基于小波变换和误差竞争学习的矢量量化方法研究

论文摘要

图像压缩作为通信及多媒体领域中的一项关键技术,对于信息技术的发展具有很强的现实意义。图像是人们生活中信息交流的最为重要的载体,也是蕴涵信息量最大的媒体。数字图像的数据量非常庞大,必须经过有效的压缩,才能满足数字图像的高速传输和存储。 近年来,随着多媒体技术和网络技术的飞速发展,已有一些压缩方法进入了使用阶段,国际上出现了一些数据压缩标准。这些压缩标准为数据压缩的广泛应用奠定了基础。这些年来关于小波变换图像压缩算法的研究和应用都十分活跃,各种迹象表明,小波变换方法优于其他的变换方法,在静态和动态图像压缩领域得到广泛的应用,并且已经成为某些图像压缩国际标准(如JPEG2000、MPEG—4)的重要环节。然而,采用何种策略对小波变换后的数据进行处理仍是图像压缩领域的一个研究热点。 在理论上上矢量量化的性能总是优于标量量化。但是矢量量化所需要的计算量较大,阻碍矢量量化推广的因素之一就是这种方法运算速度太慢。而人工神经网络是一种并行分布式系统,具有运算速度快的优点,能有效解决矢量量化这类高维数运算带来的大计算量问题。因此我们采用神经网络和矢量量化相结合的方法,来对矢量量化进行改良,从而实现快速矢量量化,并用快速矢量量化来对小波变换图像进行压缩。为此本文提出了基于小波变换和误差竞争学习的矢量量化(VQWDCL)。 VQWDCL是一种对小波图像数据用竞争网络进行矢量量化的压缩方法,它首先对数字图像进行3层小波分解,然后对小波变换后图像数据根据其各级子带

论文目录

• 中文摘要
• ABSTRACT
• 前言
• 第一章 图像压缩的原理和发展
• 1.1 图象压缩原理
• 1.1.1 编码冗余
• 1.1.2 像素间冗余
• 1.1.3 心理视觉冗余
• 1.2 图像数据压缩编码的研究发展综述
• 1.3 图像压缩技术的分类
• 1.3.1 空间域编码
• 1.3.2 变换域编码
• 1.3.3 其他编码方法
• 1.4 小波变换用于图像压缩
• 1.5 矢量量化压缩方法
• 第二章 矢量量化及其压缩特性
• 2.1 矢量量化的定义与矢量量化器的构造
• 2.1.1 矢量量化的定义
• 2.1.2 失真测度
• 2.1.3 矢量量化器
• 2.1.4 无记忆信源编码定理
• 2.2 矢量量化器的设计算法
• 2.2.1 LBG算法
• 2.3 矢量量化的压缩特性
• 第三章 小波分析
• 3.1 小波变换
• 3.1.1 连续小波变换
• 3.1.2 离散小波变换
• 3.2 小波变换用于图像压缩
• 3.3 小波分析用于图像压缩应考虑的几个问题
• 3.3.1 小波基的选取
• 3.3.2 小波变换的层数（级数）
• 第四章 神经网络与矢量量化
• 4.1 人工神经网络概念的提出
• 4.2 人工神经网络发展概况
• 4.3 神经网络图像数据压缩的基本思想和方法
• 4.3.1 人工神经网络的非线性预测编码
• 4.3.2 神经网络的矢量量化图像数据压缩
• 第五章 VQWDCL方案分析和试验结果分析
• 5.1 现有压缩方案
• 5.1.1 零树编码
• 5.1.2 EZW
• 5.1.3 SPIHT
• 5.1.4 BZTC
• 5.2 小波变换矢量量化
• 5.2.1 小波系数的特点和肉眼视觉特性在矢量量化中的作用
• 5.3 VQWDCL压缩方案的提出
• 5.4 VQWDCL方案的实现
• 5.4.1 小波分解
• 5.4.2 构建跨频带矢量
• 5.4.3 量化策略
• 5.4.4 改进的误差竞争学习算法
• 5.4.5 快速搜索算法
• 5.4.6 矢量量化编码
• 5.4.7 进一步提高压缩比的可能性
• 5.4.8 图像的重建
• 5.5 VQWDCL计算机模拟结果及分析
• 5.5.1 实验环境
• 5.5.2 实验流程
• 5.5.3 实验结果及分析
• 5.6 结论和展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表论文
• 学位论文评阅及答辩情况表