Kelompok CPR

Anggota :

10116381 Farhan Rizki Ridlotillah

10116xxx Ikhwanu Arriyadh T
10116xxx Khoerul Ageng O

Kelas : Sismul-09

Paper 1

JUDUL :
Image Compression based on Mapping Image Fractals to Rational Numbers

AUTHOR :
Mohammed Omari and Salah Yaichi ( 1LDDI Laboratory, Mathematics and Computer
Science Department, University of Adrar, National Road 6, Adrar 01000, Algeria )

REFERENSI :
Mohammed Omari, Salah Yaichi. (2018). Image Compression based on Mapping
Image Fractals to Rational Numbers. DOI 10.1109/ACCESS.2018.2865784, IEEE
Access.
.
KEYWORD :
Image Compression

RANGKUMAN ISI :

MASALAH :
Peningkatan kualitas dan rasio kompresi gambar telah dicapai melalui pendekatan
seperti jaringan saraf dan transformasi diskrit. Namun metode heuristik dan bio-
terinspirasi, seperti algoritma genetika, masih dalam tahap pengembangan.

Dalam makalah, kami memperkenalkan mekanisme kompresi gambar baru yang

memanfaatkan hubungan antara rasional angka dan representasi hasil bagi yang
sesuai. Setiap sub-gambar dipetakan ke angka fraksional berdasarkan representasi
RGB-nya, dan fraksi ini kemudian dikurangi menjadi hasil bagi yang efisien.

RESEARCH QUESTION :
Bagaimana cara mengkompresi gambar dengan memanfaatkan hubungan antara
rasional angka ?
RELATED WORK :
Terkait karya kompresi gambar yang memanfaatkan algoritma genetika.
1. Mersenne Number
2. Relational Number
3. Repeating Decimal
4. Genetic Algorithms and Image Compression
5.

METHODE :
Metode yang kami sarankan untuk kompresi gambar berdasarkan
bilangan rasional

CONCLUSION:
Dalam tulisan ini, kami telah mengusulkan kompresi fraktal baru metode berdasarkan
bilangan rasional. Setelah membagi gambar ke dalam sub-gambar, byte piksel disusun
di sebelah masing-masing lainnya, berdasarkan bit paling sedikit dan paling signifikan,
untuk terbentuk satu bilangan rasional tunggal. Ini kemudian ditransformasikan
menjadi a bentuk fraksional, memberikan ekspresi yang lebih pendek daripada yang
biasa bentuk. Teknik kami menentukan bilangan rasional yang lebih dekat yang asli
mewakili sub-gambar. Rasional baru angka diperoleh dari semua kemungkinan angka
rasional yang berasal dari memodifikasi bit paling tidak signifikan dalam subimage.
Selain itu, bilangan rasional yang baru dipilih memenuhi persyaratan memiliki bentuk
terpendek dalam hal pembilang dan penyebut. Pendekatan pertama kami menggunakan
a heuristik GA untuk secara efisien menemukan nomor rasional yang lebih baik dengan
formulir yang diperkecil lebih pendek. Dalam pendekatan kedua kami, kami
membangun sebuah tabel dari semua bilangan rasional yang mungkin diberikan a
rentang pembilang dan penyebut. Hasilnya sangat menjanjikan jika dibandingkan
dengan gambar state-of-the-art teknik kompresi seperti JPEG2000, TIFF, dan PNG,
terutama dalam hal kualitas dan rasio kompresi. Dalam pekerjaan mendatang, kami
akan menyelidiki kemungkinan mengklasifikasikan sub-gambar berdasarkan
karakteristiknya angka rasional yang sesuai dalam hal GCD, dan akan mencoba untuk
menggabungkan teknik lain yang berhubungan dengan visual persepsi, seperti teknik
pengambilan sampel yang meningkatkan rasio kompresi.
Paper 2

JUDUL :
Cross-Space Distortion Directed Color Image Compression.

AUTHOR :
Shuyuan Zhu, Mingyu Li, Chen Chen, Shuaicheng Liu, and Bing Zeng
( Member IEEE, Student Member IEEE and Fellow IEEE )

REFERENSI :
Shuyuan Zhu, Mingyu Li, Chen Chen, Shuaicheng Liu, and Bing Zeng.(2017).
Cross-Space Distortion Directed Color Image Compression.
DOI 10.1109/TMM.2017.2749162, IEEE Transactions on Multimedia.
.
KEYWORD :
Image compression, distortion, down-sampling,
interpolation, error compensation.

RANGKUMAN ISI:
MASALAH :
Kompresi gambar warna tradisional biasanya dilakukan di ruang YCbCr tetapi
banyak penampil warna hanya menerima Sinyal RGB sebagai input. Karena
penggunaan matriks yang tidak seragam dalam konversi YCbCr-RGB, distorsi rendah
pada Ruang YCbCr tidak dapat menjamin distorsi rendah untuk RGB sinyal.

RESEARCH QUESTION :
Bagaimana cara menyeragamkan distorsi matriks dalam ruang RGB dan YCbCr ?

MEMBAHAS TENTANG :
Kompresi skema untuk gambar berwarna melalui pendefinisian distorsi lintas-ruang
sehingga mengurangi sebanyak mungkin distorsi pada RGB ruang.

kami berusaha memberikan solusi untuk masalah ini. Untuk tujuan ini, pertama - tama
kita memperoleh hubungan antara distorsi dalam ruang RGB dan ruang YCbCr saat
degradasi (baik disebabkan oleh interpolasi atau oleh kompresi) terjadi. Kemudian,
kami mendefinisikan distorsi lintas-ruang untuk memandu kompresi ruang-YCbCr
untuk pengurangan distorsi yang terjadi di ruang RGB (bukan ruang YCbCr).
SOLUSI :
Dua solusi diusulkan sesuai untuk peningkatan efisiensi kompresi. Lebih
Khususnya solusi pertama dibangun di atas downsampling spasial baru untuk
mengoptimalkan down-sampling untuk generasi gambar 4: 2: 0 YCbCr.

Solusi kedua dirancang untuk mengurangi distorsi gambar warna yang dikompresi oleh
mengendalikan kesalahan kuantisasi gambar 4: 2: 0 YCbCr, terutama yang dihasilkan
dengan menggunakan tata ruang tradisional down-sampling.

PENERAPAN SOLUSI :
Penerapan kedua solusi ini dalam kompresi gambar, yang pertama menawarkan
kompleksitas yang lebih rendah dan yang kedua memberikan efisiensi pengkodean
yang lebih tinggi bahwa salah satunya dapat dipilih sesuai dalam praktek, dengan
demikian membuat mereka beradaptasi dengan baik untuk skenario yang berbeda.

PENELITIAN :
DISTORSI RUANG LINTAS ANTARA YCBCR DAN
SINYAL RGB
menangkap gambar warna RGB untuk mengubahnya menjadi ruang YCbCr:

di mana Λ biasanya merupakan matriks konversi non-kesatuan. Menurut

ke ITU Rec. BT. 709 [37], Λ didefinisikan sebagai berikut:

Mari kita gunakan ∆xY, ∆xCb, dan ∆xCr untuk mewakili distorsi yang terjadi pada
komponen Y, Cb, dan Cr dari setiap warna pixel dalam ruang YCbCr. Menurut
Persamaan. (1), distorsi pada komponen merah, hijau, dan biru dari setiap piksel dalam
Ruang RGB direpresentasikan sebagai berikut:

Ini menunjukkan bahwa SSE distorsi dari piksel RGB dan distorsi dari
Pixel YCbCr tidak identik. Dengan kata lain, bahkan jika adistorsi yang lebih rendah
dicapai dalam ruang YCbCr, itu masih tidak bias menjamin distorsi yang lebih rendah
di ruang RGB. Untuk mengatasi ini masalah, kami mengusulkan untuk mengontrol
pengambilan sampel spasial dan kompresi dalam ruang YCbCr sesuai dengan
hubungan distorsi antara dua ruang warna.
 CROSS-SPACE DISTORTION DIRECTED DOWN-SAMPLING

Metode down-sampling tradisional langsung down-sampel gambar sumber sepanjang

arah horisontal dan vertical oleh faktor 2, di mana tidak ada pra-penyaringan yang
dilakukan pada gambar sumber. Namun, menggunakan strategi downsampling yang
sederhana membatasi efisiensi interpolasi serta efisiensi kompresi secara keseluruhan.
Untuk mencapai a kompresi gambar berbasis-sampel yang lebih efisien, a
sejumlah metode down-sampling tingkat lanjut diusulkan dan digunakan dalam
pengkodean gambar grayscale.

CONSLUSION :
Dalam tulisan ini, kami pertama kali mengungkapkan hubungan distorsi
antara ruang RGB dan ruang YCbCr untuk terdegradasi
gambar berwarna. Kemudian, kami mengusulkan dua distorsi lintas ruang
metode terarah, mis., algoritma CSDDS dan CSDEC, untuk mengompres gambar
berwarna. Metode pertama diterapkan ke mendapatkan down-sampling yang lebih
efisien untuk generasi.

Gambar 4: 2: 0 YCbCr dan yang kedua digunakan untuk mengontrol

distorsi kuantisasi yang terjadi pada 4: 2: 0 YCbCr gambar, terutama yang diperoleh
dengan menggunakan pengambilan sampel spasial tradisional. Lebih penting lagi,
kedua metode dilakukan di ruang YCbCr tetapi mengarah ke yang lebih rendah distorsi
dalam ruang RGB. Ketika kami menerapkannya pada kompresi gambar warna,
pengkodean berbasis CSDDS menawarkan kompleksitas yang lebih rendah dan yang
berbasis CSDEC memberikan yang lebih tinggi

Gambar. 13. Perbandingan waktu komputasi antara metode kompresi yang berbeda.
efisiensi kompresi, sehingga membuat mereka beradaptasi dengan baik
skenario yang berbeda. Selain itu, peningkatan signifikan telah terjadi
telah dicapai dengan menggunakan salah satu hal.
Paper 3

JUDUL :
Real-Time Hyperspectral Image Compression Onto Embedded GPUs.

AUTHOR :
María Díaz , Raúl Guerra , Pablo Horstrand , Ernestina Martel , Sebastián López ,
Senior Member, IEEE, José F. López , and Roberto Sarmiento.

REFERENSI :
María Díaz , Raúl Guerra , Pablo Horstrand , Ernestina Martel , Sebastián López ,
Senior Member, IEEE, José F. López , and Roberto Sarmiento (2019). IEEE JOURNAL
OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE
SENSING, VOL. 12, NO. 8, AUGUST 2019
.
KEYWORD :
Image compression

RANGKUMAN ISI:
MASALAH :
Langkah pemrosesan penting di banyak jarak jauh merasakan aplikasi yang
membutuhkan data hiperspektral yang diperoleh untuk disimpan dan / atau ditransfer
secara efisien. Namun, kompleksitas algoritma kompresi serta volume data yang akan
dikompresi dan sumber daya komputasi yang terbatas perangkat perangkat keras yang
tersedia on-board mengubah waktu-nyata kompresi menjadi tugas yang sangat
menantang.

RESEARCH QUESTION :
Apasaja algoritma yang dipakai ?
Bagaimana cara agar konsumsi daya rendah untuk kompresi lossy real time pada
gambar hyperspectral ?

MEMBAHAS TENTANG :
Menyajikan solusi konsumsi daya rendah untuk kompresi lossy real-time
gambar hiperspektral. Algoritma kompresi lossy untuk kompresor hyperspectral image
system (HyperLCA) telah diterapkan pada dua kit pengembang NVIDIA Jetson.
NVIDIA ini papan termasuk unit pemrosesan grafis tertanam daya rendah, yang
memungkinkan pemrograman paralel untuk mempercepat kompresi proses dengan
konsumsi daya rendah yang masuk akal.

RANGKUMAN :
 HYPERLCA ALGORITHM

METODE :
Metodologi yang berbeda diikuti mengimplementasikan seluruh kompresor lossy
HyperLCA yang dijelaskan secara luas.
Pertama, kompleksitas komputas Kompresor HyperLCA dievaluasi dalam hal jumlah
FLOP terlibat dalam setiap tahap algoritma.
Kedua, GPU implementasi tahap Transformasi HyperLCA telah ditangani secara
memadai di Bagian IV-B mengikuti tradisi Model pemrograman CUDA Host-
Perangkat.
Ketiga, model implementasi yang berbeda dari seluruh kompresor HyperLCA miliki
telah dibahas dalam Bagian IV-D, menggunakan paralelisasi tambahan strategi di luar
paralelisme tingkat utas yang melekat pada Model pemrograman GPU.
Strategi paralelisasi ini bertujuan untuk membuat penggunaan sumber daya yang lebih
efisien tersedia di Internet.

CONCLUSION :
Dalam tulisan ini, kami menyajikan implementasi kompresor lossy HyperLCA ke
papan NVIDIA Jetson TK1 dan Jetson TX2, yang menyematkan LPGPU. Makalah ini
merespons untuk perlunya mengompres gambar hiperspektral secara real time untuk
aplikasi penginderaan jauh dengan batasan pada sumber daya komputasi karena daya,
berat, dan / atau keterbatasan ruang. Secara khusus, makalah ini berfokus pada
pemrosesan data pencitraan hiperspektral yang dikumpulkan oleh drone pada frame
yang sangat tinggi tarif untuk aplikasi pertanian cerdas. Algoritma HyperLCA telah
dipilih karena beberapa keunggulan yang ditawarkannya. Beberapa kelebihan terkait
dengan itu kinerja kompresi karena algoritma ini dapat dicapai CR sangat tinggi pada
tingkat hubungan distorsi yang wajar dan tinggi menjaga informasi yang paling relevan
untuk aplikasi pencitraan hiperspektral tersembunyi.

kami telah mengimplementasikan kompresor HyperLCA dengan mempertimbangkan

keterbatasan sumber daya komputasi, tingkat bingkai tinggi yang dikenakan oleh
aplikasi yang ditargetkan, beberapa perbandingan dan kesimpulan telah diambil dari
percobaan dalam kaitannya dengan strategi yang berbeda digunakan untuk
mempercepat proses kompresi.
Paper 4

JUDUL :
Region-Based Prediction for Image Compression in the Cloud.

AUTHOR :
Jean Bégaint , Dominique Thoreau, Philippe Guillotel, and Christine Guillemot ,
Fellow, IEEE.

REFERENSI :
Jean Bégaint , Dominique Thoreau, Philippe Guillotel, and Christine Guillemot ,
Fellow, IEEE.(2019). Region-Based Prediction for Image Compression in the Cloud.
IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS
AND REMOTE SENSING.

KEYWORD :
Image compression

RANGKUMAN ISI:
MASALAH :
Berkat meningkatnya jumlah gambar yang disimpan di cloud, kesamaan gambar
eksternal dapat dimanfaatkan untuk mengompres gambar secara efisien dengan
memanfaatkan korelasi antar-gambar.

RESEARCH QUESTION :
Bagaimana pemanfaatan korelasi antar ganbar untuk mengompres gambar secara
efisien.

MEMBAHAS TENTANG :
Pengeksploitasian korelasi antar-gambar.

METODE :
Metode pendekatan semi local untuk mengeksploitasi korelasi antar gambar.
RANGKUMAN :
mengusulkan untuk mengatur gambar dari album menjadi struktur pohon, lalu
menyandikannya sebagai urutan video. Sebuah grafik struktur pertama ditentukan oleh
urutan kesamaan antara gambar. Korelasi diukur dengan jumlah kuadrat perbedaan
(SSD). Pohon gambar kemudian diperoleh dari grafik melalui pendekatan spanning tree
minimum (MST) dan dikodekan dengan HEVC, dengan sekelompok gambar (GOP)
satu I bingkai (akar pohon) dan n bingkai P berikut, yaitu daun. Pemindaian dilakukan
melalui algoritma pencarian kedalaman-pertama, berarti daun terendah dieksplorasi
sebelum naik.
CONCLUSION :
Hasil percobaan menunjukkan bahwa pendekatan yang diusulkan menghasilkan kinerja
tingkat-distorsi yang signifikan perbaikan dibandingkan dengan inter-coding gambar
saat ini solusi seperti pengkodean video efisiensi tinggi. Ketentuan Indeks—
Pemotongan grafik, pengkodean video efisiensi tinggi (HEVC).
Paper 5

JUDUL :
Universal Golomb–Rice Coding Parameter Estimation Using Deep Belief Networks for
Hyperspectral Image Compression.

AUTHOR :
Zhuocheng Jiang, W. David Pan , Senior Member, IEEE, and Hongda Shen.

REFERENSI :
Zhuocheng Jiang, W. David Pan , Senior Member, IEEE, and Hongda Shen.(2018).
Universal Golomb–Rice Coding Parameter Estimation Using Deep Belief Networks for
Hyperspectral Image Compression. This article has been accepted for inclusion in a
future issue of this journal.

KEYWORD :
Image compression

RANGKUMAN ISI:
MASALAH :
Utuk kompresi gambar hiperspektral yang efisien.

RESEARCH QUESTION :
Bagaimana cara kompresi gambar hyperspectral yang efisien ?

MEMBAHAS TENTANG :
Hyperspektral Sensor.

METODE :
Metode menggunakan jaringan keyakinan mendalam, yang tidak bergantung pada
asumsi pada distribusi data input. Kami merumuskan masalah memilih parameter
pengkodean terbaik untuk urutan input yang diberikan sebagai masalah klasifikasi pola
yang diawasi.

Golomb Rice Codes and Coding Parameter Estimation Method

Kode Golomb – Beras adalah kode awalan yang optimal untuk sumber data
mengikuti distribusi geometris, membuat kode Golomb-Rice sangat efisien untuk
kompresi urutan data yang tanpa kehilangan, di mana nilai-nilai kecil lebih mungkin
terjadi daripada nilai-nilai besar. Juga, decoding kode Golomb-Rice banyak lebih
sederhana daripada mendekode kode Huffman. Namun, biasanya parameter
pengkodean Golomb-Padi harus ditransmisikan ke decoder sebagai informasi
sampingan untuk membantu dalam proses decoding.
 Deep Learning Methode
Untuk meningkatkan akurasi estimasi dari metode yang ada, yang dibatasi oleh asumsi
geometric distribusi. Untuk tujuan ini, kami mengusulkan metode yang lebih universal
dengan melatih jaringan saraf yang dalam untuk secara otomatis ekstrak fitur penting
dari urutan data input untuk pilihan parameter pengkodean yang optimal. Setelah
sepenuhnya terlatih, itu deep neural network dapat digunakan untuk menganalisis data
input baru dan pilih parameter pengkodean terbaik untuk mengompres data. Itu
kebaruan dari metode kami terletak pada perlakuannya terhadap parameter masalah
estimasi sebagai masalah klasifikasi pola.

RANGKUMAN :
Sensor HYPERSPECTRAL dapat memperoleh gambar dengan resolusi spasial dan
spektral yang tinggi, yang akan menguntungkan banyak orang aplikasi, seperti deteksi
target dan kuantifikasi material. Sensor hiperspektral mengumpulkan informasi sebagai
satu set gambar, dengan masing-masing gambar mewakili pita spektral, yang
merupakan rentang panjang gelombang sempit dari spektrum elektromagnetik.

menunjukkan dua contoh gambar hiperspektral pada pita yang berbeda itu digunakan
dalam penelitian kami. Karena semakin banyak data hiperspektral dikumpulkan dari
waktu ke waktu, volume hiperspektral yang semakin meningkat dataset menyajikan
tantangan untuk akuisisi data, transmisi, dan penyimpanan. Oleh karena itu, algoritma
kompresi data hyperspectral yang efisien sangat dicari. Untuk memastikan ada ketat
tidak ada kerugian dalam data yang direkonstruksi, kami fokus pada kompresi lossless
dari set data hyperspectral. Untuk mencapai kompresi lossless, metode pengkodean
prediktif sering digunakan, di mana residual yang dihasilkan dari prediksi piksel
biasanya dikompresi oleh Golomb – Beras kode, dengan asumsi bahwa residual
cenderung untuk mengikuti distribusi geometric.
CONCLUSION :
kami menunjukkan cara menggunakan intelijen yang dikumpulkan oleh jaringan yang
dilatih dengan cara baru aktifkan informasi sampingan gratis codec, yang berpotensi
meningkatkan efisiensi kompresi keseluruhan, terutama saat pengkodean sejumlah
besar urutan pendek yang bersangkutan. Untuk lebih lanjut meningkatkan akurasi
estimasi, kami juga mengusulkan arsitektur DBN yang dimodifikasi yang dapat
menggabungkan fitur augmented, yang penting untuk estimasi parameter.
Perpanjangan lebih lanjut dari pekerjaan termasuk penyelidikan tentang bagaimana
fitur yang dihasilkan oleh DBN berkorelasi dengan statistik data input selain rata-rata
sampel, untuk mengoptimalkan fitur kombinasi.