Automatic Edge Class Formulation for Classified Vector Quantization

영상 압축 분야에서 분류벡터양자화 방법은 에지와 같이 시각적 인지에 중요한 특징을 잘 복원해주는 특성을 가지고 있다. 그러나, 기존의 분류벡터양자화에서는 수직, 수평, 대각 에지 클래스와 같은 몇 개의 선형 에지 클래스를 사전에 정의하고 분류함으로써, 영상 내 존재하는 다양한 유형의 에지 패턴을 효과적으로 재구성할 수 있도록 일반화되어 있지 못하다. 본 논문에서는 에지 패턴들간의 유사도 측정자를 정의하고 이를 바탕으로 에지 블록을 분류하는 새로운 방법을 제안한다. 영상내외 각 에지블록은 그 블록이 가지는 에지 패턴의 형태에 따라 하나의 특징벡터로 변환된다. 훈련 영상들로부터 다양한 형태의 에지 패턴들을 유사도가 높은 것들끼리 군집화하여 일반화된 에지 클래스를 자동으로 생성한다. 실험에서는 생성된 선형/비선형 에지 클래스의 유형을 보이고, 이를 이용하여 0.6875bpp로 압축된 결과 영상에서 에지가 잘 보존되고 있음을 보인다.

In the field of image compression, Classified Vector Quantization(CVQ) reveals attractive characteristics for preserving perceptual features, such as edges. However, the classification scheme is not generalized to effectively reconstruct different kinds of edge patterns in the original CVQ that predefines several linear-type edge classes: vortical edge horizontal edge diagonal edge classes. In this paper, we propose a new classification scheme, especially for edge blocks based on the similarity measure for edge patterns. An edge block is transformed to a feature vector that describes the detailed shape of the edge pattern The classes for edges are formulated automatically from the training images to result in the generalization of various shapes of edge patterns. The experimental results show the generated linear/nonlinear types of edge classes. The integrity of all the edges is faithfully preserved in the reconstructed image based on the various type of edge codebooks generated at 0.6875bpp.