【正文】 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。 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。各 國學(xué)者以 LBG 算法為基礎(chǔ)，針對矢量量化的特點(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。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]。 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。 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 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。 這里簡要介紹與論文研究內(nèi)容有關(guān)的靜止圖像壓縮標(biāo)準(zhǔn)。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)。 其中 主要包括小波變換編碼、分形編碼、模型基編碼、神經(jīng)網(wǎng)絡(luò)編碼等。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。無損壓縮是利用數(shù)據(jù)的統(tǒng)計(jì)特性來進(jìn)行數(shù)據(jù)壓縮的，典型的無損壓縮方法有：行程編碼（ RunLength）法 、霍夫曼（ Huffman）編碼法 、 字典壓縮方法 [23]和 算術(shù)編碼方法 等。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(shí)把有重要發(fā)展前景的圖像編碼方法稱為現(xiàn)代方法 [3]。同時(shí)， 這項(xiàng)十分新穎且處于探索階段的技術(shù)，也給研究者帶來了更大的挑戰(zhàn)和更廣闊的研究空間。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(jì) 中 ,用于訓(xùn)練并生成碼書。其中， Kohonen 于 1981 年提出的自組織特征映射網(wǎng)絡(luò) (SOFM)是一種具有側(cè)向聯(lián)想能力的兩層網(wǎng)絡(luò)結(jié)構(gòu) ,是一種非監(jiān)督的聚類方法。作為和 2 第一代電子計(jì)算機(jī)同時(shí)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(chǔ)的優(yōu)勢，并有良好的自適應(yīng)性、自組織性和容錯(cuò)性，以及強(qiáng)大的學(xué)習(xí)功能、聯(lián)想記憶功能 [1],[2],[6],[8]。自從 , 與 在 1980 年給出矢量量化 (vector quantization)碼書設(shè)計(jì)的 LBG 算法以來 [17],[19],[22]，矢量量化作為圖像壓縮中的一種重要編碼技術(shù)得到廣泛的關(guān)注和研究 [10]。 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(shí)又盡量 保持圖像信號(hào)原有質(zhì)量的壓縮編碼方案應(yīng)運(yùn)而生 [3],[4],[5],[26],[29]。在圖像數(shù)據(jù)內(nèi)部存在著大量冗余，包括空間冗余、結(jié)構(gòu)冗余、知識(shí)冗余、信息熵冗余和視覺冗余等，這使得將一個(gè)大的數(shù)據(jù)圖像數(shù)據(jù)文件轉(zhuǎn)換成小的數(shù)據(jù)圖像文件成為可能 [26]， 由圖像冗余數(shù)據(jù)的減少可以達(dá)到圖像壓縮的目的 。 數(shù)字圖像壓縮的目的是減少表示圖像所需的比特?cái)?shù)，更有效地表示圖像，以便于圖像的處理、存儲(chǔ)和傳輸。信息數(shù)字化處理是現(xiàn)代信息社會(huì)的一個(gè)重要標(biāo)志，但圖像信息數(shù)字化所面臨的最大難題是海量數(shù)據(jù)的存儲(chǔ)和傳輸問題。 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]。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 四種算法矢量量化圖像壓縮的效果比較 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 實(shí)驗(yàn)結(jié)論 錯(cuò)誤 !未定義書簽。 LVQ 矢量量化圖像壓縮流程圖 仿真試驗(yàn)與效果分析 錯(cuò)誤 !未定義書簽。 LVQ 算法的改進(jìn) LVQ 算法的優(yōu)缺點(diǎn) 基本 LVQ 算法 LVQ 網(wǎng)絡(luò)的基本思想與網(wǎng)絡(luò)結(jié)構(gòu) 錯(cuò)誤 !未定義書簽。 第 5 章 基于 LVQ 網(wǎng)絡(luò)的矢量量化圖像壓 縮 錯(cuò)誤 !未定義書簽。 SOFM 矢量量化圖像壓縮的效果分析 SOFM 矢量量化圖像壓縮的流程圖 仿真實(shí)驗(yàn)與效果分析 錯(cuò)誤 !未定義書簽。 SOFM 算法的改進(jìn) SOFM 算法的優(yōu)缺點(diǎn) 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 SOFM 網(wǎng)絡(luò)的理論基礎(chǔ) 第 4 章 基于 SOFM 網(wǎng)絡(luò)的矢量量化圖像壓縮 錯(cuò)誤 !未定義書簽。 LBG 算法的結(jié)果分析 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 LBG 算法的理論基礎(chǔ) 第 3 章 基于 LBG 算法的矢量量化圖像壓縮 錯(cuò)誤 !未定義書簽。 基于矢量量化的圖像壓縮技術(shù) 矢量量化和圖像壓縮 矢量量化碼字索引分配技術(shù) 矢量量化碼字搜索技術(shù) 矢量量化碼書設(shè)計(jì)技術(shù) 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 失真測度 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 矢量量化的特點(diǎn) 錯(cuò)誤 !未定義書簽。 矢量量化的理論基礎(chǔ) 矢量量化的基本原理 4 第 2 章 矢量量化基礎(chǔ)知識(shí) 1 各種圖像壓縮方法介紹 LVQ neural work。 LBG algorithm。 關(guān)鍵詞 ： 碼書設(shè)計(jì)； 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。 大量的實(shí)驗(yàn)結(jié)果表明， LBG 和 LVQ 算法對初始碼書依賴性大， SOFM 算法訓(xùn)練時(shí)間較長。 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。本文在系統(tǒng)介紹矢量量化數(shù)據(jù)壓縮理論的基礎(chǔ)上，著重探討了矢量量化的關(guān)鍵技術(shù)—— 碼書設(shè)計(jì)算法： 1. 回顧了經(jīng)典的矢量量化碼書設(shè)計(jì)算法 —— LBG 算法，研究了基于競爭型神經(jīng)網(wǎng)絡(luò) SOFM 和 LVQ 的矢量量化碼書設(shè)計(jì)算法； 2. 通過仿真實(shí)驗(yàn)，采取將圖像分塊構(gòu)建矢量的思想，研究了在改變碼字大小等參數(shù)的情況下，這三種算法的訓(xùn)練過程和算法性能； 3. 根據(jù) LBG 算法的特性，提出一種聯(lián)合 SOFM 和 LBG 算法的碼書設(shè)計(jì)改進(jìn)方法，并通過實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法的有效性。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(shí)碼字較小的編碼性能較優(yōu)。 SOFM algorithm takes a long training time. For a given size of codeword, a larger codebook will result in a lower pression ratio but a better quality of reconstructed image. When using the same codebook, the coding efficiency of less codeword performs better. Key words: Codebook design。 SOFM neural work。 Improved method III 目 錄 第 1 章 前 言 1 圖像壓縮的目的和意義 2 矢量量化技術(shù)的研究現(xiàn)狀 3 本文的研究目標(biāo)和主要內(nèi)容 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 矢量量化的定義 錯(cuò)誤 !未定義書簽。 矢量量化的相關(guān)概念 矢量量化器的編碼速率和比特率 錯(cuò)誤 !未定義書簽。 復(fù)雜度 矢量量化關(guān)鍵技術(shù) 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 重建圖像的評價(jià) 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 LBG 算法 LBG 算法的優(yōu)缺點(diǎn) 初始碼書的生成 仿真實(shí)驗(yàn)與結(jié)果分析 LBG 算法的流程圖 錯(cuò)誤 !未定義書簽。 IV 實(shí)驗(yàn)結(jié)論 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 SOFM 網(wǎng)絡(luò)的基本思想 基本 SOFM 算法 SOFM 網(wǎng)絡(luò)鄰域函數(shù)和學(xué)習(xí)率函數(shù)的選擇 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 基于 SOFM 的矢量量化 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 實(shí)驗(yàn)結(jié)論 錯(cuò)誤 !未定義書簽。 LVQ 網(wǎng)絡(luò)的理論基礎(chǔ) 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 基于 LVQ 的矢量量化 錯(cuò)誤 !未定義書簽。 錯(cuò)誤 !未定義書簽。 LVQ 矢量量化圖像壓縮的結(jié)果分析 錯(cuò)誤 !未定義書簽。 第 6 章 聯(lián)合 SOFM 與 LBG 的改進(jìn)算法 改進(jìn)算法的提出 改進(jìn)算法矢量量化圖像壓縮的結(jié)果分析 錯(cuò)誤 !未定義書 簽。 結(jié) 論 7 致 謝 參考文獻(xiàn) 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。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(jì)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(chǔ)視頻以及圖像信號(hào)，因此，圖像數(shù)據(jù)的壓縮是必須的 [3]。由文獻(xiàn) [3]可了解到：通過時(shí)間域的壓縮，可較快地傳輸各種信源（降低信道占用費(fèi)用）；通過頻率域的壓縮，可在現(xiàn)有通信干線上開通更多的并行業(yè)務(wù)（如電視 、傳真、電話、可視圖文等）；通過能量域的壓縮，可降低發(fā)射