小波神经网络在图像压缩中的应用

论文摘要

人类获取到的信息80%来源于图像媒体,15%来源于语音。这说明图像是人类生活中信息交流一种极为重要的载体,图像信息数字化所面临的最大难题是海量数据的存储和传输问题。面对当前人们对图像信息交流的需求,如果不进行数据压缩,现有的计算机设备和低速网络基本上不能处理、传输和存储视频以及图像信号,因此,图像数据的压缩是必须的。数字图像压缩的目的是减少表示图像所需的比特数,更有效地表示图像,以便于图像的处理、存储和传输。矢量量化作为一种高效的数据压缩技术,已被广泛应用于图像压缩领域。本文在系统研究矢量量化数据压缩理论的基础上,着重探讨了矢量量化的关键技术——码书设计算法,引入小波神经网络和LVQ神经网络进行矢量量化图像压缩,提出了一种联合小波神经网络和LBG的改进算法。首先,论文在矢量量化码书设计经典算法——LBG算法的基础上,引入竞争型神经网络小波神经网络和LVQ神经网络,设计并验证了基于这两种神经网络的的矢量量化码书设计算法。通过仿真实验,研究了在改变码字大小等参数的情况下,LBG、小波和LVQ的训练过程和算法性能。LBG和LVQ算法对初始码书依赖性大,小波神经网络算法训练时间较长。根据LBG算法与神经网络的特性,提出一种联合小波神经网络和LBG算法的码书设计改进方法,并通过实验验证了改进算法的有效性。实验结果表明,改进算法具备了更好的压缩效果,更优的峰值信噪比(PSNR)和更快的压缩时间,同时具备了较好的去噪能力。对于给定的码字大小,码书越大,压缩比越低,但重建图像质量越好;码书相同时码字较小的编码性能较优。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 图像压缩的目的和意义
• 1.2 各种图像压缩方法介绍
• 1.3 矢量量化技术的研究现状
• 1.4 本文的研究目标和主要内容
• 第二章 矢量量化基础知识
• 2.1 矢量量化的基本原理
• 2.1.1 矢量量化的理论基础
• 2.1.2 矢量量化的定义
• 2.1.3 矢量量化的特点
• 2.2 矢量量化的相关概念
• 2.2.1 矢量量化器的编码速率和比特率
• 2.2.2 失真测度
• 2.2.3 复杂度
• 2.3 矢量量化关键技术
• 2.3.1 矢量量化码书设计技术
• 2.3.2 矢量量化码字搜索技术
• 2.3.3 矢量量化码字索引分配技术
• 2.4 矢量量化和图像压缩
• 2.4.1 基于矢量量化的图像压缩技术
• 2.4.2 重建图像的评价
• 第三章 基于LBG 算法的矢量量化图像压缩
• 3.1 LBG 算法的理论基础
• 3.2 LBG 算法
• 3.3 LBG 算法的优缺点
• 3.4 初始码书的生成
• 3.5 仿真实验与结果分析
• 3.5.1 LBG 算法的流程图
• 3.5.2 LBG 算法的结果分析
• 3.5.3 实验结论
• 第四章 基于小波网络的矢量量化图像压缩
• 4.1 神经网络理论
• 4.1.1 神经网络起源与发展
• 4.1.2 神经网络的原理
• 4.1.3 神经网络的结构
• 4.1.4 神经网络的特点
• 4.2 小波分析理论
• 4.2.1 小波分析的产生与发展
• 4.2.2 小波分析的特点
• 4.2.3 小波变换概述
• 4.2.4 连续小波变换
• 4.2.5 离散小波变换
• 4.2.6 多分辨分析与Mallat 小波算法
• 4.2.7 几种常用的小波基
• 4.3 小波神经网络
• 4.3.1 小波神经网络起源与研究现状
• 4.3.2 小波分析与神经网络结合的理论与途径
• 4.3.3 小波神经网络的特点
• 4.3.4 小波神经网络的结构与分类
• 4.3.5 小波神经网络权值的初始化
• 4.4 仿真实验与效果分析
• 4.4.1 小波矢量量化图像压缩的流程图
• 4.4.2 小波矢量量化图像压缩的效果分析
• 4.4.3 实验结论
• 第五章 基于LVQ 网络的矢量量化图像压缩
• 5.1 LVQ 网络的理论基础
• 5.1.1 LVQ 网络的基本思想与网络结构
• 5.1.2 基本LVQ 算法
• 5.2 LVQ 算法的优缺点
• 5.3 LVQ 算法的改进
• 5.4 基于LVQ 的矢量量化
• 5.5 仿真试验与效果分析
• 5.5.1 LVQ 矢量量化图像压缩流程图
• 5.5.2 LVQ 矢量量化图像压缩的结果分析
• 5.5.3 实验结论
• 第六章 联合小波神经网络与LBG 的改进算法
• 6.1 改进算法的提出
• 6.2 改进算法矢量量化图像压缩的结果分析
• 6.3 四种算法矢量量化图像压缩的效果比较
• 第七章 结论
• 致谢
• 参考文献