| dc.creator |
ÖZTÜRK, Emir |
|
| dc.creator |
MESUT, Altan |
|
| dc.date |
2020-12-25T00:00:00Z |
|
| dc.date.accessioned |
2021-01-21T07:49:07Z |
|
| dc.date.available |
2021-01-21T07:49:07Z |
|
| dc.identifier |
https://dergipark.org.tr/tr/pub/jesd/issue/58117/698719 |
|
| dc.identifier |
10.21923/jesd.698719 |
|
| dc.identifier.uri |
http://acikerisim.sdu.edu.tr/xmlui/handle/123456789/77899 |
|
| dc.description |
It has become a necessity to use compression algorithms in image data. One of the most used image compression algorithms, JPEG performs lossy compression on an image and the loss varies according to the given quality factor. At low quality factor values, the file size gets smaller and artifacts become noticeable. In high quality factors, quality of image increases but savings from storage space decreases. For this reason, it will be beneficial to balance the file size and image quality in order to both maintain image quality and save space. The aim of this study is to determine the quality factor value, where the ratio between file size and image distortion is optimum, by using deep learning methods. In the study, a proposed data extraction method was trained with dense neural networks and the success of the method is compared with experimental results obtained with convolutional neural networks. Calculation of image distortion was carried out using SSIM (Structural Similarity Index). In the results obtained, the proposed method has 9.36% more accuracy than CNN in determining the quality factor. |
|
| dc.description |
Görüntü verisinde sıkıştırma algoritmalarının kullanılması bir gereklilik haline gelmiştir. En çok kullanılan görüntü sıkıştırma algoritmalarından biri olan JPEG, görüntü üzerinde kayıplı bir sıkıştırma gerçekleştirmekte ve verilen kalite faktörüne göre bu kayıp değişmektedir. Düşük kalite faktörlerinde dosya boyutu küçülmekte fakat bozulma gözle görülür hale gelmektedir. Yüksek kalite faktörlerinde ise kalite artmakta fakat dosya boyutundan edilen sıkıştırma karı azalmaktadır. Bu sebeple hem görüntü kalitesini korumak hem de yer kazancı sağlamak için dosya boyutu ve görüntü kalitesi arasındaki dengenin sağlanması faydalı olacaktır. Bu çalışmanın amacı, dosya boyutu ve görüntüdeki bozulmanın arasındaki oranın en iyi (optimum) olduğu kalite faktörünü derin öğrenme yöntemleri kullanarak belirlemektir. Yapılan çalışmada önerilen bir veri çıkarma yöntemi yoğun sinir ağları (dense neural networks) ile eğitilmiş ve yöntemin başarısı evrişimsel sinir ağları ile yapılan denemelerle karşılaştırılmıştır. Görüntüdeki bozulmanın hesaplanmasında SSIM (Structural Similarity Index) kullanılmıştır. Elde edilen sonuçlarda önerilen yöntem kalite faktörünün belirlenmesinde CNN kullanılmasına göre %9.36 daha fazla doğruluk oranına sahip olmuştur. |
|
| dc.format |
application/pdf |
|
| dc.language |
tr |
|
| dc.publisher |
Süleyman Demirel University |
|
| dc.publisher |
Süleyman Demirel Üniversitesi |
|
| dc.relation |
https://dergipark.org.tr/tr/download/article-file/993244 |
|
| dc.source |
Volume: 8, Issue: 4
1010-1018 |
en-US |
| dc.source |
1308-6693 |
|
| dc.source |
Mühendislik Bilimleri ve Tasarım Dergisi |
|
| dc.subject |
Data Compression,Deep Learning,CNN,JPEG |
|
| dc.subject |
Veri sıkıştırma,Derin Öğrenme,CNN,JPEG |
|
| dc.title |
FINDING THE OPTIMUM JPEG QUALITY FACTOR USING DEEP LEARNING |
en-US |
| dc.title |
DERİN ÖĞRENME KULLANILARAK OPTİMUM JPEG KALİTE FAKTÖRÜNÜN BELİRLENMESİ |
tr-TR |
| dc.type |
info:eu-repo/semantics/article |
|