Image compression performance comparison of RLE and LZV algorithms for effective big data management: A case study

Abstract

Due to the rapid increase in digitization, the need for data storage in digital systems and network systems is increasing. As important as fixtures for public institutions and the private sector, It is vital that digital data is stored and backed up in a healthy and secure manner. At the same time, storing data on social media and similar digital platforms is becoming a necessity. As the need for data storage becomes a problem, different solutions are sought and smaller data storage possibilities are preferred. Data compression algorithms also serve this purpose in a sense. The main purpose of the studies in this field is to obtain less voluminous data by using compression methods from the raw data produced, to narrow the area covered by the data without destroying its original state, and to create data sets with low storage costs. There are many studies in the literature for this purpose. In this study, researches on the subject are carried out and different compression algorithms such as LZW, RLE are discussed. In addition, image files in different formats are compared based on their size, and image compression performances are tested based on the space occupied by image compression algorithms in memory.

Keywords

• Image Compression
• Image Processing
• Big Data Management
• LZW
• RLE

Etkili büyük veri yönetimi için RLE ve LZV algoritmalarının görüntü sıkıştırma performans karşılaştırması: Bir vaka çalışması

Abstract

Dijitalleşmenin hızla artıyor olması dijital sistemlerdeki belleklerde ve network sistemlerde karşılaşılan veri saklama ihtiyacını artırmaktadır. Kamu kurumları ve özel sektör için demirbaşlar kadar önemli olan dijital verilerin sağlıklı ve güvenli şekilde saklanması ve yedeklenmesi hayati önem arz etmektedir. Aynı zamanda sosyal medya ve benzer dijital platformlarda veri saklama zorunlu bir ihtiyaca dönüşmektedir. Veri depolama ihtiyacı sorun haline geldikçe farklı çözüm yolları aranmakta ve daha küçük boyutlu veri saklama olanakları tercih edilmektedir. Veri sıkıştırma algoritmalarıda bir anlamda bu amaca hizmet etmektedir. Üretilen ham veriden sıkıştırma yöntemlerinden yararlanılarak daha az hacimli veri elde etmek, verinin orijinal halini bozmadan kapladığı alanı daraltmak ve saklama maliyetleri düşük veri setleri oluşturmak bu alanda yapılan çalışmaların temel amacı durumundadır. Literatürde bu amaca yönelik çok sayıda çalışma bulunmaktadır. Bu çalışmada da konuyla ilgili araştırmalar yapılmakta LZW,RLE gibi farklı sıkıştırma algoritmaları tartışılmaktadır. Ayrıca farklı formatlardaki görüntü dosyaları boyutları temel alınarak karşılaştırılmakta ve görüntü sıkıştırma algoritmalarının bellekte kapladığı alan baz alınarak görüntü sıkıştırma performansları test edilmektedir.

Keywords

• Image Compression
• Image Processing
• Big Data Management
• LZW
• RLE

References

1. Albahadiliy H. K., Tsviatkou V. U., Altaay A. A., Kanapelka V. K., (2016), New Modified RLE Algorithms to Compress Grayscale Images with Lossy and Lossless Compression, International Journal of Advanced Computer Science and Applications, Vol. 7, No. 7, 2016 DOI: 10.14569/IJACSA.2016.070734
2. Altan M., Cerus A, (2006), Veri Sıkıştırmada Yeni Yöntemler, Trakya Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Edirne, 2006
3. Bulut F., (2016), Huffman Algoritmasıyla Kayıpsız Hızlı Metin Sıkıştırma, El-Cezerî Journal of Science and Engineering Vol: 3, No: 2, 2016 (287-296)
4. Cerus A., Altan M., (2006), Kayıpsız Görüntü Sıkıştırma Yöntemlerinin Karşılaştırılması, Trakya Üniversitesi Mimarlık-Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Edirne.
5. Ibrahim A.M.A., Mustafa M.E., (2015), Comparison Between (RLE And Huffman) Algorithms for Lossless Data Compression, International Journal of Innovative Technology and Research Volume No.3, Issue No.1, December – January 2015, 1808 – 1812
6. Kaya Ş. M., Erdem A., & Güneş A., (2022), Anomaly Detection and Performance Analysis by Using Big Data Filtering Techniques For Healthcare on IoT Edges, Sakarya University Journal of Science Institute 26 (1), 1-13
7. Kaya, Ş. M., Erdem A., & Güneş A., (2021), A Smart Data Pre-Processing Approach to Effective Management of Big Health Data in IoT Edge. Smart Homecare Technology and TeleHealth, 8, 9-21.
8. Kaya, Ş. M., (2021), A smart data pre-processing approach for effective management of healthcare big data on IoT edges, Istanbul Aydın University, Graduate School of Natural and Applied Sciences, Department of Computer Engineering, PhD Thesis.

9. Kaya, Ş. M., Güneş A., & Erdem A. (2021). A Smart Data Pre-Processing Approach by Using ML Algorithms on IoT Edges: A Case Study. In 2021 International Conference on Artificial Intelligence of Things (ICAIoT) (pp. 36-42). IEEE.
10. Shrividhiya G., Srujana K S., Sukruta N K., Gururaj C., (2021)., Robust Data Compression Algorithm utilizing LZW Framework based on Huffman Technique, International Conference on Emerging Smart Computing and Informatics (ESCI) AISSMS Institute of Information Technology, Pune, India. Mar 5-7, 2021
11. Şişman Ç., (2014), Veri Sıkıştırma Ve Veri Şifreleme Algoritmalarının Ağ Üzerinde Beraber Kullanımı Ve Performanslarının İncelenmesi, Trakya Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Edirne.
12. Uçar E. (2011), Sıkıştırılmış Raster Görüntülerin Fotogrametrik Otomasyonda Kalite ve Doğruluk Üzerindeki Etkilerinin Araştırılması, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
13. Wijaya M. C., (2021), Comparative Analysis of Performance Run Length (RLE) Data Compression Design by VHDL and Design by Microcontroller, I.J. Modern Education and Computer Science, 2021, 6, 11-24 DOI: 10.5815/ijmecs.2021.06.02