ارائه يك روش جديد فشرده سازي تصاوير چهره با استفاده از نمايش تنك سيگنال و الگوريتم يادگيري ديكشنري RLS-DLA

A novel face images compression scheme using sparse signal representation and RLS_DLA dictionary learning algorithm

رشد فناوري و افزايش تصاعدي اطلاعات نياز به حجم ذخيره سازي بيشتر داده هاي اطلاعاتي گوناگون را افزايش داده است. در اين راستا فشرده سازي تصوير به‌عنوان ابزاري كارآمد جهت كاهش افزونگي و صرفه جويي در حجم ذخيره سازي و كاهش پهناي باند انتقالي داده هاي تصويري به كار مي آيد. هنگامي كه فشرده سازي يك دسته يا خانواده از تصاوير، مانند پايگاه داده تصاوير چهره يك سازمان يا مؤسسه يا پايگاه داده MRI يك بيمارستان بزرگ يا پايگاه داده اثر انگشت مدنظر باشد افزونگي اطلاعات افزايش يافته و فشرده سازي اهميت و الزام بيشتري پيدا مي كند. در اين ميان تصاوير چهره با توجه به كاربرد وسيعي كه به‌عنوان رايج ترين تصاوير پايگاه داده سازمان‌هاي و نهادهاي مختلف مانند اداره هاي پليس، نهادهاي نظامي، دانشگاه ها و شركت هاي بزرگ دارند مورد توجه بيشتري قرار دارند. به همين خاطر ارائه الگوريتمي كه بتواند اين دسته از تصاوير را با كيفيت بيشتر و نرخ بالاتري فشرده كند اهميت بسياري دارد. در اين مقاله با استفاده از حوزة جديدي از پردازش سيگنال به نام نمايش تُنك و روش يادگيري ديكشنري RLS-DLA الگوريتم جديدي براي فشرده سازي تصوير ارائه شده است كه ميتواند براي فشرده سازي پايگاه داده تصاوير به كار رود. در اين الگوريتم تصاوير با به‌كارگيري چند ديكشنري به نحو وفقي بر اساس كيفيت بازسازي مورد نياز آن‌ها فشرده مي شوند. نتايج به‌دست‌آمده از الگوريتم پيشنهادي نشان‌دهنده عملكرد مؤثر و برتري معني دار آن نسبت به روش‌هاي پيشرفته و مطرحي همچون JPEG2000 است به‌طوري‌كه به افزايش كيفيتي در حدود 0.5 dB تا 1.2 dB در نرخ بيت يكسان دست مي يابد.

Due to the rapid growth of information technology and exponential increasing of information the need for more and more storage capacity and efficiency has increased. Image compression is an important tool to reduce the redundancy of images data in order to be able to store or transmit them in an efficient manner. When images are limited to a specific and limited family of images like MRI databases of a hospital or facial image database of a university or an organization or fingerprint image databases, this limitation increases the total spatial redundancy. Thus, efficient storage of such images is beneficial, and their compression becomes an appealing application, and this urges algorithms specially tailored for the task of content base image compression to surpass general purpose compression algorithms. The facial images, due to their wide application as the most common images in the organizations and companies are more considerable for image compression. In this paper a new image compression scheme using sparse coding and RLS-DLA redundant dictionary learning is proposed that can be used for compressing of face image databases. In the proposed method, several dictionaries are exploited adaptively based on the required image quality to enhance the overall rate-distortion. The simulation results show that this scheme outperforms the state-of-art algorithms like JPEG2000 by about 0.5 to 1.2 dB for reconstructed images PSNR.