基于人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮方法研究.pdf

1、基于神經(jīng)網(wǎng)絡(luò)的圖像壓縮技術(shù)，在理論和技術(shù)上開(kāi)辟了圖像壓縮的新途徑。本文深入研究了基于BP （Back-Propagation）網(wǎng)絡(luò)和自組織特征映射網(wǎng)絡(luò)的圖像壓縮方法，并在針對(duì)原始的自組織特征映射網(wǎng)絡(luò)（SOFM，Self-Organizing Feature Map）矢量量化的缺點(diǎn)的基礎(chǔ)上提出了改進(jìn)的矢量量化方法，由此引發(fā)了眾多新型神經(jīng)網(wǎng)絡(luò)圖像壓縮系統(tǒng)的研究與探討，使其技術(shù)本身更具應(yīng)用前景。 本文的研究工作主要分為兩大部分：BP

2、網(wǎng)絡(luò)圖像壓縮和SOFM矢量量化，前者包括單個(gè)BP網(wǎng)絡(luò)和多級(jí)BP網(wǎng)絡(luò)圖像壓縮方法研究；后者主要包括原始SOFM矢量量化、基于Hopfield網(wǎng)絡(luò)的圖像邊緣檢測(cè)以及邊緣保持SOFM矢量量化。 歸納起來(lái)，本文主要圍繞下面的層次和思想展開(kāi)： （1）BP網(wǎng)絡(luò)能夠直接提供數(shù)據(jù)壓縮能力，首先從探討B(tài)P算法入手，剖析基于BP網(wǎng)絡(luò)的圖像壓縮的機(jī)理，深入研究它在圖像壓縮中的應(yīng)用及其關(guān)鍵技術(shù)，分別應(yīng)用BP算法的各種學(xué)習(xí)規(guī)則來(lái)實(shí)現(xiàn)圖像壓縮，通過(guò)

3、一系列實(shí)驗(yàn)，分析和總結(jié)了壓縮性能與各種網(wǎng)絡(luò)參數(shù)之間的關(guān)系，這是本論文工作的一個(gè)重要部分。 （2）在單個(gè)BP網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮的基礎(chǔ)上，結(jié)合圖像塊間的相關(guān)性，提出了多級(jí)BP網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮的思想，分析了基于多級(jí)BP網(wǎng)絡(luò)的圖像壓縮的網(wǎng)絡(luò)模型，深入研究了多級(jí)網(wǎng)絡(luò)的嵌套式訓(xùn)練算法，并在現(xiàn)有條件下實(shí)現(xiàn)了圖像壓縮與圖像重建，從而實(shí)現(xiàn)高壓縮比，這是本論文的一種嘗試。 （3）研究了自組織特征映射網(wǎng)絡(luò)（SOFM）的算法以及結(jié)構(gòu)，探討了矢量量

4、化的有關(guān)理論，并在此基礎(chǔ)上分析SOFM在矢量量化中的應(yīng)用及其關(guān)鍵技術(shù)，最后用SOFM實(shí)現(xiàn)矢量量化，從而實(shí)現(xiàn)圖像壓縮，并分析各種參數(shù)對(duì)重建圖像性能的影響，這是本論文工作的另一個(gè)重要部分。 （4）本文的創(chuàng)新之二在于用Hopfield網(wǎng)絡(luò)進(jìn)行圖像邊緣檢測(cè)，這與傳統(tǒng)的圖像邊緣檢測(cè)方法完全不同，利用Hopfield網(wǎng)絡(luò)的并行結(jié)構(gòu)，提高了計(jì)算速度，并且實(shí)現(xiàn)了基于圖像內(nèi)容的邊緣檢測(cè)，從而運(yùn)用邊緣檢測(cè)結(jié)果計(jì)算出圖像子像素塊的統(tǒng)計(jì)特性和邊緣特性。

5、 （5）針對(duì)BP網(wǎng)絡(luò)圖像壓縮和原始SOFM圖像壓縮的一個(gè)致命缺點(diǎn)——重建圖像的邊緣模糊，將待壓縮圖像的邊緣特性融入自組織特征映射網(wǎng)絡(luò)的權(quán)值修正過(guò)程中，從而提出了一種邊緣保持的SOFM矢量量化方法，實(shí)驗(yàn)證明該方法是行之有效的，應(yīng)用改進(jìn)方法的重建圖像具有更好的邊緣特性和視覺(jué)效果。這種方法的提出是本論文的主要?jiǎng)?chuàng)新之處。 大量實(shí)驗(yàn)表明，本文的研究工作不僅推進(jìn)了神經(jīng)網(wǎng)絡(luò)圖像壓縮的實(shí)用化進(jìn)程，而且為神經(jīng)網(wǎng)絡(luò)圖像壓縮理論提供了更廣闊的