Image Compression using Modelling of DCT Coefficients with Mixture Laws and Adaptive Quantization in JPEG Environment. Compression d'Images par Modélisation des Coefficients TCD en Lois Mélange et Quantification Adaptative dans L'Environnement IEPG

Image Compression using Modelling of DCT Coefficients with Mixture Laws and Adaptive Quantization in JPEG Environment

Compression d'Images par Modélisation des Coefficients TCD en Lois Mélange et Quantification Adaptative dans L'Environnement IEPG

Richard Grisel Florence Astrade 

CPE - Lyon, Laboratoire LISA - CNRS EP 0092 43, boulevard du 1 1 Novembre 1918, BP 2077 F-6961 6 Villeurbanne cedex

Page: 
301-315
|
Received: 
11 July 1995
|
Accepted: 
N/A
|
Published: 
30 June 1997
| Citation

OPEN ACCESS

Abstract: 

In this paper, we introduce a new modelling technique for statistical distributions of DCT coefficients and its application to image compression. By modelling the statistics of the AC DCT coefficients we derive an approach for scalar adaptive quantization.

A lot of work can be found in the literature concerning these distributions . Depending on authors, they have been modeled as Gaussian, Laplacian or Cauchy laws. The previous results are mainly based on the use of the Kolmogorov-Smirnov fit-test, the decision being taken for the law giving the smallest result to the test. The paper describes the building of statistic tools created in order to define thresholds for the decision. Several fit-tests are computed and finally, the Cramertest appears to be the most selective one.

The results we obtain show that statistical distributions of AC DCT coefficients are either Gaussions or mixtures of two to four Gaussians. We can then compute an adaptive quantization matrix and compare images reconstructed with adaptive quantization and with JPEG norm. For identical quality (equivalent PPSNR and histograms), reconstructed images have a higher compression rate when adaptive quantization is used. 

Résumé 

Dans cet article sont présentés des résultats obtenus sur la recherche des lois de distribution suivies par les coefficients de la Transformée en Cosinus Discrète (TCD) d'images ainsi qu'une première approchede quantification scalaire adaptative.

Dans la littérature, de nombreux travaux ont déjà été menés sur l'étude des distributions des coefficients TCD. Les auteurs trouvent des gaussiennes, des laplaciennes ou des lois de Cauchy en basant leur décision sur le test d'adéquation de Kolmogorov-Smirnov et en choisissant la loi qui donne le plus petit résultat autest. Afin de pouvoir justifier de la décision sur la loi, nous avons utilisé une batterie de tests et comparé les résultats à des seuils. Finalement, en utilisant le test de Cramer qui s'est avéré le plus sélectif, nous montrons que les coefficients TCD suivent une loi gaussienne ou somme de deux à quatre gaussiennes.

Nous pouvons alors calculer une matrice de quantification adaptative et comparer les images reconstruites après quantification adaptative et après quantification par la norme JPEG . Pour une qualité comparable (PPSNR et histogrammes équivalents), ces images ont un meilleur taux de compression par quantification adaptative. 

Keywords: 

Image compression, adaptive quantization, JPEG, finite mixture distribution.

mots clés 

Compression d'image, quantification adaptative,JPEG, loismélange.

1. Introduction
2. Compression d'Image par la TCD
3. Modélisation des Lois Suivies par les Coefficients TCD
4. Résultats
5. Quantification
6. Conclusion
Remerciements
  References

[Abouchi] N. Abouchi, M. Jourlin, O. Bohbot, C. Faune, R. Grisel, «Network data bank image prototype: the R.S.I. project», European Symposium on Advanced Networks and Systems (EOS/SPIE), vol .2451, Amsterdam, mars 1995, pp. 360-369. 

[Aizawa] K. Aizawa, T. Natarajan, K.R. Rao, «Adaptive Discrete Cosine Transform coding with vector quantization for color images», Proc. IEEE ICASSP'86,Tokyo, Japon, avril 1986, pp. 985-988.

[Baskurt] A. Baskurt, «Compression d'images numériques par la transformation cosinus discrète», Ph.D de I'Universitéde Lyon,juin 1989. 

[Bellifemine92] F. Bellifemine, A. Capellino, A. Chimienti, R. Picco, R. Ponti, «Statistical analysis of the 2D DCT coefficients of the differential signalfor images»,Signal Processing : Image Communication, vol.4, n°6, 1992, pp. 477-488. 

[Bellifemine94] F. Bellifemine, R. Picco, « Video signal coding with DCT and vector quantization», IEEE trans. Commun., Vol.42, n°2/3/4,février/mars/avril 1994, pp. 200-207. 

[Celeux] Celeux, Diebolt, «Reconnaissance de mélange de densité et classification, un algorithme d'apprentissage probabiliste : l'algorithme SEM», Rapport de rechercheINRIA,n°349, 1984. 

[Cheiifi87] H. Cherifi, «Evaluation des tests d'hypothèse», GRETSI, Nice, mai 1987, pp. 81-84. 

[Cherifi94] H. Cherifi, R. Grisel, «Filter Expectation Maximisation Algorithm for Image Segmentation», Proc. IEEE ICASSP'94, Adelaïde, Australie, avril 1994, pp. V 133-V.136. 

[Commaniciu95a] D. Commaniciu, R. Grisel, F. Astrade, «Medical image compression using mixture distributions and optimal quantization», LASTED 95, Signal and Image Processing, Las Vegas, USA, novembre1995, pp.89-92. 

[Commaniciu95bj D. Commaniciu, R. Grisel, «Transform vector quantization with training set synthesis », 3rd Conf Digital image Computing, DICTA'95, Brisbane, Australie, décembre 1995, pp. 139-144. 

[Eude92] T. Eude, R. Grisel, «Commission archives : rapport final», Centre Régional d'Informatique Hospitalière, Rouen, 1992. 

[Eude94] T. Eude, R. Grisel, H. Cherifi, R. Debrie, «On the distribution of the DCT coefficients», Proc. IEEE 1CASSP' 94, Adelaide, Australie, avril 1994, pp. V.365-V.368. 

[ISO] ISO/IEC JTC1/SC2/WG 10, «Initial draft for adaptative Discrete Cosine Transform technique for still picture data compression standard», International Organisation for Standardization (ISO),février 1991. 

[Jain] A.K. Jain, «Image data compression : A review»,Proc. IEEE,vol. 69, mars 1981, pp. 349-389. 

[Lee] H. Lee, Y Kim, A.H. Rowberg and E.A. Riskin, «Statistical Distributions of DCT coefficients and their application to an interframe compression algorithm for 3-D medical images », IEEETrans. Medical Imaging,vol . 12, n°3, septembre 1993, pp. 478-485. 

[Mathieu] P . Mathieu, M. Barlaud, M. Antonini, «Compression d'imagepar la transforméeen ondelette et quantificationvectorielle»,Traitementdu Signal, vol.7, n°2, 1990, pp. 101-115. 

[Murakami] H. Murakami, Y. Hatori, H. Yamamoto, «Comparison between DPCM and Hadamard transform coding in the composite coding of the NTSC color TV signal»,IEEETrans. Commun., vol. COM-30, n°6, mars 1982, pp. 469-479. 

[Neagoe] V.E. Neagoe, O. Stanasila,Teoria recunoasterii formelor,ed. Academiei Romane, Bucharest, 1992. 

[Redner]R.A.Redner,H.F. Walker, «Mixture densities, Maximum likelihood and the EM algorithm», SIAM Review 26, 1984, pp. 195-240. 

[Reininger] R.C. Reininger and J.C. Gibson, «Distribution of two-dimensional DCT coefficients for images>>, IEEETrans. Commun., vol. COM-31, n°6, juin 1983, pp. 835-938. 

[Saito) T. Saito et al., «Adaptive Discrete Cosine Transform image coding using gain/shape vector quantizers», Proc. IEEEICASSP'86, Tokyo, Japon, avril 1986, pp. 129-132. 

[Stephens] M.A. Stephens, «EDF statistic for goodness of fit tests and some comparisons», Journal of the American Statistical Association, vol. 69, n°347, septembre 1974. 

[Tescher] A.G. Tescher, «Transform image coding», Advance in Electronics and Electron Physics, Sup]. 12, New York Academic, 1979, pp. 113-115.