論文摘要內容
隨著這十幾年來資訊科技的快速進步，許多網路應用服務已變得更加豐富，使用者需求也更加多元化。而這些數位內容造成儲存設備及網路頻寬大量的消耗，特別是多媒體方面的應用。因此，數位內容壓縮在現今的網路環境中就成為一項重要且常見的技術。本論文揭示一種新的影像壓縮技術稱為ELSA。在非頻率領域之有損式影像壓縮技術中最廣為人知的即是LBG (Linde, Buzo and Gray)，其優點為速度快及容易實作，但由於其分群過程依靠簡單的距離判斷規則及隨機決定初始編碼簿等特性，使其分群品質不甚良好。而SOM (Self-Organizing Map)及HSOM (Hierarchical SOM)此種類神經演算法雖然其以相當精細的訓練步驟來得到十分細膩的壓縮結果，但最大的缺點就是速度過慢。而本論文改良LBG的隨機初始化方式，以更有效率的初始化方式來快速得到概略的初始編碼簿，最後再用一正規的LBG對初始編碼簿進行優化步驟。實驗結果顯示，本論文提出的影像壓縮技術在壓縮時間(Codebook Time)及壓縮品質(PSNR)上皆大幅優於其他已發表在國際期刊上之著名演算法，如LBG、SOM、HSOM及INTSOM。

The contents of abstract in this thesis
The popularity of multimedia on the Internet has created a heavy load on storage capacity and network bandwidth. Consequently, digital content compression techniques have become significant and popular topics recently. Vector Quantization (VQ) is the most popular method in lossy image compression. An appropriate codebook design is an essential and helpful principle for Vector Quantization such as LBG (Linde, Buzo and Gray), SOM (Self-Organizing Map) and HSOM (Hierarchical SOM). The features of LBG are fast and simple, but the compression quality of LBG is not so stable. Even though SOM and HSOM yield the satisfied results, they are too time-consuming. This thesis develops a new image compression method named ELSA, which employs an expanding leaf to determine the rough vectors (codewords) quickly and utilizes an LBG for quality improvement in the end. Experimental results reveal that ELSA outperforms LBG, SOM, HSOM and INTSOM in terms of computational cost and quality.

目錄
摘要 I
Abstract II
謝誌 III
目錄 IV
圖表索引 VII
第1章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 研究流程 3
1.4 研究範圍與限制 4
1.5 論文架構 5
第2章 文獻探討 6
2.1 灰階影像簡介 6
2.2 向量量化原理 7
2.3 向量量化技術 9
2.3.1 LBG演算法 9
2.3.2 Self-Organizing Map演算法 11
2.3.3 Hierarchical SOM演算法 13
2.3.4 INTSOM演算法 17
2.4 壓縮品質評估準則 20
2.4.1 均方誤差 (MSE, Mean Square Error) 20
2.4.2 峰值訊噪比 (PSNR, Peak Signal-to-Noise Ratio) 21
2.4.3 每像素位元數 (BPP, Bits per Pixel) 21
第3章 研究方法 22
3.1 思考流程 22
3.2 ELSA演算法 24
3.2.1 利用動態分裂樹產生初始編碼簿 24
3.2.2 一個更有效率的失真度評估方法 25
3.2.3 編碼簿優化收斂 26
3.2.4 ELSA演算法流程說明 27
第4章 實驗結果 29
4.1 Lena圖測試 30
4.2 Airplane圖測試 33
4.3 Peppers圖測試 36
4.4 Boat圖測試 39
4.5 Sailboat圖測試 42
4.6 Elsa圖測試 45
4.7 Numbers圖測試 48
4.8 Baboon圖測試 51
4.9 Zenobia圖測試 54
第5章 結論與未來展望 57
5.1 結論 57
5.2 未來展望 59
參考文獻 61
作者簡介 63

圖表索引
圖 1-1 影像壓縮/解壓縮概念說明圖 2
圖 1-2 研究流程圖 4
圖 2-1 8-bits灰階影像結構示意圖 7
圖 2-2 向量量化概念說明圖 8
圖 2-3 SOM類神經網路概念圖 11
圖 2-4 HSOM類神經網路概念圖 14
圖 3-1 動態分裂樹 24
圖 3-2 MSE與TSE之差異比較圖 26
圖 4-1 Lena原始影像及其特性 30
圖 4-2 Lena壓縮品質曲線圖 31
圖 4-3 Lena壓縮時間曲線圖 31
圖 4-4 各演算法在不同編碼簿大小對Lena之壓縮影像 32
圖 4-5 Airplane原始影像及其特性 33
圖 4-6 Airplane壓縮品質曲線圖 34
圖 4-7 Airplane壓縮時間曲線圖 34
圖 4-8 各演算法在不同編碼簿大小對Airplane之壓縮影像 35
圖 4-9 Peppers原始影像及其特性 36
圖 4-10 Peppers壓縮品質曲線圖 37
圖 4-11 Peppers壓縮時間曲線圖 37
圖 4-12 各演算法在不同編碼簿大小對Peppers之壓縮影像 38
圖 4-13 Boat原始影像及其特性 39
圖 4-14 Boat壓縮品質曲線圖 40
圖 4-15 Boat壓縮時間曲線圖 40
圖 4-16 各演算法在不同編碼簿大小對Boat之壓縮影像 41
圖 4-17 Sailboat原始影像及其特性 42
圖 4-18 Sailboat壓縮品質曲線圖 43
圖 4-19 Sailboat壓縮時間曲線圖 43
圖 4-20 各演算法在不同編碼簿大小對Sailboat之壓縮影像 44
圖 4-21 Elsa原始影像及其特性 45
圖 4-22 Elsa壓縮品質曲線圖 46
圖 4-23 Elsa壓縮時間曲線圖 46
圖 4-24 各演算法在不同編碼簿大小對Elsa之壓縮影像 47
圖 4-25 Numbers原始影像及其特性 48
圖 4-26 Numbers壓縮品質曲線圖 49
圖 4-27 Numbers壓縮時間曲線圖 49
圖 4-28 各演算法在不同編碼簿大小對Numbers之壓縮影像 50
圖 4-29 Baboon原始影像及其特性 51
圖 4-30 Baboon壓縮品質曲線圖 52
圖 4-31 Baboon壓縮時間曲線圖 52
圖 4-32 各演算法在不同編碼簿大小對Baboon之壓縮影像 53
圖 4-33 Zenobia原始影像及其特性 54
圖 4-34 Zenobia壓縮品質曲線圖 55
圖 4-35 Zenobia壓縮時間曲線圖 55
圖 4-36 各演算法在不同編碼簿大小對Zenobia之壓縮影像 56
表 1-1 影像壓縮類型及其應用技術分類 2
表 3-1 所有演算法之優缺點相對比較表 23
表 4-1 所有比較演算法之參數一覽表 29
表 4-2 Lena壓縮結果比較表 31
表 4-3 Airplane壓縮結果比較表 34
表 4-4 Peppers壓縮結果比較表 37
表 4-5 Boat壓縮結果比較表 40
表 4-6 Sailboat壓縮結果比較表 43
表 4-7 Elsa壓縮結果比較表 46
表 4-8 Numbers壓縮結果比較表 49
表 4-9 Baboon壓縮結果比較表 52
表 4-10 Zenobia壓縮結果比較表 55

參考文獻
[1] Tsai, C.F. and Ju, J.H., "ELSA: A New Image Compression Using An Expanding-Leaf Segmentation Algorithm," Lecture Notes in Computer Science, Vol. 5579, pp. 624-633, 2009.
[2] Tsai, C.F. and Ju, J.H., "INTSOM: Gray Image Compression Using An Intelligent Self-Organizing Map," Studies in Computational Intelligence, Vol. 199, pp. 31-40, 2009.
[3] Tsai, C.F. and Lin, Y.J., "LazySOM: Image Compression Using an Enhanced Self-Organizing Map," Lecture Notes in Computer Science, Vol. 5414, pp. 118-129, 2008.
[4] Tsai, C.F., Jhuang, C.A. and Liu, C.W., "Gray Image Compression Using New Hierarchical Self-Organizing Map Technique," In: Proceedings of the 3rd International Conference on Innovative Computing Information and Control, pp. 544-549, 2008.
[5] Sayood, K., "Introduction to Data Compression," 2nd Edition, Morgan Kaufmann Publishers, San Francisco, 2000.
[6] Gray, R.M., "Vector Quantization," IEEE Acoustics Speech and Signal Processing Magazine, Vol. 1, No. 2, pp. 4-29, 1984.
[7] Gersho, A. and Gray, R.M., "Vector Quantization and Signal Compression," Kluwer Academic Publishers, Boston, MA, 1992.
[8] Linde, Y., Buzo, A. and Gray, R., "An Algorithm for Vector Quantizer Design," IEEE Trans. on Communications, Vol. 28, pp. 84-95, 1980.
[9] Kohonen, T., "Self-organizing Maps," Springer-Verlag, Berlin, 1995.
[10] Kohonen, T., "The Self-Organizing Map," In: Proceedings of the IEEE, Vol. 78, No. 9, pp. 1464-1480, 1990.
[11] Madeiro, F., Vilar, R. and Neto, B., "A Self-Organizing Algorithm for Image Compression," IEEE Trans. on Neural Networks, Vol. 28, pp. 146-150, 1998.
[12] Barbalho, M., Duarte, A., Neto, D., Costa, F. and Netto, A., "Hierarchical SOM Applied to Image Compression," In: Proceedings of International Joint Conference on Neural Networks, Vol. 1, pp. 442-447, 2001.
[13] Lehmann, E.L. and Casella, George, "Theory of Point Estimation," 2nd Edition, Springer-Verlag, New York, 1998.