Lossless image compression on astronomical images with polynomial curve fitting and linear machine learning models

Abstract

Bu tezde, astronomik görüntüler için Zlib algoritmasının iyileştirilmesi ile elde edilen kayıpsız bir görüntü sıkıştırma algoritması öneriyoruz. Metodumuz, verilen verilere en küçük hata ile en iyi uyan yaklaşık fonksiyon sağlayan polinom eğri uydurmaya dayanmaktadır. Algoritma görüntüyü alt bloklara ayırır, daha sonra polinom katsayılarını ve yaklaşık polinom değerleri ile gerçek piksel değerlerini kullanarak elde edilen hatayı Zlib metodunu kullanarak sıkıştırır. Daha sonra yöntem, Zlib yardımıyla her blok için herhangi bir kayıp olmadan görüntü verilerini yeniden yapılandırır. Hataların (piksel değerleri ve polinom değerleri arasındaki fark) sıkıştırılmasının nedeni, astronomik görüntülerin çoğunun polinom eğrisi uydurma uygulandığında tekrarlanan fark değerlerine sahip olmasıdır. Önerilen yöntemimizi astronomik bir görüntü veri setinde Zlib ile karşılaştırdığımızda, yöntemimizin sıkıştırma oranının Zlib'in sıkıştırma oranından daha iyi olduğunu gözlemledik. Ayrıca, lineer modellerinin yardımıyla yöntemimizi geliştirdik ve böylece hem daha önce geliştirdiğimiz yöntemden hem de Zlib'den daha iyi kayıpsız sıkıştırma oranı elde ettik.

In this thesis, we propose a lossless image compression algorithm, which is an improvement of Zlib algorithm, for astronomical images. Our method is based on polynomial curve fitting that provides approximate function which fits best to the given data with the possible smallest error. The algorithm divides image into sub- blocks, then compresses the coefficients of polynomials and the error, which is obtained by using approximate polynomial values and real pixel values, applying Zlib. Then, the method reconstructs image data without any loss for each block with the help of Zlib. The reason why the errors (difference between pixel values and polynomial values) are compressed is that most of the astronomical images have repeated difference values when polynomial curve fitting is applied to them. When we compared our proposed method with Zlib on an astronomical image data set, we observed that our method's compression ratio is better than Zlib's compression ratio. Furthermore, we improved our method and thus acquired better lossless compression ratio than both our previously developed method and Zlib with the help of linear models.