Compresión de imágenes de documentos basada en métodos clúster

Abstract

En la presente tesis se introduce un método eficiente para la compresión con pérdida de información diseñado para imágenes de documentos de texto binivel digitalizados. El método utiliza un diccionario conformado por representantes de clase que es generado utilizando un criterio de mínima entropía. El algoritmo identifica inicialmente los diferentes símbolos contenidos en la imagen de documento, y posteriormente los símbolos son agrupados en clases por medio de un algoritmo de clusterización, particularmente el agrupamiento jerárquico haciendo uso de una distancia de similaridad. Para cada clase, se selecciona un representante utilizando el principio de entropía mínima. La técnica crea un archivo de texto en el que cada objeto que pertenece a una clase es reemplazado por su representante de clase junto con su referencia. Finalmente, éste archivo resultante es comprimido con ayuda del archivador Paq8; compresor sin pérdida de información que usa un algoritmo de mezcla de contexto y así detectar la redundancia existente en el archivo. El rendimiento del algoritmo propuesto se evalúa utilizando archivos digitalizados de una base de datos estándar propuesta para la compresión de documentos por el Comité Consultivo para la Telegrafía y Telefonía Internacional (CCITT - Consultative Commitee for International Telephony and Telegraphy) en sus diferentes resoluciones. Se realizan comparaciones con otros algoritmos de última generación. Nuestros resultados establecen cuantitativamente que nuestra metodología propuesta es una técnica con una razón de compresión menor.

In the present thesis is introduced an efficient method for lossy compression of digitalized bilevel image documents. The method uses a dictionary which consists of class representative defined using a minimum entropy criterion. The algorithm initially identifies the different symbols contained in a image document, and then the symbols are grouped in classes by means of a clustering algorithm, particularly hierarchic clustering and suitable similarity distances. For each class, a representative is selected using the principle of minimum entropy. The technique creates a file in which every object belonging to a class is replaced by its class representative and his reference, as well. Finally, the resulting file is compressed with the archiver Paq8, a compressor lossy that uses a context mixing algorithm. The performance of the proposed algorithm is assessed using digitized files from a standard database for document compression along with different resolutions. Comparisons against other state-of-the-art algorithms are performed in this manuscript. The results establish quantitatively that the presented methodology is a more efficient technique.