论文部分内容阅读
基于神经网络的图像压缩技术,在理论和技术上开辟了图像压缩的新途径。本文深入研究了基于BP (Back-Propagation)网络和自组织特征映射网络的图像压缩方法,并在针对原始的自组织特征映射网络(SOFM,Self-Organizing Feature Map)矢量量化的缺点的基础上提出了改进的矢量量化方法,由此引发了众多新型神经网络图像压缩系统的研究与探讨,使其技术本身更具应用前景。本文的研究工作主要分为两大部分:BP 网络图像压缩和SOFM 矢量量化,前者包括单个BP 网络和多级BP 网络图像压缩方法研究;后者主要包括原始SOFM矢量量化、基于Hopfield 网络的图像边缘检测以及边缘保持SOFM 矢量量化。归纳起来,本文主要围绕下面的层次和思想展开: (1)BP 网络能够直接提供数据压缩能力,首先从探讨BP 算法入手,剖析基于BP 网络的图像压缩的机理,深入研究它在图像压缩中的应用及其关键技术,分别应用BP 算法的各种学习规则来实现图像压缩,通过一系列实验,分析和总结了压缩性能与各种网络参数之间的关系,这是本论文工作的一个重要部分。(2)在单个BP 网络实现图像压缩的基础上,结合图像块间的相关性,提出了多级BP 网络实现图像压缩的思想,分析了基于多级BP 网络的图像压缩的网络模型,深入研究了多级网络的嵌套式训练算法,并在现有条件下实现了图像压缩与图像重建,从而实现高压缩比,这是本论文的一种尝试。(3)研究了自组织特征映射网络(SOFM)的算法以及结构,探讨了矢量量化的有关理论,并在此基础上分析SOFM 在矢量量化中的应用及其关键技术,最后用SOFM 实现矢量量化,从而实现图像压缩,并分析各种参数对重建图像性能的影响,这是本论文工作的另一个重要部分。(4)本文的创新之二在于用Hopfield 网络进行图像边缘检测,这与传统的图像边缘检测方法完全不同,利用Hopfield 网络的并行结构,提高了计算速度,并且实现了基于图像内容的边缘检测,从而运用边缘检测结果计算出图像子像素块的统计特性和边缘特性。(5)针对BP 网络图像压缩和原始SOFM 图像压缩的一个致命缺点——重建图像的边缘模糊,将待压缩图像的边缘特性融入自组织特征映射网络的权值修正过程中,从而提出了一种边缘保持的SOFM 矢量量化方法,实验证明该方法是行之有效的,应用改进方法的重建图像具有更好的边缘特性和视觉效果。这种方法的