外文翻譯中文---神經(jīng)網(wǎng)絡(luò)用于圖像壓縮-wenkub
2023-05-19 05:11:37 本頁面
【正文】 SOFM 算法有許多重要的特性，這些特性使得它適合于用作矢量量化中的碼書生成器 [5]： 1） 特征 矢量 集是 原輸入矢量空間的優(yōu)化逼近。事 實(shí)上，對于同一鄰域范圍}{)( ii CCN ? ， LBG 算法是與 SOFM 算法等價的批處理方法。 許多學(xué)者 [60]， [61]， [62]， [63]已經(jīng)成功地使用 SOFM 算法生成 VQ 碼書，并論證了采用 SOFM 算法較經(jīng)典的 LBG 算法的優(yōu)越之處，包括對 初始 碼書的低敏感性、較低 的 失真率和較快的收斂速度。 圖象中相鄰碼字和相鄰塊之間的聯(lián)系可被用于 DPCM 編碼， 其中 輸入信號就是碼書地址。 在 FSVQ中，從當(dāng)前狀態(tài) nS 的碼書中選擇碼字索引 ni 。 超級碼書由 SOFM 算法得出 ， 并且狀態(tài)碼書在拓?fù)溆成鋬?nèi)是相鄰的。學(xué)習(xí)矢量量化是一種監(jiān)督學(xué)習(xí)算法，如果有一組標(biāo)記的訓(xùn)練數(shù)據(jù)，它可用來修正碼書[57]。 G． 分層矢量量化 傳統(tǒng) VQ 編碼的一個缺點(diǎn)是在編碼階段所需要的負(fù)荷， 因?yàn)閷τ诿恳粋€輸入矢量都需要對它的整個碼書進(jìn)行 窮舉搜索。此外 ， 當(dāng)假定平移不變時，每階段僅需計算一個碼書。 隨著訓(xùn)練的進(jìn)行， 碼字?jǐn)?shù)量減少。 這在訓(xùn)練過程中大大減小了計算要求， 并仍然產(chǎn)生拓?fù)渑判虻?碼書。 對于輸入矢量，搜索開始于 網(wǎng)絡(luò)頂層并發(fā)現(xiàn)獲勝碼字。 Lee 和 Petersom[64]提出一種方法，這種方法可以通過允許產(chǎn)生新的權(quán)、合并和刪除現(xiàn)有權(quán) 以及在拓?fù)溆成渲泻喜⑤S線 ，以動態(tài)地改變 權(quán)之間的結(jié)構(gòu)和相鄰關(guān) 系。 就歐式距離而言，修正距離測度可被定義為： 2)(),( iiiF S C L wxufwxD ?? (41) 其中 iu 是碼字 i 獲勝的次數(shù)， )(?f 是獲勝數(shù)的增加函數(shù)稱為“ 公平函數(shù) ” 。 使用（ 42）式較 LBG 碼本可使 MSE 增加，而使用（ 43）式的結(jié)果碼書與 LBG 碼書相比， MSE 幾乎相同 。采用了兩種“公平函數(shù)”，一個等于獲勝數(shù) iuuf ?
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1