Combinaison de compression d'image et de classification utilisant la quantification vectorielle

Nous décrivons une méthode combinant classification et compression en un seul quantificateur vectoriel en incorporant un terme de risque de Bayes dans la mesure de distorsion utilisée dans l'algorithme de conception du quantificateur. Une fois entraîné, le quantificateur peut fonctionner pour minimiser la mesure de distorsion pondérée par le risque de Bayes s'il existe un modèle fournissant les probabilités a posteriori requises, ou il peut fonctionner de manière suboptimale en minimisant seulement l'erreur au carré. Des comparaisons sont effectuées avec d'autres classificateurs basés sur le quantificateur vectoriel, y compris la conception indépendante de la quantification et la classification risque de Bayes minimum et le LVQ de Kohonen. Une variété d'exemples démontre que la méthode proposée peut fournir une capacité de classification proche ou supérieure à celle du VQ d'apprentissage tout en offrant simultanément des performances de compression supérieures.