Pipeline of Optimization Techniques for Multi-Level Thresholding in Medical Image Compression Using 2D Histogram
Notice bibliographique
Résumé
In recent times, medical scan images are crucial for accurate diagnosis by medical professionals. Due to the increasing size of the medical images, transfer and storage of images require huge bandwidth and storage space, and hence needs compression. In this paper, multilevel thresholding using 2-D histogram is proposed for compressing the images. In the proposed work, hybridization of optimization techniques viz., Genetic Algorithm (GA), Particle Swarm Optimization (PSO) and Symbiotic Organisms Search (SOS) is used to optimize the multilevel thresholding process by assuming the Renyi entropy as an objective function. Meaningful clusters are possible with optimal threshold values, which lead to better image compression. For performance evaluation, the proposed work has been examined on six Magnetic Resonance (MR) images of brain and compared with individual optimization techniques as well as with 1-D histogram. Recent study reveals that peak signal to noise ratio (PSNR) fail in measuring the visual quality of reconstructed image because of mismatch with the objective mean opinion scores (MOS). So, we incorporate weighted PSNR (WPSNR) and visual PSNR (VPSNR) as performance measuring parameters of the proposed method. Experimental results reveal that hGAPSO-SOS method can be accurately and efficiently used in problem of multilevel thresholding for image compression.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».