【文章內(nèi)容簡(jiǎn)介】 制定 ，這些標(biāo)準(zhǔn)的 制定 工作主要是由 ISO（國際標(biāo)準(zhǔn)化組織）和 ITU（國際電信聯(lián)盟，其前身為 CCITT）進(jìn)行 [3],[5],[7]。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(dòng)（連續(xù)）灰度和彩色圖像壓縮標(biāo)準(zhǔn)。這些標(biāo)準(zhǔn)實(shí)際上是針對(duì)每種圖像的比較成熟的壓縮方法。 這里簡(jiǎn)要介紹與論文研究?jī)?nèi)容有關(guān)的靜止圖像壓縮標(biāo)準(zhǔn)。靜止圖像壓縮標(biāo)準(zhǔn)JEPG 是 1991 年 3 月 提出的，包含三個(gè)范疇： 基本順序過程，基于 DCT 的擴(kuò)展過程和無失真過程。 基本 JPEG 算法主要有三個(gè)步驟 :首先通過 DCT 去除數(shù)據(jù)冗余，然后使用量化表對(duì) DCT 系數(shù)進(jìn)行量化，最后對(duì)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(zhǎng)編碼。目前，新的靜止圖像壓縮標(biāo)準(zhǔn) JPEG2021 己經(jīng)推出，該標(biāo)準(zhǔn)主要采用的是小波變換編碼技術(shù)，圖像壓縮效果對(duì)比 JPEG 算法有很大的提高。 矢量量化技術(shù)的研究現(xiàn)狀 量化是有損數(shù)據(jù)壓縮中的常用技術(shù) [4]，基本上可分為三種，即標(biāo)量量化、矢量量化和序列量化。矢量量 化（ Vector Quantization， VQ）技術(shù)是標(biāo)量量化的多維推廣，它把標(biāo)量量化的分別量化單個(gè)采樣值推廣到多個(gè)采樣值當(dāng)成整體量化。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(jì)中，提出了一種著名的矢量量化 碼書 設(shè)計(jì)算法，即 LBG 算法（又稱為 GLA 算法） [4]。隨后，現(xiàn)代的矢量量化研究得到了日益廣泛的關(guān)注。各 國學(xué)者以 LBG 算法為基礎(chǔ)，針對(duì)矢量量化的特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)、最優(yōu)化理論、模糊數(shù)學(xué)、遺傳算法等各種方法與新思想引入到矢量量化中來 [922]，以期得到快速、高效、性能好的矢量量化器，矢量量化的研究進(jìn)入了一個(gè)飛速的發(fā)展時(shí)期并且取得了很多成果。二十世紀(jì)九十年代，半導(dǎo)體技術(shù)和微電子工藝日臻成熟，DSP(Digital Signal Processing)技術(shù)已經(jīng)廣泛地應(yīng)用于各種領(lǐng)域， DSP 芯片的高速 4 運(yùn)行和并行處理能力為各種數(shù)據(jù)壓縮算法提供了理想的實(shí)現(xiàn)環(huán)境，各國學(xué)者也針對(duì) DSP 的結(jié)構(gòu)特點(diǎn)對(duì)傳統(tǒng)的矢量量化技術(shù)進(jìn)行改進(jìn)，研 究各種適合于硬件實(shí)現(xiàn)的矢量量化算法 [25]。 矢量量化關(guān)鍵技術(shù)是碼書設(shè)計(jì)（生成）、碼字搜索和碼字索引分配。其中最重要的一點(diǎn)就是如何設(shè)計(jì)出性能優(yōu)良的碼書，這是整個(gè)矢量量化器設(shè)計(jì)成功與否的關(guān)鍵，是決定矢量量化器性能的主要因素。矢量量化碼字搜索算法的研究，就是在設(shè)計(jì)出性能優(yōu)良的碼書的基礎(chǔ)上設(shè)法減少搜索分配碼字所需的計(jì)算量，縮短搜索時(shí)間，進(jìn)一步提高矢量量化器的整體性能。而碼字索引分配的研究?jī)?nèi)容主要是在碼書生成的過程中如何讓碼字以一種更合理的順序排序，以便將信道傳輸過程中由于信道噪聲導(dǎo)致的數(shù)據(jù)變更在數(shù)據(jù)接收端引起的額 外誤差降低到最小，同時(shí)盡可能地 減少 計(jì)算復(fù)雜度和搜索時(shí)間。 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(jì)算法提出以后，矢量量化碼書設(shè)計(jì)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。這些算法大致可以歸為四類 [4]： ? LBG 改進(jìn)算法，包括針對(duì)初始 碼書 選擇的改進(jìn)方法以及針對(duì)設(shè)計(jì)速度的加速算法 [13],[14],[23],[24],[27]； ? 基于神經(jīng)網(wǎng)絡(luò)的碼書設(shè)計(jì) 算法，如自組織特征映射 (SOFM)網(wǎng)絡(luò)、學(xué)習(xí)向量機(jī) (LVQ)網(wǎng)絡(luò)等 [9],[10],[11],[12],[15],[16],[24]； ? 基于全局優(yōu)化技術(shù)的碼書 設(shè)計(jì)算法，如隨機(jī)松弛算法、模擬退火算法、遺傳算法和禁止搜索算法等 [24]； ? 基于模糊聚類理論的碼書設(shè)計(jì)算法 [24]。 本文的研究目標(biāo)和主要內(nèi)容 本文選定矢量量化技術(shù)在圖像壓縮方面的應(yīng)用為研究目標(biāo)，研究的重點(diǎn)是矢量量化的關(guān)鍵技術(shù) —— 碼書設(shè)計(jì)。在閱讀大量相關(guān)文獻(xiàn)的基礎(chǔ)上，主要研究了三種傳統(tǒng)矢量量化碼書設(shè)計(jì)算法： LBG、 SOFM 和 LVQ，進(jìn)行 了 大量 實(shí)驗(yàn) ， 驗(yàn)證了算法的可行性， 對(duì) 實(shí)驗(yàn) 結(jié)果作分析和對(duì)比，并在此基礎(chǔ)上提出一種聯(lián)合改進(jìn)算法實(shí)現(xiàn)更好的壓縮性能。 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?jī)?nèi)容。 ? 第二章全面系統(tǒng)地 介紹 了矢量量化的理論基礎(chǔ) …… . 第 2 章 矢量量化基礎(chǔ)知識(shí) 矢量量化基本原理 人類獲取到的信息 80%來源于圖像媒體， 15%來源于語音 [5]。這說明圖像是人類生活中信息交流一種極為重要的載體，也是蘊(yùn)含信息量最大的載體。 … .. 圖 11 四種算法的重建圖像 （ 64,44 ??? Nk ） 從圖 11 可看出，改進(jìn)算法重建圖像的效果最好， LVQ 算法的重建圖像效果最差， 而 LBG 算法和 SOFM 算法的效果相當(dāng)。下面，求出各個(gè)重建圖像的峰值信噪比， 列于表 12 中。 表 11 四種算法的 性能 比較 （ 64,44 ??? Nk ） 6 壓縮比 CR 峰值信噪比 PSNR(dB) 訓(xùn)練時(shí)間 t(s) LBG 算法 SOFM 算法 LVQ 算法 7 結(jié) 論 矢量量化技術(shù)是一種有效的有損數(shù)據(jù)壓縮技術(shù)，其主要優(yōu)點(diǎn)是壓縮比大以及解碼簡(jiǎn)單，矢量量化技術(shù)能夠有效地降低比特率和存儲(chǔ)空間 。隨著社會(huì)的發(fā)展，矢量量化技術(shù)的應(yīng)用將愈發(fā)廣泛。矢量量化碼書設(shè)計(jì)算法一直是眾多學(xué)者研究的對(duì)象，人們?cè)噲D找出全局最優(yōu)的碼書使得輸出信號(hào)受損降低，但是目前還沒有一個(gè)算法能真正做到全局最優(yōu)，都是盡量逼近全局最優(yōu)。本文對(duì)三種傳統(tǒng)的矢量量化碼書設(shè)計(jì)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(duì)已有的碼書設(shè)計(jì)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。 本文所做的主要工作如下： 1. 介紹了圖像壓縮的目的和意義，對(duì)圖像壓縮方法的分類和常用圖像壓縮方法做了簡(jiǎn)單回顧， 總結(jié)了矢量量 化技術(shù)的研究現(xiàn)狀。 2. 深入研究了矢量量化數(shù)據(jù)的壓縮理論，詳細(xì)介紹了矢量量化的基礎(chǔ)理論和關(guān)鍵技術(shù)，并分析了矢量量化用于圖像壓縮中的相關(guān)概念，給出矢量量化圖像壓縮的一些客觀評(píng)估標(biāo)準(zhǔn)。 3. 深入研究了經(jīng)典的矢量量化碼書設(shè)計(jì)算法 —— LBG 算法，探討了LBG 算法的理論基礎(chǔ)、算法步驟， 總結(jié)了 LBG 算法的優(yōu)缺點(diǎn)，還介紹 了常見的初始碼書生成方法。選用標(biāo)準(zhǔn)的 Lena 圖像對(duì) 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。 4. 研究了基于自組織特征映射 SOFM 的矢量量化碼書設(shè)計(jì)算法，介紹了 SOFM 網(wǎng)絡(luò)的理論基礎(chǔ)，基本算法步驟 ，簡(jiǎn)要介紹了 針對(duì) SOFM 算法缺點(diǎn)已經(jīng)提出的改進(jìn)算法。 分析 SOFM 網(wǎng)絡(luò)與矢量量化的聯(lián)系，總結(jié) SOFM算法的優(yōu)缺點(diǎn)及其在圖像壓縮領(lǐng)域應(yīng)用的優(yōu)勢(shì)，用 SOFM網(wǎng)絡(luò)對(duì)標(biāo)準(zhǔn)的 Lena圖像進(jìn)行了矢量量化編碼，改變相關(guān)參數(shù)分析算法的性能。 5. 研究了學(xué)習(xí)矢量量化碼書設(shè)計(jì)算法 —— LVQ 算法，介紹 LVQ 網(wǎng)絡(luò)的理論基礎(chǔ)和基本算法的步驟 ，總結(jié) LVQ 算法的優(yōu)缺點(diǎn)，簡(jiǎn)要介紹了針對(duì) LVQ算法缺點(diǎn)已經(jīng)提出的改進(jìn)算法。 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(duì)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。 6. 在前文工作的基礎(chǔ)上提出一 種基于 SOFM 和 LBG 的聯(lián)合改進(jìn)算法，通過實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法，并與前三種算法對(duì)比，證明了改進(jìn)算法 從 PSNR和碼書訓(xùn)練時(shí)間的角度考慮，都優(yōu)于前面三種算法。 在畢業(yè)論文完成過程中，盡管作者盡了最大的努力完成研究工作，但是，由于水平有限，許多方面都做得不夠，還有很多地方需要進(jìn)一步完善。今后進(jìn)一步的研究方向主要有以下幾個(gè)方面 : 1) 研究選取不同的初始碼書對(duì)矢量量化碼書設(shè)計(jì)算法效果的影響 。 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(duì)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(duì)碼書性能的影響 。 3) 在碼書優(yōu)化算法 方面 ， 大規(guī)模訓(xùn)練數(shù)據(jù)的碼書設(shè)計(jì)與優(yōu)化還有待于進(jìn)一步地研究 ，矢量量化碼書生成的速度仍有待提高。 在今后的研究中，應(yīng)在矢量量化的硬件設(shè)計(jì)與實(shí)現(xiàn)上做進(jìn)一步的研究，希望能做到矢量量化碼書優(yōu)化的實(shí)時(shí)性。 4) 采用 Visual C++編程實(shí)現(xiàn) SOFM 網(wǎng)絡(luò)和 LVQ 網(wǎng)絡(luò)用于矢量量化碼書設(shè)計(jì)。由于使用 SOFM 和 LVQ 實(shí)現(xiàn)碼書設(shè)計(jì)時(shí)，輸入矢量個(gè)數(shù)和網(wǎng)絡(luò) 神經(jīng)元 個(gè)數(shù)都較大，使用 MATLAB R2021a 時(shí)運(yùn)行速度慢，不能體現(xiàn)算法的優(yōu)勢(shì) 。在現(xiàn)有工作的基礎(chǔ)上對(duì)整個(gè)算法進(jìn)行工程實(shí)現(xiàn)， 將 進(jìn)一步提高算法的工程應(yīng)用前景。 5) 本文只對(duì)碼書設(shè)計(jì)算法進(jìn)行 了部分研究，對(duì)于碼字搜索算法，碼字索引分配算法都沒有研究，這也是矢量量化的兩大關(guān)鍵技術(shù)，有待以后進(jìn)一步研究。并且， 只有研究和實(shí)現(xiàn)了整個(gè)矢量量化圖像壓縮的過程才能盡快將這項(xiàng)新技術(shù)應(yīng)用于生產(chǎn)實(shí)際中 。 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(jì) [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(zhǎng)水 .人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)行計(jì)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(jì)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(bào) (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(bào) :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].黃石高等專科學(xué)校報(bào)： 2021，6:1820 [14] 劉評(píng) , 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(bào) .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(bào) .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(jì)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(jì)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(jì)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(cè)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(jì)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(bào)：(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)的矢量量化碼書設(shè)計(jì)算法的研究 [D].吉林：吉林大學(xué)， 2021： 4154 [25]唐建 .矢量量化碼書設(shè)計(jì)與矢量量化應(yīng)用研究 [D].北京：中國科技大學(xué)， 2021： 2228 [26] Dony R D, et al. Neural Network Approaches to Image Compression[J].Proc IEEE, 1995,83:288～ 303 [27]. Lau, , S. Hubbard. Kernel selfanising maps for classification[J]. Neuroputing 69 (2021) 2033–2040 [28]WANG Ling,MU ZhiChun,Guo Selfanizing Feature Map with Support Vector Regression Based on Expert System[J].ACTA AUTOMATICA SINICA,2021:31(4) [29] , O. adaptive incremental LBG for vector quantization Neural Networks[J],:694–704 內(nèi)部資料 請(qǐng)勿外傳 9JWKf wvGt YM*Jgamp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 QA9wkxFyeQ^! djsXuyUP2kNXpRWXm Aamp。 UE9aQ@Gn8xp$Ramp。849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。ksv*3t nGK8!z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。MuWFA5ux^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK! zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3tnGK8! z89Am UE9aQ@Gn8xp$Ramp。 849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3tnGK8! z89Am YWpazadNuKNamp。 MuWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn% Mz849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 MuWFA5ux^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQc@UE% amp。 qYp@Eh5pDx2zVkum amp。gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z8vGt YM*Jgamp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 QA9wkxFyeQ^! dj sXuyUP2kNXpRWXm Aamp。 UE9aQ@Gn8xp$Ramp。849Gx^Gj qv^$UE9wEwZQc@UE%amp。 qYp@Eh5pDx2zVkumamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。MuWFA5uxY7JnD6YWRrWwc^vR