Klasifikavimu pagrįstas vaizdų saugojimo įrankis

Abstract

Baigiamojo darbo tikslas – išanalizavus populiariausius vaizdų saugojimo ir glaudinimo algoritmus sukurti klasifikavimo įrankį, įgalinantį gauti vartotoją tenkinantį optimalų vaizdo kokybės bei failo dydžio santykį. Darbe atlikta populiariausių vaizdų saugojimo ir glaudinimo algoritmų analizė, pateikta svarbiausių vaizdo kokybės vertinimo metodų ir vaizdų klasifikavimo algoritmų apžvalga. Atliktas skirtingų konvoliucinių neuroninių tinklų architektūrų tyrimas ieškant geriausio vaizdų klasifikavimo pagal kokybę sprendimo. Pagal gautus rezultatus sukurtas vaizdų klasifikavimo ir saugojimo įrankis, kuriame įgyvendintas automatinis saugojimo kokybės vertės parinkimas priklausomai nuo nustatytos vaizdo klasės ir naudotojo norimos gauti vaizdo kokybės. Darbą sudaro 6 pagrindinės dalys: įvadas, vaizdų glaudinimo sprendimų bei vaizdų kokybės vertinimo ir klasifikavimo metodų apžvalga, neuroninių ir konvoliucinių neuroninių tinklų teorinė apžvalga, modelio realizavimui atliktų eksperimentinių tyrimų aprašas, produkto realizavimo aprašas, išvados ir literatūros sąrašas. Darbo apimtis – 70 p. teksto be priedų, 24 iliustr., 30 lent., 48 literatūros šaltiniai.

The aim of the final thesis was to create an image classification tool that allows the user to obtain the optimal ratio between image quality and file size. In the final thesis the most popular image storage and compression algorithms were analyzed, also an overview of the main image quality assessment metrics and image classification algorithms was provided. A study of different convolutional neural network architectures was performed to find the best solution for image classification by quality. Based on the results, an image classification and storage tool was created, which implemented automatic selection of image saving quality value based on the result of image classification and the quality the user wanted to receive. Thesis structure: introduction, overview of image compression solutions and image quality assessment and classification methods, overview of neural networks and convolutional neural networks, a description of the performed experimental studies, a description of product realization, conclusions and references. Thesis consist of: 70 p. text without appendixes, 24 pictures, 30 tables, 48 bibliographical entries.