外文翻譯中文---神經(jīng)網(wǎng)絡(luò)用于圖像壓縮(編輯修改稿)
2025-06-26 05:11 本頁面
【文章內(nèi)容簡介】 預(yù)測矢量量化 （ APVQ） 使用 SOFM 算法進行碼書 設(shè)計 的另一個優(yōu)點 在 SOFM 的變體中表現(xiàn)出來，稱為 地址預(yù)測矢量量化（ APVQ） [66]。 這種技術(shù)采用順序碼書，其中相鄰碼字間在某種意義上是相互聯(lián)系的。 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。 這種技術(shù)可提高編碼增益，允許有損地址編碼。與標準的 SOFM算法相比， 用 SOFM 與 APVQ 聯(lián)合產(chǎn)生碼書 ， 編碼 圖像僅需 小于 37%的比特數(shù) [66]。 E． 有限狀態(tài)矢量 量化 （ FSVQ） SOFM 算法也被成功地應(yīng)用于 有限狀態(tài)矢量量化 （ FSVQ） 的方案中 [67]。 在 FSVQ中，從當(dāng)前狀態(tài) nS 的碼書中選擇碼字索引 ni 。當(dāng)前狀態(tài)是前一狀態(tài) 1?nS 和前一碼字索引 1?ni 的函數(shù)。 如果狀態(tài)轉(zhuǎn)移函數(shù)是下一個輸入的較好的預(yù)測器，那么每一個狀態(tài)碼書都將比無記憶量化器所需的碼書少得多。 Liu 和 Yun[67]使用單個超碼書的子集作為狀態(tài)碼書來代替每一狀態(tài)的分離碼書。 超級碼書由 SOFM 算法得出 ， 并且狀態(tài)碼書在拓撲映射內(nèi)是相鄰的。 在圖象中，當(dāng)前狀態(tài)碼書僅在前一輸入塊與當(dāng)前輸入塊相鄰的碼字周圍。 他們發(fā)現(xiàn)， 對于給定的比特率，同時應(yīng)用 FSVQ 和 SOFM 可使 信噪比（ SNR）較無記憶 VQ 增加 ；此外，對于相同的失真，比特率減少一半以上。 F． 學(xué)習(xí)矢量量化 （ LVQ） SOFM 算法計算出一組矢量 },{ 21 K ? ，這組矢量用作為矢量量化中的碼字。學(xué)習(xí)矢量量化是一種監(jiān)督學(xué)習(xí)算法，如果有一組標記的訓(xùn)練數(shù)據(jù)，它可用來修正碼書[57]。 對于一個輸入矢量 x ，設(shè)最近的碼字索引為 i ，輸入矢量的類腳標為 j ，碼字 iw按以下規(guī)則修正： ? 若類腳標與碼字索引一致，即 ji? ，則 )]()[()()1( twxttwtw iii ???? ? (39) ? 若 類腳標與碼字索引不一致，即 ji? ，則
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1