.png){kind=icon}
返回
Advancing Image Compression Through Clustering Techniques: A Comprehensive Analysis
.png){kind=icon}
OA
AI
DOI：10.3390/technologies13030123.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像压缩是一个关键的研究领域，旨在优化数据存储和传输，同时保持图像质量。本文探讨了聚类技术在实现高效、高质量图像压缩中的应用。我们系统地分析了九种聚类方法：K-Means、BIRCH、Divisive Clustering、DBSCAN、OPTICS、Mean Shift、GMM、BGMM和CLIQUE。每种技术均在多种参数（包括块大小、聚类数量及其他方法特定属性）下进行评估，以评估其对压缩比和结构相似性指数的影响。实验结果表明，不同技术之间的性能存在显著差异。K-Means、Divisive Clustering和CLIQUE表现出可靠性，在实现高压缩比和优异图像质量方面取得了平衡。相比之下，Mean Shift、DBSCAN和OPTICS等技术显示出局限性，尤其是在压缩效率方面。使用CID22数据集中的基准图像进行的实验验证证实了所提出方法在不同场景下的鲁棒性和适用性。
Keyword:
image compression
clustering techniques
K-Means
BIRCH
divisive clustering
DBSCAN
OPTICS
mean shift
GMM
BGMM
CLIQUE
期刊
T
IF:
3.6
论文数:
1.4K
被引数:
3.2K
机构
引用论文
Fast and Efficient Entropy Coding Architectures for Massive Data Compression快速高效的大规模数据压缩熵编码架构.png)
TechnologiesOAAI
TechnologiesIF0
OAAI分享收藏Traffic Similarity Observation Using a Genetic Algorithm and Clustering基于遗传算法和聚类的交通相似性观测Technologies
OAAI
TechnologiesIF0
OAAI分享收藏Statistical Analysis of Microarray Data Clustering using NMF, Spectral Clustering, Kmeans, and GMM
PREAI
分享收藏分享收藏
查看更多内容