bp神经网络在静态图像压缩中的应用

《bp神经网络在静态图像压缩中的应用》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、TGY胛uBP神经网络在静态图像压缩中的应用邹强，韩涛，张杰(中国飞行试验研究院，陕西西安710089)摘要BP神经网络模型是一种发展较为成熟的网络模型，近年来在数字图像处理领域获得了广泛应用，尤其在图像压缩方面更有其先天的优势性。文章在介绍BP网络模型的基础上分析了基于BP网络的图像压缩原理与过程，并在Matlab平台上对静态灰度图像压缩进行了仿真实验，结果表明所设计的BP网络具有不错的泛化能力，用于图像压缩的效果较好。关键词BP神经网络；图像压缩；Matlab神经网络工具箱；仿真中图分类号：TP391文献标识码：h文

2、章编号：1671-7597(2014)O2—0140-02随着信息数字化时代的来临，计算机能更加灵活的综合处元间的连接权值wii、w并初始化隐含层阈值0与输出层阈理文字、声音、图像与视频等多媒体信息，这从一定程度上丰值O，给定学习率n与神经元激活函数。②根据样本的输入富并改善了人们的生产生活方式，同时也为计算机产业的发展向量x，输入层与隐含层间权值的w及隐含层的阈值0计算开辟了广阔的市场。图像作为主要的多媒体元素之一，具有直隐含层的输出Hj。，=，(∑一，)j=l，2，⋯L式中，L为观准确、信息含量大、易存储可压缩、特征

3、丰富等特点。图像隐含层节点数；f为隐含层激活函数。③根据隐含层输出H，信息的数字化处理及应用在医疗教育、国土资源、环境监测、隐含层与输出层间的权值w和输出层闽值0计算输出层的工业化管控、远程视频会议等发挥了重大作用。但是图像数字输出0。oh=∑：。wj,H,一k=l，2，⋯M。④根据预测的输出化后的信息量与曰俱增也给图像的存储与远程传输提出了重大0与期望输出Y计算网络的预测误差e。e=Y-Ok=l，2，⋯挑战，单纯地增加介质存储容量与传输信道带宽并不能彻底解M。⑤根据误差e对连接权值ww和阈值0，、0：进行更决问题，因而

4、图像的压缩处理是必不可少的。近年来数字图像新。+r／Hi(1一)(f)：-i=1，2，⋯n；j=l，2，⋯L。压缩技术作为数字图像处理技术的重要组成部分，取得了长足rlHjej=l，2，⋯L；k=l，2，⋯M。⑥判断训练算法的发展，尤其在编码算法方面异彩纷呈。本文在阐述BP神经网是否迭代结束，若没有则返回步骤②继续进行。络的图像压缩原理基础上，仿真实现了基于BP神经网络的静态1．2BP神经网络的图像压缩原理灰度图像压缩。数字图像压缩是以较少的比特数有损或者无损地表示原来1基于BP神经网络的图像压缩的像素矩阵的一种图像处理

5、技术，其目的是减少图像数据中的1．1BP神经网络模型结构与训练原理时间冗余、空间冗余、频谱冗余等一种或多种冗余信息而达到更加高效的存储与传输数据。图像压缩系统无论采用什么具体BP网络是目前发展较为成熟的神经网络模型之一，是一种的结构或者技术方法，其基本过程却是一致的，可概括为如图利用非线性可微分函数进行权值修正与调整的多层前馈人工神2所示的流程图，包括编码、量化、解码等三个环节。经网络，能通过严谨的数学理论进行推理验证，在模式识别、输入图像一输出图像函数逼近、数据压缩等方面获得了广泛应用与认同。BP网络算====：编码}

6、==量化IN解码}====法的主要特点是输入信号正向传递，误差反向传播。BP网络的图2图像压缩基本流程学习训练算法的实质是把样本集合的输入输问题变换为一个非从理论上讲，编解码问题可以归纳为映射与优化问题，而线性优化问题。其网络结构分为输入层、隐含层、输出层等三层。人工神经网络从数学上分析就是实现了从输入到输出的一个非一个典型的BP神经网络模型结构如图l。线性映射关系，并具有高度并行处理能力、较高的容错性与鲁辅入层隐含层输出层棒性。分析图像压缩的基本原理、环节与BP的网络结构分布，可得出基于BP网络的图像压缩原理如图3所示

7、。输压入缩图图像像图3基于BP网络的图像压缩原理在BP网络中，输入层到隐含层之间的映射关系相当于编码图1一个典型的BP网络模型结构器，用于对图像信号进行线性或者非线性变换。而隐含层到输BP神经网络训练过程常包含以下几个步骤：①BP神经网出层之间的映射关系相当于解码器，通过对压缩后的信号数据络的初始化：根据具体问题抽取的样本输入输出向量集合系列进行反变换以达到重建图像数据。压缩比率S=输入层神经元节确定输入层神经元节点数n1、隐含层神经元节点数n2及输出点数／隐含层神经元节点数。BP神经网络的输入层与输出层的层神经元节点数

8、n3；初始化输入层、隐含层与输出层三层神经神经元节点数目从理论上应该是一致的，而隐含层的神经元数