de Bits; Image Compression; Image Objective Quality Measure; Convolutional Neural Network; Variational Autoencoder; Bitrate
Issue Date: 20-Nov-2020
Serial title, monograph or event: Deep Learning based Image Compression using Image Objective Quality Measures
Place of publication or event: DEEC
Abstract: Compressão de Imagem é a área que estuda técnicas para reduzir a quantidade de informação nas imagens a fim de armazená-las de uma forma mais eficiente. Apesar da compressão com perdas introduzir distorção e artefatos, atualmente é a melhor solução para obter ficheiros de imagem com tamanhos inferiores, ao mesmo tempo mantendo uma boa qualidade perceptiva.Esta dissertação propõe a reimplementação de um método de Compressão de Imagem baseado em Deep Learning, particularmente utilizando Redes Neurais Convolucionais e Autoencoders Variacionais para gerar representações codificadas de imagens.O objetivo deste trabalho é utilizar medidas de Qualidade Objetiva de Imagem que se correlacionam bem com o Sistema Visual Humano em conjunto com um Codificador Automático Variacional Convolucional. Esse codificador deve ser treinado para gerar imagens mais eficientemente comprimidas e com melhor qualidade estrutural. As métricas que foram aplicadas à rede foram selecionadas com base nos resultados de um estudo de correlação de qualidade subjetiva-objetiva realizado pelo grupo JPEG, onde a correlação de várias métricas entre sua pontuação e uma pontuação subjetiva foi explorada.Após o treino, um dataset adicional foi comprimido usando o método baseado em Machine LEarningdesevolvido e alguns métodos de compressão tradicionais. As imagens resultantes do método de compressão baseado em Machine Learning e os métodos de compressão tradicionais foram então avaliadas com várias métricas de Qualidade Objetiva de Imagem para comparar sua qualidade objetiva e subjetiva em contraste com os níveis de compressão alcançados.
Image Compression is the field that studies techniques for reducing the amount of information in images in order to more efficiently store them. Despite lossy compression introducing distortion and artifacts, it's currently the best solution for attaining smaller image file sizes while maintaining good perceptual quality. This dissertation proposes the re-implementation of a method for Deep Learning based Image Compression, particularly making use of Convolutional Neural Networks and Variational Autoencoders to generate encoded representations of images. The purpose of this work is to use Image Objective Quality measures that correlate well with the Human Visual System in conjunction with a a Convolutional Variational Autoencoder network. This network is to be trained to generate more efficiently compressed images with better structural quality. The metrics that were applied to the network were selected based on the results of a JPEG Subjective-Objective Quality Correlation Study, were several metrics' correlation between their score and a subjective score was explored.After training, an additional dataset was compressed using the developed Machine Learning based method and some traditional compression methods. The resulting images from the Machine Learning based compression method and the traditional compression methods were then evaluated with several Image Objective Quality metrics in order to compare their objective and subjective quality in contrast to the compression levels achieved.
Description: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: https://hdl.handle.net/10316/92105
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Thesis_Joao_Marinheiro_uc2014203411.pdf67.4 MBAdobe PDFView/Open
Show full item record

Page view(s)

100
checked on Mar 26, 2024

Download(s)

54
checked on Mar 26, 2024

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons