【正文】 圖像一樣。 各種圖像壓縮方法介紹 城地大概地大概地 在開始進(jìn)行圖像壓縮的工作之前，有必要先了解已有的圖像壓縮方法及其分類。而 學(xué)習(xí)矢量量化 網(wǎng)絡(luò) (LVQ)的基本思想源于 SOFM 網(wǎng)絡(luò)，區(qū)別在于 LVQ 是一種有監(jiān)督的網(wǎng)絡(luò)[18],[20],[21]。同時，隨著數(shù)學(xué)、物理學(xué)、腦成像技術(shù)和計算機(jī)科學(xué)的發(fā)展，使得人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network， ANN）理論的研究再一次成為人工智能領(lǐng)域研究的熱點(diǎn) [1]， [2]。 通過充分利用人眼的視覺特性和圖像本身的統(tǒng)計特性來減小圖像信息的冗余度， 可以在保證圖像質(zhì)量的條件下實(shí)現(xiàn)圖像壓縮。面對當(dāng)前人們對圖像信息交流的需求，如果不進(jìn)行數(shù)據(jù)壓縮，現(xiàn)有的計算機(jī)設(shè)備和低速網(wǎng)絡(luò)基本上不能處理、傳輸和存儲視頻以及圖像信號，因此，圖像數(shù)據(jù)的壓縮是必須的 [3]。 參考文獻(xiàn) 錯誤 !未定義書 簽。 改進(jìn)算法矢量量化圖像壓縮的結(jié)果分析 錯誤 !未定義書簽。 LVQ 矢量量化圖像壓縮的結(jié)果分析 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 基于 SOFM 的矢量量化 錯誤 !未定義書簽。 錯誤 !未定義書簽。 SOFM 網(wǎng)絡(luò)鄰域函數(shù)和學(xué)習(xí)率函數(shù)的選擇 基本 SOFM 算法 SOFM 網(wǎng)絡(luò)的基本思想 IV 實(shí)驗(yàn)結(jié)論 初始碼書的生成 LBG 算法 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 矢量量化關(guān)鍵技術(shù) 復(fù)雜度 錯誤 !未定義書簽。 矢量量化的定義 錯誤 !未定義書簽。 錯誤 !未定義書簽。 3 本文的研究目標(biāo)和主要內(nèi)容 2 矢量量化技術(shù)的研究現(xiàn)狀 SOFM neural work。對于給定的碼字大小，碼書越大，壓縮比越低，但重建圖像質(zhì)量越好；碼書相同時碼字較小的編碼性能較優(yōu)。 I 基于 SOFM 和 LVQ 神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮 摘 要 矢量量化作為一種高效的數(shù)據(jù)壓縮技術(shù)，已被廣泛應(yīng)用于圖像壓縮領(lǐng)域。 關(guān)鍵詞 ： 碼書設(shè)計； LBG 算法； SOFM 神經(jīng)網(wǎng)絡(luò)； LVQ 神經(jīng)網(wǎng)絡(luò)；改進(jìn)算法 II The Vector Quantization in Image Compression Based on SOFM and LVQ Abstract As an efficient data pression technique, vector quantization(VQ) has been widely applied to image pression. This paper presents a systematic introduction to the theory of VQ data pression, focusing on the key technology of VQ—— codebook design algorithm: 1. The classical algorithm of VQ codebook design—LBG algorithm is reviewed. The VQ codebook design algorithm based on the peted artificial neural work—SOFM neural work and LVQ neural work are studied. 2. The training process and performance of these three codebook design algorithms are studied through simulation experiments. During the experiments, image blocking is adopted in the construction of the vectors. 3. An improved method for codebook design based on the bination of SOFM and LBG is put forward according to the characteristics of LBG algorithm and its validity is validated by the experiment. The experimental results indicate that the LBG algorithm and LVQ algorithm are sensitive dependence to initial codebook。 LVQ neural work。 1 各種圖像壓縮方法介紹 4 第 2 章 矢量量化基礎(chǔ)知識 矢量量化的基本原理 矢量量化的理論基礎(chǔ) 矢量量化的特點(diǎn) 錯誤 !未定義書簽。 錯誤 !未定義書簽。 矢量量化和圖像壓縮 基于矢量量化的圖像壓縮技術(shù) 錯誤 !未定義書簽。 LBG 算法的理論基礎(chǔ) 錯誤 !未定義書簽。 錯誤 !未定義書簽。 錯誤 !未定義書簽。 SOFM 算法的優(yōu)缺點(diǎn) SOFM 算法的改進(jìn) 仿真實(shí)驗(yàn)與效果分析 SOFM 矢量量化圖像壓縮的流程圖 錯誤 !未定義書簽。 錯誤 !未定義書簽。 LVQ 網(wǎng)絡(luò)的基本思想與網(wǎng)絡(luò)結(jié)構(gòu) 基本 LVQ 算法 LVQ 算法的改進(jìn) 錯誤 !未定義書簽。 仿真試驗(yàn)與效果分析 LVQ 矢量量化圖像壓縮流程圖 實(shí)驗(yàn)結(jié)論 錯誤 !未定義書簽。 錯誤 !未定義書簽。 四種算法矢量量化圖像壓縮的效果比較 錯誤 !未定義書簽。 9 1 第 1 章 前 言 圖像壓縮的目的和意義 人類獲取到的信息 80%來源于圖像媒體， 15%來源于語音 [5]。 數(shù)字圖像壓縮的目的是減少表示圖像所需的比特數(shù)，更有效地表示圖像，以便于圖像的處理、存儲和傳輸。 正是由于圖像壓縮的必要性和可行性，許多致力于減少數(shù)據(jù)量和降低比特率，同時又盡量 保持圖像信號原有質(zhì)量的壓縮編碼方案應(yīng)運(yùn)而生 [3],[4],[5],[26],[29]。作為和 2 第一代電子計算機(jī)同時代產(chǎn)物的人工神經(jīng)網(wǎng)絡(luò)， 具有 大規(guī)模并行處理和分布式信息存儲的優(yōu)勢，并有良好的自適應(yīng)性、自組織性和容錯性，以及強(qiáng)大的學(xué)習(xí)功能、聯(lián)想記憶功能 [1],[2],[6],[8]。這兩種神經(jīng)網(wǎng)絡(luò)都可用 在 矢量量化中的關(guān)鍵步驟 —— 碼書 設(shè)計 中 ,用于訓(xùn)練并生成碼書。圖像壓縮方法的研究已經(jīng)經(jīng)歷了歷代研究者的努力，有人稱 1948 年～ 1988年主要研究的圖像編碼方法為經(jīng)典方法，同時把有重要發(fā)展前景的圖像編碼方法稱為現(xiàn)代方法 [3]。典型的有損壓縮方法有：預(yù)測編碼 、 變換編碼 [23]、 矢量量化編碼 [4]等。這些標(biāo)準(zhǔn)根據(jù)需要處理的圖像類型分為二進(jìn)制圖像壓縮標(biāo)準(zhǔn)、靜止灰度和彩色圖像壓縮標(biāo)準(zhǔn)、運(yùn)動（連續(xù)）灰度和彩色圖像壓縮標(biāo)準(zhǔn)。 基本 JPEG 算法主要有三個步驟 :首先通過 DCT 去除數(shù)據(jù)冗余，然后使用量化表對 DCT 系數(shù)進(jìn)行量化，最后對量化后的 DCT 系數(shù)進(jìn)行編碼使其熵達(dá)到最小，熵編碼采用 Huffman 可變字長編碼。在二十世紀(jì)六十年代初期和中期，出現(xiàn)了最早的矢量量化思想， HUANG 和Schultheiss 提出最早的分組量化的基本實(shí)現(xiàn)方法，這些最早的研究并沒有給出矢量量化的嚴(yán)格定義，直到 1980 年由 Linde， Buzo 和 Gray 將聚類算法引入到矢量量化器設(shè)計中，提出了一種著名的矢量量化 碼書 設(shè)計算法，即 LBG 算法（又稱為 GLA 算法） [4]。 矢量量化關(guān)鍵技術(shù)是碼書設(shè)計（生成）、碼字搜索和碼字索引分配。 碼書的生成方式有多種，自 LBG 算法作為一種非常有效的碼書設(shè)計算法提出以后，矢量量化碼書設(shè)計算法的研究得到了廣泛的關(guān)注和研究，并且取得很多成果。 全文共分為 7 部分，其具體內(nèi) 容安排如下： 5 ? 前言，介紹所研究課題的研究背景、意義，國內(nèi)外研究現(xiàn)狀，以及課題的研究思路、研究內(nèi)容。下面，求出各個重建圖像的峰值信噪比， 列于表 12 中。本文對三種傳統(tǒng)的矢量量化碼書設(shè)計算法進(jìn)行 了 仿真比較和改進(jìn)優(yōu)化，采用標(biāo)準(zhǔn) Lena 圖像進(jìn)行矢量量化壓縮實(shí)驗(yàn)，對已有的碼書設(shè)計算法的性能進(jìn)行了較全面的分析，提出一種聯(lián)合算法用作改進(jìn)并 取得 成效。選用標(biāo)準(zhǔn)的 Lena 圖像對 LBG 算法進(jìn)行了實(shí)驗(yàn)，改變相關(guān)參數(shù)分析算法的性能。 分析了實(shí)現(xiàn)基于 LVQ 的矢量量化的基本思路，用 LVQ 網(wǎng)絡(luò)對標(biāo)準(zhǔn)的 Lena 圖像進(jìn)行了矢量量化編碼， 并 分析 了 算法的 8 性能。 2) 研究 SOFM 神經(jīng)網(wǎng)絡(luò) 中 不同的鄰域函數(shù)、學(xué)習(xí)參數(shù)對碼書性能 的 影響 ，研究 LVQ 神經(jīng)網(wǎng)絡(luò)目標(biāo)層矢量的 選取對碼書性能的影響 。由于使用 SOFM 和 LVQ 實(shí)現(xiàn)碼書設(shè)計時，輸入矢量個數(shù)和網(wǎng)絡(luò) 神經(jīng)元 個數(shù)都較大，使用 MATLAB R2021a 時運(yùn)行速度慢，不能體現(xiàn)算法的優(yōu)勢 。 9 參考文獻(xiàn) [1] （美） Martin Howard 著 戴葵等譯 .神經(jīng)網(wǎng)絡(luò)設(shè)計 [M].北京：機(jī)械工業(yè)出版社 . [2]（美） Simon Haykin 著 葉世偉 ,史忠植譯 .神經(jīng)網(wǎng)絡(luò)原理 [M].北京：機(jī)械工業(yè)出版社 . [3] 徐立中，李士進(jìn)，石愛業(yè) .數(shù)字圖像的智 能信息處理（第二版） [M].北京：國防工業(yè)出版社， [4] 孫圣和 , 陸哲明 . 矢量量化技術(shù)及應(yīng)用 [M]. 北京 : 科學(xué)出版社 , 2021: 3149 [5]黃賢武，王加俊，李家華 .數(shù)字圖像處理與壓縮編碼技術(shù) [M].成都：電子科技大學(xué)出版社， [6]胡德文 .神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制 [M].北京：國防工業(yè)出版社， [7]繆紹剛 .數(shù)字圖象處理 —— 活用 MATLAB[M].成都：西南交通大學(xué)出版社， 2021. [8]閻平凡 張長水 .人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)行計算 [M].北京：清華大學(xué)出 版社， 2021 [9]傅 茂名，林瑞 春 . 基于 自組織特征 映射的圖 像壓縮技術(shù) [J]. 計算 機(jī)工程與 應(yīng)用 :2021,43(32):38～ 39 [10]王茂芝 ,郭彬 ,徐文皙 .基于改進(jìn) SOFM 的矢量量化圖像壓縮 [J].成都理工大學(xué)學(xué)報 (自然科學(xué)版 ):2021,(6) [11]馬立新，王仁鋒 .基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的矢量量化及其在圖像壓縮中的應(yīng)用 [J].上海電力學(xué)院學(xué)報 :2021,(4):912 [12]王瑤 ,梁科 .一種改進(jìn)的自組織特征映射圖像壓縮算法 [J].無線電工程 （ 12） [13]涂立橋 .SOFM 算法和 LBG 算法聯(lián)合用于圖像壓縮的研究 [J].黃石高等?？茖W(xué)校報： 2021，6:1820 [14] 劉評 , 朱心雄 . 基于快速搜索的碼書快速生成算法 [J]. 北京航空航天大學(xué)學(xué)報 .1998,2,24(1):6467 [15]陸哲明，孫圣和 . 基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的矢量量化 [J]. 中國圖象圖形學(xué)報 .2021,10,5(10):846850 [16] 繆 青 ,高大啟 . 基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的局部矢量量化算法 [J]. 計算機(jī)應(yīng)用與軟件 .2021,7,23(7):108112 10 [17] 劉廣林 ,王汝霖等 . 基于自組織特征映射的圖象矢量量化 [J].微計算機(jī)信息，(51):208209 [18]張敏靈，陳兆乾，周志華 .SOM 算法、 LVQ 算法及其變體綜述 [J].計算機(jī)科學(xué)： 2021，29(7):97100 [19]李萬臣 ,王煉 .基于混合神經(jīng)網(wǎng)絡(luò)的圖像分類矢量量化方法 [J].應(yīng)用科技： (6):2123 [20] 李曉冰 ,馬海潮 , 高冰 . 基于 LVQ 神經(jīng)網(wǎng)絡(luò)的測量圖像預(yù)處理方法 [J]. 紅外：(10):1417 [21]程小平 ,邱玉輝 .基于強(qiáng)化學(xué) 習(xí)的 LVQ 聚類方法 [J].計算機(jī)科學(xué)： （ 12） :133134 [22]匡泰 ,胡眾義等 .一種新的用于 LBG 圖像壓縮初始碼書生成算法 [J].浙江工業(yè)大學(xué)學(xué)報：(4):425428 [23]黃雪梅 .基于人工神經(jīng)網(wǎng)絡(luò)的圖象壓縮方法研究 [D].重慶：重慶大學(xué)， 2021： 4154 [24]段云鵬 .基于神經(jīng)網(wǎng)絡(luò)的矢