Técnica para Projeto de Dicionário Baseada nos Algoritmos Cuckoo Search e LBG

Resumo

O crescimento do número de informações produzidas tem aumentando significativamente nos últimos anos. Estima-se que 2,2 milhões de terabytes de novos dados são gerados todos os dias (NAVITA, 2019). Devido às limitações existentes nos sistemas de transmissão e armazenamento da informação, como a largura de banda para a transmissão ou a capacidade de armazenamento, são aplicadas técnicas de compressão de sinais, dentre elas, a Quantização Vetorial (QV) (GERSHO; GRAY, 1992). Uma técnica amplamente aplicada ao projeto de dicionário para QV é o algoritmo Linde-Buzo-Gray (LBG) (LINDE; BUZO; GRAY, 1980). Este trabalho apresenta uma nova técnica para projeto de quantizadores vetoriais a qual faz uso de inteligência computacional, por meio de técnica de otimização baseada em enxames e no algoritmo LBG. A técnica bioinspirada utilizada é o Cuckoo Search (CS) (YANG; DEB, 2009). O CS se baseia no comportamento parasitismo de ninhada que algumas espécies dessa ave possuem.Tais pássaros depositam seus ovos em ninhos de outras espécies para que estes os criem. Para esse fim, buscam sempre ninhos onde seus filhotes tenham maiores chances de sobreviver. No trabalho, foram utilizadas 8 imagens na escala de cinza de 8 bits por pixel, em formato PGM com dimensões 256 x 256 pixels das quais foram extraídos blocos de 4 x 4 pixels  (vetores de dimensão 16). Foram projetados dicionários de tamanho (N) igual a  32, 64, 128, 256 e 512. Para cada tamanho de dicionário foram realizadas 10 execuções e computada a média da relação sinal-ruído de pico (PSNR, peak signal to noise ratio). Os resultados alcançados pelo trabalho demonstram que a técnica proposta é superior para todas as imagens e em todos seus tamanhos de dicionários quando comparada ao LBG.  Em relação a outras técnicas bioinspiradas aplicadas ao projeto de dicionários como, FSS-LBG (FONSECA; FERREIRA; MADEIRO, 2018) e o FF-LBG (SEVERO et al., 2016), baseadas nos algoritmos Fish School Search (FSS) e Firefly (FF) respectivamente, os resultados se apresentam aproximadamente iguais para pequenos valores de N e inferiores para os maiores valores de N simulados.