UNIVERSIDAD DE CUENCA

FACULTAD DE INGENIERIA ESCUELA DE INFORMATICA

COMPRESION DE IMGENES DIGITALES USANDO REDES NEURONALES ARTIFICIALES

Por Jonnathan Ambrosi

Agenda
Resumen Introduccin Planteamiento del problema Red neuronal y Funcin Objetivo Problemas Descripcin de la implementacin Resultados Conclusiones Referencias

Resumen
Este video tiene como objetivo dar ha conocer una forma de implementar una aplicacin bsica capaz de comprimir imgenes usando la teora de Redes Neuronales Artificiales (RNA) junto con el lenguaje de programacin java y adems contrastar el rendimiento de esta, con otras aplicaciones del mismo tipo.

Introduccin
En el mundo de la informtica cada da surgen ms aplicaciones en las que las imgenes digitales son de gran importancia, nos encontramos en la llamada sociedad de la informacin invadidos por innumerables medios, estos manejan mltiples recursos como imgenes que entre toda informacin son los que ms capacidad exigen por lo que la gran tarea es mejorar la eficiencia en su transmisin y posterior almacenamiento.

Introduccin
No obstante la capacidad de los dispositivos actuales para el almacenamiento de la informacin ha crecido de forma exponencial, sin embargo el tamao, cantidad y calidad de las imgenes tambin lo que ha, dado lugar al desarrollo de distintas tcnicas de compresin de la informacin.

Planteamiento del problema

Una imagen digital es una matriz que se encuentra almacenada en algn dispositivo, cada componente de esta matriz es denominado como pixel, este alberga un nmero que representa un determinado color.

Planteamiento del problema

El objetivo es buscar la forma de almacenar la matriz de representacin lgica, tratando de disminuir el tamao necesario para su almacenamiento. Ahora vamos ha analizar la matriz de otra forma un poco ms formal.

Representacin primer enfoque

Una imagen digital de k=m x n pixeles puede ser descrita mediante una funcin en un sistema coordenado de dos dimensiones (x, y) en donde x representa los pixeles que necesariamente ser un valor entero entre [1, k] e y representa el color correspondiente a cada pixel.

Representacin primer enfoque

Lo que nos interesa es encontrar esta funcin ya que nos permitir recuperar la imagen digital sin necesidad de tener almacenada la matriz de representacin lgica, la siguiente figura se aprecia una representacin.

Representacin segundo enfoque

Tambin es posible describir la imagen mediante una funcin en un sistemas de tres dimensiones (x, y, z) en donde x representa el nmero de fila, y representa el nmero de columna y z representa el color de pixel dado por (m, n) en la siguiente figura se observa su representacin

Representacin segundo enfoque

No es nada fcil hallar la ecuacin matemtica que necesitamos, pero tambin es una alternativa interpolarla o aproximarla y es aqu donde se puede usar un interpolador de alto nivel como lo es una red neuronal artificial.

Red neuronal y funcin objetivo

El set de entrenamiento de nuestra red neuronal artificial (RNA) contendr k entradas con k salidas, esto surge de la representacin de la matriz mediante una funcin, la red ser entrenada con el fin de que aprenda la funcin. Luego se almacenara una pequea matriz con los pesos de la red.

Consideraciones
Hay que notar que el dominio de nuestra funcin se encuentra en [1, k] y adems que no nos interesara la salida de la RNA para entradas entre dos nmero enteros consecutivos que pertenecen al dominio de nuestra funcin.

Problemas
Al momento nuestro sistemas parece ideal sin embargo se presentan algunos problemas y de la solucin de ellos depender el xito o fracaso de esta tcnica de compresin de imgenes.

Consumo de tiempo para entrenamiento

Por cada foto que procedamos a comprimirla, nuestra red se deber entrenar para aprenderla o recordarla, lo cual significa un entrenamiento recurrente no comn en los sistemas tradicionales de redes donde primero se entrenan y luego se ponen en marcha por tiempos prolongados.

Arquitectura de la Red Neuronal

Este es el mayor inconveniente la arquitectura de capas-neuronas de una RNA no es nunca constante y en ocasiones no depende del problema pues en la mayora de las ocasiones es dada por la experiencia del entrenador, adems sabemos que el proceso de fijacin de la arquitectura es un proceso de intento y error en ocasiones muy tedioso y demorado.

Resultados del compresor de imgenes usando RNA

La imagen a comprimir es una imagen de 800x600 pxeles, el consumo inicial de memoria de esta imagen es: Tamao en disco: 1.37 MB (1.441.792 bytes). Tamao en disco Winzip 432 KB (442.368 bytes). Tamao en disco Winrar 416 KB (425.984 bytes). En este caso la funcin objetivo es una funcin con dominio comprendido entre 0 y 480000 (pixeles) y un rango de 0 y 64000(colores).

Resultado
Imagen Original

Imagen recuperada

Diseo de la red neuronal

Diseo de la red neuronal

Arquitectura. Numero de capas 4. Distribucin capas 1-100-50-1. Parmetros de la RNA que se almacenaran. cantidad de pesos 100+100*50+50=5150 cantidad de bias 1+100+50+1=152 Total 5150+152=5302 5302 << 800*600

Conclusiones
Definitivamente el uso de redes neuronales artificiales (RNA) en diferentes mbitos va en aumento debido a sus buenos acercamientos y relativa complejidad, adems de las mltiples herramientas que nos permiten la manipulacin de estas estructuras. En el rea de compresin de imgenes se presentan muchas dificultades a la hora de implementar estas aplicaciones principalmente en la definicin de los parmetros de la Red neuronal para ello se necesita de un sistema experto en ocasiones el ser humano.

Conclusiones
Sin embargo en cuanto al tiempo necesario para comprimir y descomprimir la imagen digital a partir de los parmetros de la red neuronal esta muy por detrs de las aplicaciones como las mencionadas anteriormente principalmente esto se debe que para cada imagen la RNA se debe reentrenar haciendo de esta caracterstica un gran inconveniente.

Referencias
[1] Kaschel C., Hctor, Watkins, Francisco, San Juan U., Enrique. COMPRESIN DE VOZ MEDIANTE TCNICAS DIGITALES PARA EL PROCESAMIENTO DE SEALES YAPLICACIN DE FORMATOS DE COMPRESIN DE IMGENES. Revista Facultad de Ingeniera, Vol. 13, nm. 3, 2005. UNIVERSIDAD DE TARAPACA CHILE.

[2]Roldn Hernndez, lvaro Fernando, Lugo Currea, Nstor Andrs, Gaona Barrera, Andrs Eduardo. ESTUDIO DE DOS ESTRUCTURAS NEURONALES FEED-FORWARD PARA LA COMPRESION DE IMGENES DIGITALES. Revista Facultad de Ingeniera, nm. 65, diciembre, 2012. UNIVERSIDAD DE ANTIOQUIA MEDELLIN, COLOMBIA

[3]Serna Encinas, Mara Trinidad; Gmez Almeida, Guillermo; Rose Gmez, Csar Enrique ALGORITMO DE COMPRESION DE DATOS PARA LA ARQUITECTURA MOLAP Conciencia Tecnolgica, nm. 43, enero-junio, 2012. Instituto Tecnolgico de Aguascalientes Aguascalientes, Mxico