基于混沌神经网络的图像压缩技术

论文摘要

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。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 数字图像压缩技术的发展与现状
• 1.2.2 神经网络的发展与研究现状
• 1.2.3 神经网络在图像压缩中的应用现状
• 1.3 课题的研究内容
• 1.4 论文的组织结构
• 第二章 图像压缩与神经网络概述
• 2.1 图像压缩理论与方法
• 2.1.1 图像压缩简介
• 2.1.2 图像压缩的评价准则
• 2.1.3 图像压缩编码的经典方法
• 2.1.4 图像压缩国际标准简介
• 2.2 神经网络模型及应用
• 2.2.1 常用神经网络模型
• 2.2.2 神经网络的图像压缩机理和优势
• 2.3 混沌神经网络
• 2.3.1 混沌及混沌现象的意义
• 2.3.2 Logistic 映射
• 2.3.3 混沌神经网络
• 2.4 本章小结
• 第三章 基于混沌映射的前向神经网络图像压缩
• 3.1 前向神经网络的图像压缩原理
• 3.2 Ⅰ型前向混沌神经网络
• 3.2.1 Ⅰ型前向混沌神经网络结构
• 3.2.2 Ⅰ型前向混沌神经网络的学习算法
• 3.3 Ⅱ型前向混沌神经网络
• 3.3.1 Ⅱ型前向混沌神经网络的学习算法
• 3.3.2 Ⅱ型前向混沌神经网络的应用
• 3.4 算法实现及仿真结果
• 3.4.1 算法中的重要步骤
• 3.4.2 算法流程
• 3.4.3 仿真结果与分析
• 3.5 本章小结
• 第四章 用混沌Hopfield 神经网络实现矢量量化
• 4.1 混沌Hopfield 神经网络优化计算原理
• 4.1.1 混沌Hopfield 神经网络模型
• 4.1.2 混沌Hopfield 神经网络的动力学特性
• 4.1.3 连续Hopfield 神经网络优化计算的一般步骤
• 4.2 实现码本设计的混沌Hopfield 网络模型
• 4.2.1 用混沌Hopfield 神经网络进行码本设计的思路
• 4.2.2 混沌Hopfield 神经网络结构及竞争机制
• 4.2.3 混沌Hopfield 神经网络能量函数与动力学方程
• 4.3 码本设计的算法及实现
• 4.4 仿真结果与分析
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 本论文研究总结
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士研究生期间取得的研究成果