图像矢量量化──频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法。本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。

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.

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的。用此序号作为向量量化器编码输出时,对信道误码特别敏感。为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法。新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习。通过仿真试验,从峰值信噪比的提高验证了算法的优越性。

一种新的基于自学习神经网络的静止图像编码方案

为了改善JPEG算法的编码性能,提出了一种新的基于自学习特征映射算法(SLM)的静止图像编码方案,基本思想是:1)先用矢量量化(VQ)对图像进行预测,然后进行DCT编码;2)采用新的SLM算法来改善VQ码书性能.实验表明,与JPEG算法相比,该方案具有更高的压缩比和更好的图像质量.

一种新的自组织神经网络算法

为有效提高矢量量化码书的性能和学习效率,需进一步改进自组织神经网络的学习算法.在分析Kohonen自组织特征映射算法(SOM)的基础上,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中,实验表明,FSOM算法具有聚类特性好和训练速度快等优点,是一种有效的码书设计算法.

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。

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.

神经网络在图像矢量量化中的应用

该文研究了自组织特征映射神经网络(SOFM)在图像矢量量化码书设计中的应用,并把SOFM算法同LBG算法作了比较。最后总结了SOFM算法与LBG算法的优缺点。

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.

一种改进的自组织特征映射算法

针对SOM算法用于训练生成矢量量化码书存在的不足,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中。实验表明,与SOM算法相比,FSOM算法具有更好的聚类特性和峰峰信噪比(PSNR),是一种有效的码书设计算法。

一种改进的自组织特征映射图像压缩算法

为改善矢量量化的码书性能,提高神经网络的学习效率,在分析Kohonen自组织特征映射算法的基础上,提出一种改进的自组织特征映射算法,并应用到图像的矢量量化中。新算法引入失真敏感参数,并对网络学习参数进行了优化。实验表明,在压缩比为51.2时,新算法恢复图像的峰峰信噪比达到34.66dB,较Kononen自组织特征映射算法提高3.57dB。

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。

基于PCA/SOFM混合神经网络的矢量量化

针对自组织特征映射(SOFM)神经网络应用于矢量量化具有收敛速度慢、计算量大等缺点,本文提出了一种基于PCA/SOFM混合神经网络的矢量量化的算法,先用主元分析(PCA)线性神经网络对输入矢量进行降维处理,再用SOFM神经网络进行矢量量化。通过调整SOFM神经网络的学习函数、邻域权值及初始码书对网络进行优化。实验表明,改进算法缩短了图像压缩的时间,提高了码书的性能。