资源描述：
《神经网络在图像压缩技术中的应用Ξ》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第14卷 第3期工 程 数 学 学 报Vol.14No.31997年9月Sep.1997JOURNALOFENGINEERINGMATHEMATICSX神经网络在图像压缩技术中的应用刘春阳 粱德群 宋焕生 吴更石(西安交通大学电信学院,西安710049)摘 要综述了神经网络作为图象压缩信号处理工具的方法。由于神经网络的大规模并行及其分布结构,使之成为解决数据压缩的有力工具;网络的特征与人类视觉系统的特征相类似,这就使我们更容易处理视觉信息。例如,多层感知可作为差分脉冲编码调制的非线性预测器,已证明这种预测器较线性
2、预测器可改进预测效果。另一活跃的研究领域是用Hebbian学习规则获取主分量,主分量是理想的线性KL变换的基向量。这些学习算法的计算更优越于传统特征分解技术并适应于输入信号的变化.还有另一种模型为SOFM(theSelf-OrganizingFeafureMap)已在向量量化码本设计中有许多成功的应用。结果码本与标准LBG算法相比对初始条件的依赖程度较低,且码字的拓扑序可用来进一步提高编码的效率并减低计算的复杂性。关键词 神经网络,图像压缩,自组织特征映射分类号AMS(1991)94A13;CCLO2361 引
3、言随着信息技术,特别是通信技术的发展,图象压缩的重要性日益突出,传统的方法无法满足需要。许多学者正在探索新的更有效的方法,其中用神经网络进行图象压缩是最为活跃的方向。从计算方式的角度看,人工信息处理系统可分为二类:(1)序列计算方式,(2)并行处理方式。人工神经网络的研究表明特别适应于并行处理,而在哺乳动物的视觉系统中,视觉信息是以大量平行的内部相关的网络来处理。这种平行结构即从视网膜到视皮层的高度有序的结构是很明显的,正是人工神经网络可以发挥其优点的地方。近来人们将神经网络用于图象压缩取得较好的效果。对于预测编
4、码,变换编码,向量量化等主要三种编码方法使用人工神经网络比序列计算方式显示了很大的优越性。这主要表现在:(1)由于网络的权是由训练产生的,可以通过在处理新数据过程中继续训练,使它适应输入数据的变化。(2)数据是单独地被训练,就不需要过量储存全部训练集,这在处理极大量的数据如图像时尤其重要。(3)由于人工神经网络的高度连结可使神经网络自我组织。(4)X本文1995年12月27日收到。©1995-2004TsinghuaTongfangOpticalDiscCo.,Ltd.Allrightsreserved.68工
5、程 数 学 学 报 第14卷神经网络与神经生物系统之间的相似性使人工神经网络更接近人类视觉信息的处理方式。为能更清楚的简述人工神经网络对这三种方法的改造效果,本文将简述如下问题:在第二部分中主要综述预测编码及应用神经网络的预测编码方法,即应用神经网络作为非线性预测器。第三部分讨论变换编码及应用神经网络的变换编码方法,这些方法包括线性原理成份分析(PCA)方法,它应用Hebbian学习规则的自相关编码和自适应编码。第四部分讨论矢量量化及自组织特征映射(SOFM)的应用和它的矢量量化的变化。图
6、象压缩技术的综合评价将在第五部分讨论并结束本文。2 应用神经网络进行预测编码1)预测编码 该方法是利用图象在相邻样本之间呈现出高度相关性的特点,减少其冗余度以达到压缩目的,可以通过应用预测编码或多层次脉冲编码调节(DPCM)来完成。图1显示这种系统的框图,预测器应用历史样本x(n-1),图1DPCM框图⋯,x(n-p)或者图象相邻象素样本,来测算现有(新)样本的ddd估计:x(n)。正确值x(n)与估计值x(n)之间的差,即e(n)=x(n)-x(n)被用来贮存或传送,随着预测器的精度的提高,差e(n)减小,导致
7、一个较高的预测结果和一个较高的压缩比。最常用的为应用统计模型导出的自回归模型,如P2阶自回归模型即:Px(n)=2wj3X(n-j)(1)j=1公式中{wj}应满足:RW=d(2)d其中[R]ij=E[x(j)3x(i)]是自相关协方差矩阵的第i行,第j列,而dj=E[x(n)3x(j)]为协方差向量d的第j个元素,知道R和d,可以计算未知的系数向量W。2)多层感知器 当设计一个非线性预测器时,其目的就是对于给定的前P个输入的非线性函数找出理想的参数集W,如(3)式所示。图2 多层感知器 图3 一个神
8、经元模型dx(n)=f(x(n-1),⋯,x(n-p),W)(3)d2使这时预测差的均方值E[(x-x)]达到最小。如图2所示,应用多层感知器可以估算出这一类非线性函数。基本运算单元——“神经元”,它是由“突触”权集,每个代表一个输入,加©1995-2004TsinghuaTongfangOpticalDiscCo.,Ltd.Allrightsreserved.第3期
