Elsevier

Signal Processing

Volume 62, Issue 3, November 1997, Pages 291-301
Signal Processing

Paper
Stochastic vector quantization of images

https://doi.org/10.1016/S0165-1684(97)00130-8Get rights and content

Abstract

One of the most important steps in the vector quantization of images is the design of the codebook. The codebook is generally designed using the LBG algorithm, that is in essence a clustering algorithm which uses a large training set of empirical data that is statistically representative of the image to be quantized. The LBG algorithm, although quite effective for practical applications, is computationally very expensive and the resulting codebook has to be recalculated each time the type of image to be encoded changes. One alternative to the generation of the codebook, called stochastic vector quantization, is presented in this paper. Stochastic vector quantization (SVQ) is based on the generation of the codebook according to some previous model defined for the image to be encoded. The well-known AR model has been used to model the image in the current implementations of the technique, and has shown good performance in the overall scheme. To show the merit of the technique in different contexts, stochastic vector quantization is discussed and applied to both pixel-based and segmentation-based image coding schemes.

Zusammenfassung

Einer der wichtigsten Schritte bei der Vektorquantisierung von Bildern ist der Entwurf des Codebuchs. Im allgemeinen wird das Codebuch mit Hilfe des LBG-Algorithmus entworfen. Dies ist im wesentlichen ein Clustering-Algorithmus, der einen umfangreichen Trainingssatz von empirischen Daten verwendet, welcher statistisch repräsentativ für das zu quantisierende Bild ist. Trotz seiner guten Effektivität in praktischen Anwendungen ist der LBG-Algorithmus sehr rechenaufwendig; weiters muβ das Codebuch bei jeder Änderung des Typs der zu codierenden Bilder neu berechnet werden. In diesem Beitrag wird eine als stochastische Vektorquantisierung (SVQ) bezeichnete Alternative zum LBG-Algorithmus vorgestellt. Die SVQ basiert auf der Erzeugung des Codebuchs gemäβ einem vordefinierten Modell für das zu codierende Bild. In den vorliegenden Implementierungen der Methode wurde das wohlbekannte AR-Modell zur Modellierung des Bildes verwendet. Dieses Modell führte im Rahmen der gesamten Methode zu guten Ergebnissen. Um den Nutzen dieses Verfahrens in verschiedenen Kontexten zu zeigen, wird die SVQ diskutiert und sowohl auf pixel-basierte als auch auf segment-basierte Bildcodierungsmethoden angewandt.

Résumé

Une des étapes les plus importantes en quantification vectorielle d'images est la conception du dictionnaire. Ce dictionnaire est généralement conçu à l'aide de l'algorithme LBG, qui est par essence un algorithme de coalescence utilisant une ensemble d'apprentissage étendu statistiquement représentatif de l'image à quantifier. L'algorithme LBG, bien que très efficace pour des applications pratiques, est très coûteux en calculs et le dictionnaire résultant doit être recalculé chaque fois que le type de l'image à encoder change. Une autre solution pour la génération du dictionnaire, appelée quantification vectorielle stochastique, est présentée dans cet article. La quantification vectorielle stochastique (SVQ) est basée sur la génération du dictionnaire selon un certain modèle défini pour l'image à encoder. Le modèle AR bien connu a été utilisé pour modéliser l'image dans les implantations actuelles de la technique, et a fait preuve de bonnes performances dans le contexte global. Afin de mettre en évidence les mérites de cette technique dans différents contextes, la quantification vectorielle stochastique est discutée et appliquée à des algorithmes de codage d'images basés soit sur les pixels soit sur une segmentation.

References (22)

  • J. Salillas et al.

    Adaptive multi-stage vector quantization for image compression

    EUSIPCO 92, Brussels

    (August 1992)
  • B. Atal

    High-quality speech at low bit rates: Multipulse and stochastically excited linear predictive coders, Internat

  • J.A. Cadzow et al.

    Two dimensional spectral estimation

    IEEE Trans. ASSP

    (June 1981)
  • H. Derin et al.

    Discrete-index Markov-type random processes

  • A. Gersho et al.
  • A. Gersho et al.

    Image coding using vector quantization

  • D. Gimeno et al.

    A new approach to texture coding using stochastic vector quantization

  • R.M. Gray

    Vector quantization

    IEEE ASSP Magazine

    (April 1984)
  • S. Gupta et al.

    Image vector quantization with block adaptive scalar prediction

    SPIE Visual Communications and Image Processing

    (1991)
  • ISO/IEC JTC1/SC29/WG11. Document M1900, Bristol, UK, April...
  • A. Jain

    Advances in mathematical models for image processing

  • Cited by (0)

    View full text