K-L变换的研究及其在图像压缩编码中的应用

论文摘要

K-L变换是在最小均方误差准则下进行图像压缩的最佳变换,可以将图像信号中各像素间存在的相关性完全解除。但其变换矩阵随图像内容而异,难于求解,并且数据量大。目前K-L变换在图像压缩领域除了用于去除多波段遥感图像的谱间相关性外,大多数都仅限于理论上的研究。对K-L变换理论进行了详细的介绍,并研究分析利用神经网络来实现K-L变换几种常用方法。然后在对K-L变换深入研究的基础上,针对其变换矩阵的缺点,提出改进方法。K-L变换经改进优化后,变换矩阵容易求解,且其数据量相对于整幅图像来说比较小。这样,K-L变换就可以应用于数字图像的压缩编码。以优化后的K-L变换为核心,结合量化编码、熵编码,提出一个基于K-L变换的完整的数字图像压缩编码/解码系统。先给出系统的整体框架,然后将系统划分为K-L变换/逆变换、量化编/解码和熵编/解码三个功能模块,详细阐述每个模块的实现过程,最后进行系统性能的测试分析。经系统性能测试表明,该图像压缩编码系统在数字图像压缩上具有良好的性能,在压缩性能上,优于当前最常用的JPEG压缩标准。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 数字图像压缩发展与现状
• 1.2.1 数字图像压缩标准
• 1.2.2 数字图像压缩技术
• 1.3 K-L 变换在图像压缩中的应用
• 1.4 论文主要内容及安排
• 第2章 K-L 变换图像压缩编码系统概述
• 2.1 K-L 变换数字图像压缩编码系统编解码框图
• 2.2 K-L 变换数字图像压缩编码系统程序流程图
• 2.3 压缩编码后图像数据的结构
• 2.4 系统开发工具介绍
• 第3章 K-L 变换实现图像压缩编码
• 3.1 K-L 变换理论
• 3.1.1 协方差矩阵及其性质
• 3.1.2 离散K-L 变换
• 3.2 K-L 变换矩阵
• 3.2.1 特征向量的定义
• 3.2.2 特征向量的求法
• 3.3 神经网络实现K-L 变换
• 3.3.1 主分量分析神经网络
• 3.3.2 对称特征值神经网络（SEVNN）
• 3.4 K-L 变换应用于数字图像压缩编码系统
• 3.4.1 K-L 变换矩阵的选取
• 3.4.2 图像数据的预处理
• 3.4.3 K-L 变换
• 3.4.4 K-L 变换在数字图像压缩编码系统中的实现
• 第4章 量化编码的实现
• 4.1 信号的量化编码
• 4.1.1 均匀量化
• 4.1.2 非均匀量化
• 4.2 本系统中的量化编码
• 4.2.1 量化方式的选取
• 4.2.2 量化编码在系统中的实现
• 第5章 熵编码的研究及其实现
• 5.1 哈夫曼编码
• 5.2 算术编码
• 5.3 熵编码的实现
• 第6章 系统性能分析
• 6.1 数字图像压缩编码系统的评价标准
• 6.1.1 图像质量的评价
• 6.1.2 图像编码效率的评价
• 6.2 K-L 变换数字图像压缩编码系统性能分析
• 6.2.1 性能测试
• 6.2.2 与JPEG 压缩编码系统性能比较
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 详细摘要