基于混沌神经网络的图像压缩技术

《基于混沌神经网络的图像压缩技术》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。签名：日期：年月日关于论文使用授权的说明本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电

2、子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）签名：导师签名：日期：年月日摘要摘要数字图像处理技术在多媒体、因特网、电视、传真等领域的应用越来越广泛。图像压缩是数字图像处理中最重要的关键技术之一，传统的图像压缩方法有预测编码、变换编码和矢量量化等。近二十年来，基于神经网络、分形理论、小波变换的现代压缩方法已成功用于图像压缩。混沌神经网络是近年来发展起来的一门新的科学，由于具有混沌特性的人工神经网络具

3、有十分复杂的动力学特性，获得了广泛的研究，不同于仅具有梯度下降特性的常规神经网络，具有混沌特性的神经网络具有更加丰富的和远平衡点的动力学特性，同时存在各种吸引子。混沌神经网络的这种复杂的动力学特性是一种能在信息处理和优化计算等方面有广泛应用前景的技术。本文研究混沌神经网络在静止图像压缩中的应用，主要内容包括两个部分：一是研究基于Logistic映射的两种不同类型的混沌神经网络模型——Ⅰ型前向混沌神经网络和Ⅱ型前向混沌神经网络，详细研究了它们在图像压缩中的应用及关键技术。并通过一系列的仿真实验，对这两种模型的

4、压缩性能与以往用于图像压缩的神经网络模型进行了比较。二是在分析现有混沌神经网络的工作原理的基础上，研究一种新的混沌神经网络模型。该网络具有瞬态混沌响应，类似于Hopfield网络的结构，但是又比Hopfield网络具有更加丰富的动力学特征、更强的全局搜索能力。通过把混沌动力学与收敛力学相结合，使网络逐渐由混沌神经网络向Hopfield网络过度，达到控制混沌的目的，并提供一个在全局最优解附近的值。基于该模型优化功能，利用一个实现码本设计的竞争性CHNN模型，设计了相应的能量函数和神经元动力学方程，并给出了基于

5、该模型的码本设计算法。从而成功的将这个模型应用于矢量量化图像压缩中。仿真实验结果表明，以上三种基于混沌神经网络的图像压缩算法在训练速度、压缩质量、健壮性等方面具有明显的优势。关键词：图像压缩，混沌神经网络，Logistic映射，矢量量化，混沌Hopfield神经网络IABSTRACTABSTRACTDigitalimageprocessingtechniqueshavebeenusedmoreandmorewidelyinmanyfieldssuchasmultimedia,Internet，televis

6、ionandfax,etc.Imagecompressionisoneofthemostimportantkeytechniquesindigitalimageprocessing.Traditionalcompressionmethodsincludepredictioncoding,transformcodingandvectorquantization(VQ).Inthelasttwentyyears,moderntechniquesbasedonneuralnetworks,fractaltheor

7、yandwavelettransformhavebeensuccessfullyusedforimagecompression.ChaoticNeuralNetworks(NN)isanewresearchfieldwhichhasbeendevelopedintheseyears.Ithasbeenstudiedmoreandmorebecauseofitscomplexdynamiccharacteristics.NormalNNhascharacteristicsofgradientdescent,w

8、hileChaoticNNisdifferent.NNwithchaoticcharacteristicsnotonlyhasmoreabundantandfarequilibriumpointdynamiccharacteristicsbutalsohasattractors.BecauseofitscomplicateddynamiccharacteristicschaoticNNbecomesawidely