Heutige Bilddatenbanken bestehen ohne weiteres aus mehreren hunderttausend Bildern, und bewegen sich bezüglich Speicherplatzanforderungen im Terabyte Bereich, auch wenn sie mit aktuellen Bildkompressionsverfahren arbeiten. In dieser Arbeit wird gezeigt, wie sich bestehende Redundanzen zwischen verschiedenen, aber ähnlichen Bildern in so einer Bilddatenbank gewinnbringend auszunutzen lassen, um Bildkompressionsraten zu erhöhen. Hierzu werden eine Reihe von auf Einzelbildern arbeitende Verfahren (fraktale Kompression, Primärkomponentenanalyse, Textursegmentierung, zeilenbasierte Pixelvorhersagen) auf Bildmengen erweitert. Diese neuen Verfahren komprimieren ähnliche Bilder mit mehr Effizienz als bei der Einzelbildkompression. Um eine bestehende Bilddatenbank in Gruppen zu zerlegen, auf denen man die genannten Verfahren möglichst gewinnbringend einsetzen kann, werden eine Reihe von Clustering-Algorithmen und -Metriken daraufhin untersucht, inwieweit sie mit den aus den Datenkompressionsansätzen gewonnenen Statistiken zusammenarbeiten und eine gewinnbringende Zerlegung der Datenbank in Gruppen von ähnlichen Bildern liefern.     «

Heutige Bilddatenbanken bestehen ohne weiteres aus mehreren hunderttausend Bildern, und bewegen sich bezüglich Speicherplatzanforderungen im Terabyte Bereich, auch wenn sie mit aktuellen Bildkompressionsverfahren arbeiten. In dieser Arbeit wird gezeigt, wie sich bestehende Redundanzen zwischen verschiedenen, aber ähnlichen Bildern in so einer Bilddatenbank gewinnbringend auszunutzen lassen, um Bildkompressionsraten zu erhöhen. Hierzu werden eine Reihe von auf Einzelbildern arbeitende Verfahren...     »

Image databases today easily contain several hundreds of thousands of images, and use several terabytes of disk space, even when tightly compressed with state-of-the-art algorithms. In this thesis, it is shown how redundancies between different but similar images in such image databases can be exploited to enhance compression rates. In order to do that, a number of image compression algorithms which usually only work on single images (fractal compression, principal component analysis, texture segmentation, line-wise predictors) are extended to versions which work on image groups. The new algorithms are able to compress images better than their single-image variants if the images are similar enough. In order to find such groups of similar images, a number of clustering strategies are evaluated in order to estimate to which degree they are able to partition an existing image database into groups such that the new compression algorithms are able to accomplish the maximum of compression.      «

Image databases today easily contain several hundreds of thousands of images, and use several terabytes of disk space, even when tightly compressed with state-of-the-art algorithms. In this thesis, it is shown how redundancies between different but similar images in such image databases can be exploited to enhance compression rates. In order to do that, a number of image compression algorithms which usually only work on single images (fractal compression, principal component analysis, texture...     »