基于视觉特性及人工神经网络的图像压缩

论文摘要

图像压缩的主要目的是要消除图像中的冗余信息,包括编码冗余、像素间冗余以及心理视觉冗余信息。过去几十年来,图像压缩研究得到了快速的发展,出现很多有效的算法,已经形成了JPEG、JPEG2000、MPEG、H.26X等压缩标准。在三大冗余信息中,消除编码冗余和像素间冗余的算法目前已很成熟,传统的基于香农信息理论的图像压缩方法已经发展到了极限。为了进一步压缩图像,可以从两个方面来着手：一是利用视觉系统特性,人眼作为图像信息的最终“消费者”,基于人眼视觉特性的图像压缩越来越成为了人们研究的特点,由于视觉系统的复杂性,目前这一领域还有很多未知领域需要进行探索。二是开发新的压缩工具和更加智能化的算法,人工神经网络由于其优良的性能,在图像压缩方面的应用有很大的空间,目前这方面的研究还处在初级阶段。本文正是从这两个方面展开的研究,主要工作如下：1.提出了一种低比特率小波图像压缩方法。图像压缩的视觉有效性直接与其所保留的视觉重要信息有关。心理生理学实验结果显示,人眼对图像的边缘、平滑、纹理区域的敏感度不同,同时对小波分解后不同子带部分小波系数的敏感度也不同。据此提出一种低比特率小波图像压缩算法,该算法对图像不同区域小波系数进行不同的量化,同时对图像小波分解不同子带系数进行视觉重要性加权,保证优先传输视觉上最重要的系数。实验表明,该算法适合于低码率率的图像压缩。将其运用到SPIHT编码算法中,与传统的SPIHT算法相比,重构图像的主观视觉质量评价指标VIF(visual information fidelity)值更高,具有更清晰的视觉效果。2.提出一种在小波域利用人工神经网络进行图像压缩的算法,该算法参考人眼对各个子带的敏感度,同时保留了传统的基于BP人工神经网络算法的直接对图像数据进行压缩的特点。3.将图像看成是坐标的函数,提出在小波域内利用BP人工神经网络训练逼近原图像,传输比图像数据少很多的训练好的神经网络权值给解码端解码,来达到图像压缩的算法。神经网络的输入为小波系数的坐标,经过神经网络的映射和训练,在解码端只需要通过训练得到稳定的权值,便可以解码原图像。相比其他基于人工神经网络直接对原始图像数据压缩的方法,该算法有效地提升了图像数据的压缩能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和意义
• 1.2 图像压缩研究状况
• 1.2.1 基于人眼视觉特性的图像压缩研究状况
• 1.2.2 基于人工神经网络的图像压缩研究状况
• 1.3 论文的主要工作和创新点
• 1.4 本文内容安排
• 第2章 人眼视觉特性和人工神经网络介绍
• 2.1 视觉特性介绍 #I1
• 2.1.1 人眼构造和人眼内图像形成机理
• 2.1.2 亮度鉴别与主观感觉强度
• 2.1.3 对比敏感度
• 2.1.4 视觉掩蔽
• 2.2 人工神经网络介绍
• 2.2.1 神经元模型和特点
• 2.2.2 激活函数类型
• 2.2.3 神经网络基本结构类型
• 2.2.4 神经网络学习算法分类
• 2.3 本章小结
• 第3章 基于人眼视觉特性的图像压缩
• 3.1 引言
• 3.2 基于对比敏感度函数的小波于带加权
• 3.3 根据对不图像不同区域敏感度量化
• 3.4 新的基于HVS的图像小波压缩算法
• 3.5 实验结果与分析
• 3.6 本章小结
• 第4章 基于人工神经网络的图像压缩
• 4.1 引言
• 4.2 BP人工神经网络
• 4.3 传统的基于BP人工神经网络的图像压缩
• 4.4 基于BP网络的小波图像系数向量压缩
• 4.5 基于BP网络的小波图像坐标向量压缩
• 4.6 实验结果与分析
• 4.7 本章小结
• 第5章 总结与展望
• 参考文献
• 硕士期间发表论文情况
• 致谢