A New Singular Vector Sparse Representation Technique for Crop Image Compression
Notice bibliographique
Résumé
Nowadays, the application of crop images for sharing crop information is perpetually increasing. As a result, image datasets need more storage space and channel bandwidth, leading to higher costs. Therefore, reducing image data size is essential. This article, therefore, introduces a compression method based on the discrete wavelet transform (DWT) and the modified singular vector sparse reconstruction (MSVSR) approaches. It gives good reconstruction quality and compression characteristics. In the first stage, input images are decomposed using DWT into frequency subbands. In addition, a modified sparse representation of singular vectors based on the singular value decomposition (SVD) approach is applied in detailed subbands to improve the compression efficiency. At the reconstruction stage, piecewise linear interpolation (PLI) and inverse DWT are used to retrieve a good-quality image. The performance of the proposed method has been evaluated based on various fidelity parameters, including bit-per-pixel (BPP), peak signal-to-noise ratio (PSNR), mean square error, and structural-similarity index. Moreover, the experimental results illustrate that the proposed DWT-MSVSR technique with Daubechies 4 wavelet has achieved significantly higher compression (67.27%), and structural similarity index measure (SSIM) (36.27%), as compared with SVSR with similar image quality, as well as other SVD-based existing methods. From the evaluated results, it is observed that this method has proven to be efficient in compressing different types of crop images with acceptable reconstruction quality.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».