TELKOM NIKA , Vol.14, No .4, Dece mbe r  2016, pp. 13 62~136 7   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i4.3181    1362      Re cei v ed  De cem ber 2, 20 15; Re vised  Augus t 16, 2 016; Accepte d  Septem ber 1, 2016   Interleaved Reception Method for Restored Vector  Quantization Image      I m a n  E l aw a d y* 1 , Abdelmounaim Moulay   Lakhdar 2 , Mustapha  Khelifi 3   1 Departme n t of Electrical En gi neer ing, T ahri Moham m ed U n iversit y , Bech ar, Algeri a  / lab :  CAOSEE  2,3 Department of Electrical En gin eeri ng, T ahri Mohamm ed U n iversit y , Bech ar, Algeri a   BP 417 Ro ute  Kena dsa, Béch ar 080 00, Alg e r ia, + 213 49 2 3  89 93    *Corres p o ndi n g  author, e-ma i l : imane la w a d y 2@gma il.com       A b st r a ct     The transmissi on of i m a ge co mpr e sse d by vector  qua nti z a t i on pro duc e w r ong b l ocks i n  receiv e d   imag e w h ich  a r e co mp letely  different to th e  origi n a l   o ne w h ich  makes th e restorati on  p r ocess too  diffi cult  beca u se w e  d o n ’ t h a ve  any  i n formatio n  a b o u t the or igi nal   block. As  a sol u tion w e   prop o s e a tra n smissi on   techni qu e that save the  maj o rity of  pixels  in the ori g i nal  block by b u i l di ng new  bl ocks  doesn' t conta i n   nei ghb orh ood   pixels  fro m  th e  ori g in al  bl ock  w h ich i n cr eas e  the  pro bab ility  of restor atio n.  Our pro positi o n is  base d  on  dec ompos ition  an d interl eav ing.  F o r the simul a tion w e  use  a bin a ry sy mmetric c han ne l  w i th   different BE R  and  in  the  rest oratio n pr oces s w e  use  si mp le  me di an fi lter  just to  ch eck  the effici ency   of  prop osed appr oach.      Ke y w ords : De compos ition, In terleav ing, BS C Cha nne l, Media n  F ilter, Vector Quanti z a t io n       Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  The redu ctio n of bit rate  rece ntly gets l o t of  attention espe cially  with the bi g a m ount of   data that con s ume th e ba ndwi d th usag e and  co m p u t ation re sou r ce s. Many te chni que s hav e  been p r op ose d  to solve this proble m  as  shown in the a r ticle s  [1-3].   In imag e  co mpre ssion,  q uantization i s  us ed to  red u ce  the  num ber of  symb ols  and   hen ce le ss th e amo unt of i n formatio n (compressi o n )  need s to b e  e n co ded. In  da ta tran smissi on,  a seri ou s pro b lem face d the image en co ded with  vect or qua ntizatio n. Since the degradatio n wil l   be in fo rm o f  blocks. M a ny of publi s hed p ape rs  try to solve t h is p r obl em  by com b inati on  betwe en the  VQ and  different tra n sfo r ms a s   sho w n in arti cle s   [4-6]. The s e  combi nation s  of  those relative ly basic meth ods utili ze the   favorable ch ara c teri stics  of each meth od [7].  As propo sitio n  to solve thi s  p r oble m , we are  goin g  t o  ma ke  some  modificatio n  i n  origi nal   image  by con s tru c ting  ne w blo c ks th at d oesn't  cont ai n  any neig h b o rho od pixels  this modification   give us a ch a n ce to ke ep  some pixel s  in the or iginal  block whi c h  make the restoration process  easi e r because we decrease the pr obability of getting  wrong block.  Our  pape r i s  orga nized a s  follo ws. In  Section 2  a n  overvie w  o f  vector q u a n tization   comp re ssion.  In se ction 3  rep r e s entati on of di gital  cha nnel m o d e l whi c h i s  b i nary symm etric  c h annel. Sec t ions  4 to 5 des c ribe the main s t ep s  of our propos ition us ing the decompos i tion and  interleavin g. Section 6 the n  com b ine s  the re sult s usi ng differe nt BER with thre e image s Le na ,   boat and G o l dhill. Finally, Section 7 p r e s ent s our  con c lu sion s an d some p r o p o s i t ions.       2. Vector Qu antization   Shanno n first sugge sted  that enco d in g a seq uen ce of sample s from a so urce ca n   provide  bette r re sult tha n  encoding i n dividual sam p les i n  term s of comp re ssi on effici en cy  [8].Image data com p ression using vect or quantization (VQ)  has  received a lot of attention. Since  VQ ha s  a  hig h  codin g  effi ciency  and   simple  de code r a r chitectu re , it is ve ry  su itable fo r lo w-bit   rate appli c ati ons. Th e gen eral VQ alg o ri thm has three  main step s [9]:    1.   First the ima g e  is partition e d  into blocks  whi c h are usually 2×2, 4 × 4, 8×8, and 1 6 ×1 6.  2. After the  division  into  blocks, a  co debo ok  whi c h re presents the b e st  est i mation of  all  the   blocks of the image is  con s tructed  and in dexed.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Interlea ved  Rece ption Met hod for Resto r ed  Ve ctor Q uantization Im age (Im an  Elawad y)  1363   3.  Finally, the image bl ocks are  substituted  by an index of best  estimation  code from the  cod ebo ok.           Figure 1. Vector quanti z ati o n       The ba si c pri n cipl e of vect or qu antization ba sed im age  comp re ssion te chni qu es i s  to   match  each i nput vecto r   with a  cod e -v ector in  the  codeb oo k. Th e disto r tion b e twee n the i nput  vector a nd th e cho s e n  co d e -vecto r is mi nimum [8 ]. Quantization is  an irreversibl e  pro c e s s (th e re   is no way to find the origi nal value fro m  the  quanti z ed valu e) [1 0]. The difference betwee n  the  input and o u tput sign als of  the  quantizer becom es the  quantizi ng er ror, o r  quanti z ing n o ise [11].      3. Transmiss i on Chann e l  The bi na ry sy mmetric  chan nel (BS C ) is  defined  by th e chan nel  dia g ram  sho w n i n  Figu re   2, and its ch a nnel matrix is  given by Equation (1 ):    P YX ⁄  1 p p p1 p           ( 1 )     The ch ann el has two input s (x 1  = 0,  x 2  = 1) and two o u tputs (y 1  = 0 ,  y 2  = 1). The cha nnel   is  sym m etri c becau se  the  prob ability  of receiving a  1  if a 0 is sent i s  the  sa me a s  the  pro babil i ty  of re ceiving  a  0 if a  1 is se nt. This  com m on tran sition proba bility is d enoted  by  p [12]. The  erro r  events are also inde pen de nt of t he data bits [13]. This is the simpl e st model of a chan nel wit h   errors, yet it captu r e s  mo st of the comp lexity  of the  gene ral p r obl em [14]. The  cap a city of this  cha nnel give n by Equation  (2):       C1 H p in               ( 2 )     With the bina ry entropy fun c tion given by  Equation (3 ):      H p  p l o g p 1 p log 1p        ( 3 )           Figure 2. Binary symmetri c  ch ann el   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1362 – 136 7   1364 4. Decompo s ition   We  su gge st  decompo sin g  the  origi nal i m age  into  16  imag es an d  recon s tru c tin g  a  ne w  image with t hose image s as it is illustrated in Fi gure 3. Whi c h ma ke th e pixels in the  recon s tru c ted  image not ne ighbo rho od pi xels.          Figure 3. De compo s ition of  image       As sho w n o n  Figure 3  we  take an exa m ple of 4 blocks  size 4×4 (16 pixel s  for ea ch   block).  The  first st ep  of de compo s ition  wi ll produ ce  a  n e w  blo c k si ze  4×4  co ntains 4  pixels fro m   each o r igin al block. T he n e xt step of  d e com p o s ition  pro d u c e a  n e w bl ock  si ze 4 × 4  contai ns  1   pixel from ori g inal blo c k.      5. Interleav in g  In gen eral  th e interl eavin g is on e of t he mo st i n te restin g te chn i que s u s e d  i n  lot of   appli c ation s  like stora ge,   error co rre c tion,  an d multidimen sio nal  data structure.  We use  interleavin g i n  col u mn s he re to en han ce the qu ality of the image  after de com p osition  as  sh own   in the Figure 4:          Figure 4. Interleaved im ag e      Gene rally in transmissio n of image co mpre ssed by  the vector quantization the noise   attack th e wh ole blo c k. Th e use of the restoration  in t h is  ca se be co mes u s el es s  or mo re dif f i c u lt .   The kno w led ge of blo ck’ s  pixels po se s  a big challe n ge. The id ea  here i s  to rea rra nge o r   cre a te  blocks with  n o  neig hbo rh o od pixel s  fro m  the o r ig in al  image. T h is  will de crea se  the proba bility of  obtainin g  noi sy blo c ks i n   the re ceive d   image,  a nd i n crea se th e  resto r atio n p r obability for t he  noisy pixel s . To achieve this aim  we u s e the d e co mpositio n an d interle a ving  as sho w n in  the  Figure 5.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Interlea ved  Rece ption Met hod for Resto r ed  Ve ctor Q uantization Im age (Im an  Elawad y)  1365     Figure 5. Pro posed flowch art       After applyin g  the  de com p osition  an d in terleav ing  (4,128) a  code b ook will  be  g enerate d   to encode the 16 im ages af ter transmi s si on the  de coded  will reconstruct th e 16 i m ages then  we  invert the interleaving a nd  comp ose the data fina lly we make a restoration u s ing  simple medi a n   filter the obtained re sult s are  pre s ente d  in the next se ction       6. Results a nd Analy s is  For  simul a tio n  we  u s e g r a y  level image s, si ze  512 ×5 12, co ded  in  8 bits, tra n smitted in   binary  symm etric  cha nnel , comp resse d  by ve ctor quantization  with blo c k size  4×4 a n d   cod ebo ok g e nerate d  by LBG algorithm.  For the  re sto r ation we use  a standa rd m edian filter.         Original image    Encod ed ima ge  PSNR=29.1 5 3  dB      PSNR = 2 5 .0 23dB at  BER= 1 0 -2     PSNR = 2 8 .8 90dB     PSNR = 2 7 .4 85 dB at  BER= 1 0 -2.5     PSNR = 2 9 .5 34dB     PSNR = 2 8 .5 37 dB at  BER= 1 0 -3     PSNR =29.8 3  dB                                                            Figure 6. Restored lena im age at different BER  using  median filter.  (Left: Degraded. Right:  Re store d )       Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1362 – 136 7   1366 Original image  En c o de d  imag e  PSNR = 2 7 .3 73 dB    PSNR = 2 4 .0 36 dB at  BER= 1 0 -2     PSNR =27.0 25 dB    PSNR = 2 5 .9 12dB at  BER= 1 0 -2.5     PSNR = 2 7 .5 24 dB  PSNR = 2 6 .8 19 dB at  BER= 1 0 -3   PSNR = 2 7 .7 10 dB    Figure 7. Restored boat image at  different BER using  median f ilter (Left: Degraded. Right:  Re store d )         Original image    Encod ed ima ge  PSNR = 2 8 .1 72 dB    PSNR = 2 4 .4 54 dB at  BER= 1 0 -2      PSNR = 2 7 .6 28 dB    PSNR = 2 6 .4 08 dB at  BER= 1 0 -2.5     PSNR = 2 8 .1 46 dB    PSNR = 2 7 .5 27 dB at  BER= 1 0 -3     PSNR = 2 8 .2 41 dB    Figure 8. Restored Goldhill  image at different BER  using median filter (Left: Degraded. Right:  Re store d )       The simul a tio n   result s sho w  re ceived  i m age s (Le n a ,   boat  a nd G o ldhill)  in different   BER  (10 -2 , 10 -2.5  and 10 -3 ).   The propo se d approa ch i s  ba sed o n  image de co m positio n and i n terleavin g in  orde r to  spread th e n o isy pixels in  different blo c ks  whi c h kee p  som e  origi n al pixels in th e noise blo c k. In   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Interlea ved  Rece ption Met hod for Resto r ed  Ve ctor Q uantization Im age (Im an  Elawad y)  1367 this case, the pixel recov e ry  will be easy. The effi ciency of  restoration show s a good results  esp e ci ally with BER=10 -2  by using  sim p le medi an filter. Due to  q uality of reco nstru c ted i m a g e   us ing  vec t or quantiz ation c o mpress ion we c an’t  get the same improvement at B E R= 10^-2.5 and  BER= 1 0 -3 .   Th e vecto r  q uan tization  com p ressio n d epe nds on  the  si milarity of the  regi on s it ta kes  some  sampl e s to  rep r e s ents e a ch re gion  (code bo ok). In  case  of cha ngin g   this si milarity  of  regio n s the  sele ction  of  sampl e s will  be m o re di fficult and  n o t perfe ct  which  ma ke t h e   recon s tru c ted  image d egraded, ho wev e r the resto r ation be com e s e a sie r  b e c au se  we h a v e  some info rma t ion about th e nature of o r iginal bl ock, so we sh ould  balan ce bet wee n  the qu ality  of reconstruct ed image and the efficiency  of the  restoration, howev e r our  approach i s   still sim p le  and d o e s n’t  con s um e lot  of processi ng resource s com p a r ed  with othe r  re sea r che r  [15 - 16].  Some pro p o s itions is g o in g to be provi ded in con c l u sio n  that ca n make our  prop ositio n m o re  effic i ent.      7. Conclusio n   The propo se d solutio n  is  not perfe ct a s  sh ow n f r om  t he simulat i o n  re sult s  so  we mu st   take ou r ch oi ce bet wee n  the quality of image an d t he efficien cy of restor ation (we mu st use  the  approa ch  wisely). As prop osition m a yb e we  can  opt i m ize in th e d e com p o s ition  by using  artif i cial  intelligen ce  a l so ve ry so p h isticated filters can  b e   use d  in th e  data receiver to enh an ce  the  quality of image or may be  by chan ging t he way of co mpre ssion.       Referen ces   [1]    Suqi ng Z han g, Aiq i an g W a n g . An Ima g e   Compress io n  Method  Bas e d  on  W a vel e t T r ansform  and   Neur al N e t w or k.  T E LKOMNIKA T e leco mmunic a tion  Co mputin g El ectron ics an d Co ntro l.  201 5; 13( 2):   587- 596.   [2]    Bo W ang, Yubi n Gao.An  Image Com p ressi on Sch e me Base d on F u zz y  N e ural Net w o r k.  T E LKOMNIKA T e leco mmunic a tion C o mputi n g Electron ics a nd Co ntrol . 20 15; 13(1): 1 37- 145.   [3]    M Masudur R ahma n , Moha mmad Motiur  Rahm an.Efficie n t Image Co mpressio n  T e chni que us in g  JPEG2000   w i t h  Ad aptive  T h resho l d.  Intern a t iona l Jo urna l o f  Imag e Proc es sing (IJIP) . 20 1 5 ; 9(3): 1 66- 174.   [4]    Juan li Hu, Jia b i n  Den g , Jueb o W u . Image Co mpressio n  Bas ed on Improv e d  F F T  Algorithm.  Journal of   Netw orks . 201 1; 6(7): 104 1-1 048.   [5]    T e jas S Patel, Ravindr a Modi, Ke yur J  Pa tel. Image  Compressi on  Using DW T  and Vector   Quantizati on.  Internatio na l Journ a l of Inn o vative R e se arch in C o mputer a nd Co mmu n icati o n   Engi neer in g . 2013; 1(3).    [6]    Moham ed El  Z o rkan y .  A H y brid Imag e Co mpressio n  T e chni que Us in g Neur al Net w o r k and Vector  Quantizati on  W i th DCT . Springer Inte rn atio nal Pu blis hi ng. 201 4: 233- 244.   [7]    HR W u , KR Rao. Digita l  Vide o  Image Q ualit y  and Perc eptu a l  Codi ng. T a ylor  & F r ancis   Group. 200 6.   [8]    Ajol Kum a r Ra y, T i nku Achar ya. Informati on   T e c hnol og y P r incip l es a nd A pp lic atio ns. Prentice H a ll of  India. 20 04.    [9]    NM Nasra bad i ,  RA King. Image co di ng  usin g vector  qua ntizati on: a revie w .  IEE E  T r ans, on   Co mmun icati o ns . 1988; 3 6 (8) :  957-97 1.   [10]    Y Yun,  Q Shi,  Hu ifang  Su n. Image  a n d  V i de o C o mpr e s s ion  for Mu lti m edi a En gi ne erin g. Sec ond   editi on. CRC P r ess. 2008.    [11]    Z hou W a ng, Al an C  Bov i k. Mean  squ a re d e rror lov e  it  or l eave  it.  IEEE  s i gnal process i ng m a ga z i ne .  200 9; 26(1): 98 -117.   [12]    H w ei  Hsu. An alo g  an d di git a l commu nic a tions .sch aum’s.  Secon d  ed iti on. McGra w -H ill Ed ucati on.   200 3.   [13]    Milan S onk a, Vaclav H l av ac,  Roger B o yle.  Image Proce ssing An al ysis  and Mac h in e  Vision. T h ird   editi on. T H OMSON. 2008.   [14]   John Mi ano. C o mpress ed Image F i l e  F o rma ts. Addison W e sle y .  199 9.  [15]    Junp ing W a ng , Dapen g Z h a ng. Image D e noisi ng B a sed  on Artificial  Bee Co lo n y   a nd BP Ne ural   Net w ork.  TEL K OMNIKA Teleco mmu n icati o n Co mp utin g Electron ics an d Contro l . 201 5; 13(2): 61 4- 623.   [16]    K F r eema n , M  Re icher.  A N o vel  Ap proac h   for Imag e  De noisi ng  Usi n g   Digita l  Fi lters.  Internatio na l  Globa l Journ a l  for Engin eeri n g  Researc h . 201 5; 13(1): 21-2 4 .     Evaluation Warning : The document was created with Spire.PDF for Python.