基于人工神經網(wǎng)絡的圖像壓縮方法研究.pdf

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

2、網(wǎng)絡圖像壓縮和SOFM矢量量化，前者包括單個BP網(wǎng)絡和多級BP網(wǎng)絡圖像壓縮方法研究；后者主要包括原始SOFM矢量量化、基于Hopfield網(wǎng)絡的圖像邊緣檢測以及邊緣保持SOFM矢量量化。 歸納起來，本文主要圍繞下面的層次和思想展開： （1）BP網(wǎng)絡能夠直接提供數(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)絡的圖像壓縮的機理，深入研究它在圖像壓縮中的應用及其關鍵技術，分別應用BP算法的各種學習規(guī)則來實現(xiàn)圖像壓縮，通過

3、一系列實驗，分析和總結了壓縮性能與各種網(wǎng)絡參數(shù)之間的關系，這是本論文工作的一個重要部分。 （2）在單個BP網(wǎng)絡實現(xiàn)圖像壓縮的基礎上，結合圖像塊間的相關性，提出了多級BP網(wǎng)絡實現(xiàn)圖像壓縮的思想，分析了基于多級BP網(wǎng)絡的圖像壓縮的網(wǎng)絡模型，深入研究了多級網(wǎng)絡的嵌套式訓練算法，并在現(xiàn)有條件下實現(xiàn)了圖像壓縮與圖像重建，從而實現(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（SOFM）的算法以及結構，探討了矢量量

4、化的有關理論，并在此基礎上分析SOFM在矢量量化中的應用及其關鍵技術，最后用SOFM實現(xiàn)矢量量化，從而實現(xiàn)圖像壓縮，并分析各種參數(shù)對重建圖像性能的影響，這是本論文工作的另一個重要部分。 （4）本文的創(chuàng)新之二在于用Hopfield網(wǎng)絡進行圖像邊緣檢測，這與傳統(tǒng)的圖像邊緣檢測方法完全不同，利用Hopfield網(wǎng)絡的并行結構，提高了計算速度，并且實現(xiàn)了基于圖像內容的邊緣檢測，從而運用邊緣檢測結果計算出圖像子像素塊的統(tǒng)計特性和邊緣特性。

5、 （5）針對BP網(wǎng)絡圖像壓縮和原始SOFM圖像壓縮的一個致命缺點——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)絡的權值修正過程中，從而提出了一種邊緣保持的SOFM矢量量化方法，實驗證明該方法是行之有效的，應用改進方法的重建圖像具有更好的邊緣特性和視覺效果。這種方法的提出是本論文的主要創(chuàng)新之處。 大量實驗表明，本文的研究工作不僅推進了神經網(wǎng)絡圖像壓縮的實用化進程，而且為神經網(wǎng)絡圖像壓縮理論提供了更廣闊的