Accelerating Families of Fuzzy K-Means Algorithms for Vector Quantization Codebook Design

Abstract

The performance of signal processing systems based on vector quantization depends on codebook design. In the image compression scenario, the quality of the reconstructed images depends on the codebooks used. In this paper, alternatives are proposed for accelerating families of fuzzy K-means algorithms for codebook design. The acceleration is obtained by reducing the number of iterations of the algorithms and applying efficient nearest neighbor search techniques. Simulation results concerning image vector quantization have shown that the acceleration obtained so far does not decrease the quality of the reconstructed images. Codebook design time savings up to about 40% are obtained by the accelerated versions with respect to the original versions of the algorithms.

Algoritmo Baseado em Fireworks e LBG para Quantização Vetorial de Imagens

“…Dentre as técnicas de projeto de dicionários, o algoritmo LBG (Linde-Buzo-Gray) [9] destaca-se por sua ampla utilização. Alternativas ao LBG têm sido apresentadas na literatura, como, por exemplo: versões aceleradas do algoritmo LBG, comoé o caso do algoritmo proposto por Paliwal e Ramasubramanian [10], denotado no presente trabalho como LBG-a (algoritmo LBG acelerado); versões modificadas do algoritmo fuzzy k-means, comoé o caso do algoritmo proposto por Mata et al [11], denotado por MFKM-2 (Modified Fuzzy K-Means -família 2); algoritmos que utilizam inteligência de enxames, como por exemplo o método proposto por Severo et al [12], o qual corresponde a uma técnica de otimização que combina o algoritmo LBG com o algoritmo do vagalume [13], aqui denotado FA-LBGm (Firefly Algorithm-LBG modified).…”