改进的Kohonen网络及图像自适应矢量量化

本文针对图像矢量量化存在的分块效应问题,通过对Kohonen自组织模型的研究,修改了Kohonen的自组织特征映射(SOFM)算法,设计了两个DCT(离散余弦变换)域的特征值,用于图像数据块的分类。在此基础上,进一步探讨了改进的自组织特征映射(MSOFM)算法在图像自适应矢量量化中的应用。计算机模拟实验表明,MSOFM算法有效地减少了分块效应,与SOFM算法相比具有更好的性能。

一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性 ,提出了一种基于小波变换的矢量量化图像数据压缩方法 .基本思路是利用小波变换实现图像的多分辨率分解 ,用矢量量化 (VQ)对分解后的图像进行编码 ,利用神经网络做矢量量化编码器 ,从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力 .结果表明 ,该方法提高了整个系统的性能 。

一种基于粗糙集分类的图像压缩方法

作者在文中提出了一种基于粗糙集分类的智能图像压缩方法 ,图像子块经过 DCT变换、特征属性提取后 ,再利用粗糙集将 DCT域图像子块分为平坦块和边缘块两类 ,并针对不同的子块类别分别应用不同的 SOFM神经网络进行矢量量化 ,最终实现对图像的有效压缩。实验结果表明 ,该方法压缩比高 ,信噪比高 ,信道误码率低 ,解码速度快 ,图像恢复效果好。

推广的多值指数双向联想记忆模型及其应用

推广了Wang的多值指数双向联想记忆(multi-valued exponential bi-directional associative memory,简称MV-eBAM)模型,使其成为所提出的推广的多值指数双向联想记忆 (extended MV-eBAM,简称EMV-eBAM) 模型的一个特例.EMV-eBAM具有比前者更高的存储容量和纠错性能,因此利用这种性能,设计了一种基于联想记忆的新型图像压缩算法.该算法在无噪声情况下具有与矢量量化(vector quantization,简称VQ)算法相近的性能,而在双重(信道和图像)噪声环境下则具有显著的抑制效果.对比实验结果显示,在添加5%椒盐噪声下,该算法几乎能完全排除噪声干扰,而VQ则反而放大了噪声.该算法的另一个优点是,当在差错信道中传送时,可以获得比采用循环纠错码更强的纠错性能.因而,该算法具有较强的鲁棒性.

基于改进的SOFM神经网络的矢量量化方法

基于Kohonen自组织特征映射(SOFM)神经网络的矢量量化图像压缩编码是一种非常高效的方法,但其码字利用不均匀,某些神经元永远无法获胜而产生"死神经元"的问题仍然十分明显。在追求为使各个神经元能以较为均衡的几率获胜,尽量避免"死神经元"过程中,Kohonen SOFM-C很具代表性,它既能保持拓扑不变性映射又能最有效地避免"死神经元",是一种带"良心"的竞争学习方法。本文利用Kohonen SOFM-C码字利用更为均衡的优点,并针对SOFM在胜出神经元的邻域内神经元修改权值方法的不足,提出基于SOFM-C的辅助神经元自组织映射算法,此方法具有开放性,可随时添加入新的有效算法模块以达到更好的效果。并把该矢量量化算法应用于小波变换域,以获得更好的码书。仿真结果表明,该方法优于已有的SOFM方法。

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上,针对基于自组织特征映射神经网络的矢量量化算法,在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进。实验结果表明改进算法具有合理性和有效性。

基于神经网络的多光谱遥感图像无损压缩

分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。

基于自组织特征映射神经网络的矢量量化

近年来 ,许多学者已经成功地将 Kohonen的自组织特征映射 (SOFM)神经网络应用于矢量量化 (VQ)图象压缩编码 .相对于传统的 L BG算法 ,基本的 SOFM算法的两个主要缺点是计算量大和生成的码书性能较差 ,因此为了改善码书性能 ,对基本的 SOFM算法的权值调整方法作了一些改进 ,同时为了降低计算量 ,又在决定获胜神经元的过程中 ,采用了快速搜索算法 .在将改进的算法用于矢量量化码书设计后 ,并把生成的码书用于图象的压缩编码 .测试结果表明 ,改进的算法使码书设计的计算量得到明显的降低 ,而且码书的性能得到了提高 .相对于基本算法 ,码书设计的计算时间减少了约 75 % .在图象编码中 ,不论是训练集内的图象 ,还是训练集外的图象 ,相对于基本算法 ,编码质量均提高了 0 .80 d B～ 0 .90 d B.

基于矢量量化的嵌入式零树小波改进编码方法

基于矢量量化的SOFM算法和嵌入式零树小波算法(EZW)如今已经广泛的被使用于图像压缩领域,均被认为是非常有效的压缩编码技术。矢量量化方法压缩比较高,但往往存在分块效应,而EZW算法在高压缩比情况下存在恢复的图像质量较差的问题,提出一种基于矢量量化的嵌入式零树小波方法,它的基本原理是引入差值图像思想,先对原图像做矢量量化,再将原图像与矢量量化的恢复图像求差值图像,差值图像经过小波分解以后会存在大量为0的小波系数,再利用EZW编码,帮助提高重建图像质量。实验表明,相对于EZW和JPEG2000算法,本文算法的压缩比和编码质量均有显著提高。

基于SOFM神经网络的图象矢量量化的研究

分析了自组织特征映射（ＳＯＦＭ）算法，讨论了按加权函数控制邻域半径的方法，并对ＳＯＦＭ算法应用于图象矢量量化进行了系统的仿真实验研究，为实际应用提供了实验依据和基础。

一种用于计算机图形分离的自组织映射彩色量化方法

提出了一种用于计算机图形分离的自组织映射彩色量化改进方法,该方法首先将自组织映射的输出神经元分成灰度组和彩色组分别进行初始化,在训练过程中分别训练灰度组和彩色组中的神经元,同时采用生长、修剪及合并方案来自适应地调整神经网络的结构.实验结果表明,该方法能够大大提高收敛速度和量化精度,满足了后续图像分割和识别的需要.

神经网络在图象压缩编码中的应用

讨论神经网络在图象压缩编码领域中的应用.针对图象矢量量化存在的分块效应问题,对Kohonen自适应模型进行了研究.应用了两个DCT的余弦变换域的特征值,结合Kohonen的自组织特征映射(SOFM)算法对图象元素分类压缩编码.计算机模拟实验表明,和单纯用神经网络直接进行矢量量化相比,应用这种技术的图象编码压缩比和译码图象质量都有明显的提高.

基于小波变换和自适应标矢量混合量化的图像压缩

提出了一种基于小波变换和自适应标矢量混合量化的图像压缩技术.该算法首先将图像分成不同层次不同频率的子带,对含能量大的低频子带采用无失真的DPCM编码;利用相同方向不同尺度子带之间的相关性,对其余的高频子带利用自组织特征映射神经网络进行矢量量化编码,实验证明:此方法兼顾了图像的压缩比、编解码时间以及重构图像质量等因素.

非线性空间几何收缩的分形图象压缩编码

在经典的空间几何线性均值收缩算法的基础上，提出了一种非线性空间几何收缩算法。由实验表明，该算法不仅能提高压缩比，而且对信噪比也有一定的改善。

基于自组织特征映射的神经网络的矢量量化

本文设计了一种神经网络矢量量化编码方法———基于自组织特征映射的神经网络的矢量量化 .利用Kohonen网络的自组织聚类功能 ,设计矢量量化器码书 ,实现矢量量化 .该神经网络速度快 ,效率高 ,适用于语音和图象数据压缩 ,并对SOFM算法应用于图象矢量量化进行系统的研究 .

基于小波变换和混合神经网络的图像压缩算法

提出了一种将空间方向小波零树编码与混合神经网络相结合,新的多尺度系数矢量量化策略.该算法在对图像进行多级小波变换后,利用3个方向上各自小波系数之间的相关性,构造符合图像特征的跨频带矢量,依据矢量能量和零树矢量的思想进行矢量分类,分别利用主元分析和自组织特征映射神经网络对3个方向的多尺度系数矢量进行基于视觉的加权矢量量化压缩编码.仿真实验结果表明该算法是合理可行的.

基于混合神经网络的图像分类矢量量化方法

介绍了一种基于自组织特征映射(SOFM)神经网络图像压缩的传统算法.通过对传统压缩算法的分析,提出了一种新的简单易行的分类矢量量化方法.新方法采用边缘检测,主元分析(PCA),自组织特征映射来设计码书,大大提高了图像的客观指标和主观视觉效果.实验表明,此方法效果明显优于传统的SOFM图像压缩算法.

基于矢量量化压缩密集连接层的图像压缩研究

针对卷积神经网络(CNN)在图像压缩耗费较大存储空间问题,文中通过研究压缩CNN参数的矢量量化方法解决了CNN模型的存储问题。通过压缩密集连接层的存储方式使得矢量量化方法比现有的矩阵分解方法更具优势。将k-均值聚类(KM)应用于权重和乘积量化可以在模型大小和识别精度之间取得较好的权衡。实验结果表明,结构化量化方法的效果明显优于其他方法,通过对图像压缩检索验证了压缩模型的泛化能力。

基于结构自适应自组织神经网络的图像压缩算法的研究

图像矢量量化(VQ)是图像压缩算法中的重要环节,而在VQ中起决定性因素的又是能否构造出性能优异的码书,本文在比较LBG,SOFM和改进的SOFM优缺点的基础上,采用具有结构自适应特性的自组织神经网络(SASONN)来构造码书,克服了SOFM算法的网络映射欠准确、神经元过利用等弊端,并将结果应用在图像压缩编码算法(VQ+DPCM+DCT)中,实验结果表明,主客观效果良好。