Vector Quantization of Images using Kohonen algorithm
Résumé
We propose a neural network architecture inspired from Kohonen's topologic maps model for block compression of digital images. We show that the equilibrium state of the algorithm is defined by the same conditions than for Vector Quantization, a popular method in the image compression field. However it seems that the probability to be trapped in a local minimum is lower using Kohonen's algorithm.
In addition, an efficient parallel implementation on a transputer network is proposed. It allows to save a great amount of time, during both the learning phase and the compression phase. Finally, images corresponding to our first experimental results (at a compression rate of 0.4 bit/pixel) are shown. These results and the fact that the Kohonen network has nice topology preserving properties are encouraging for further research in this area.
Nous décrivons une méthode neuronale inspirée de l'algorithme de Kohonen pour la compression par blocs d'images statiques. Nous montrons que l’état d'équilibre atteint est contraint par les mêmes équations que pour la Quantification Vectorielle, une méthode bien connue dans le domaine de la compression d'images. Toutefois, il semble que la probabilité de piégeage dans un minimum local soit plus faible en utilisant l’algorithme de Kohonen.
Nous proposons également une implémentation de la méthode sur réseau de transputers. Ceci permet um gain important en temps de calcul, durant la phase d'apprentissage et également durant la phase de compression. Finalement, les images correspondant à nos premiers résultats expérimentaux (à un taux de compression de 0,4 bit/pixel) sont analysées. Ces résultats, et les intéressantes propriétés topologiques du réseau de Kohonen, sont des éléments encourageants pour une recherche future dans ce domaine.