QQ客服 官方微博 反馈留言

题名	神经网络在图像矢量编码中的应用
作者	王跃
学位类别	硕士
答辩日期	1991
授予单位	中国科学院电子学研究所
授予地点	中国科学院电子学研究所
导师	蔡德孚
学位专业	信号、电路与系统
中文摘要	近几年来，可视电话，图像管理系统等的发展使人们对低码率图像编码（Low bit-rate coding）展开了广泛的研究。而矢量量化（V. Q. Vector Quantization）做为一种有效的低码率编码技术引起了广泛的重视。LBG法做为V.Q.码书的设计的一般方法，已经广泛地应用在了V.Q.的各种码书设计中。但LBG法的计算量过大而且不容易训练出效果最佳的码书（Code Books)，影响了矢量量化（V.G.）在许多方面的应用。本文正是试图利用神经网络（Neural Networks）的算法来解决V.Q.码书的设计问题，从而寻找一种更佳的，更方便的、快速的V.Q.码书设计的方法。近几年来，神经网络做为一种计算方法、手段，已广泛地应用在分类，识别等领域中。其中的一种- Kohonen自组织网络（Kohonen Self, Organization Neural Networks or Competive Learning Networks）非常适用于V.Q.的码书设计及编码。近几年，也有一些人在这方面做了一些工作，但是多是从神经网络的角度上考虑的，编码方法一般，图像的压缩质量也不好，从而不能真正的体现神经网络的许多特点。本文正是试图在这一方面有所突破，设计了一种基于DCT系数的V.Q.方案，并在此基础上讨论神经网络算法。本文介绍了一种改进的kohoners自组织神经网络，更适于V.Q.码书的设计与编码。同时介绍了二种适于Self-Organization Neural Networks 的训练方法：FSCL（Frequency Sensitive Competive Learning）及KSFM（kohonen Self-Organization Feature Map）学习方法，并针对本文提出的一种V.Q.编码方案对KSFM进行了改进。这二种用于V.Q.码书设计的神经网络算法比LBG法有许多优越的地方：如：计算方便，迅速，码书的生成是自适应调整的（所谓Unsupervised Learning Algorithms）；神经网络的算法是对样本逐一操作的周期性训练（Iteration）而不象LBG法是空间探索的批处理式的（Batch Mode），因而更有利于计算效率的提高。在文中，详细介绍，对比了二种算法KSFM与FSCL法在图像编码中的应用及计算方法同时比较了LBG法及二种方法文间的效果及特点；并给出了许多实际的试验数据。这里我们还介绍了一种基于DCT（余弦变换变换系数）的V.Q.编码方法。应用V.Q.对图像直接进行编码，往往不易得到很好的效果，本文试图从变换域系数入手，寻找一种更好的V.Q.编码方式。这种方法的主要思想是：保留变换系数中的高能量点通常是DCT变换系数的直流成份或其附近的低频点）不参加V.Q.量化，而对蓁的部分进行V.Q.量化。应用这种方法取得了很好的效果（0.25 bit/pit SNR = 30 dB）。针对这种能量保留的思想，还提出了一种基于DCT变换系数的自适应的V.Q.编码方案，以取得更好的编码效果。（0.32 bit/pil, SNR = 34 dB)。最后，本文就DCT系数的特点，V.Q.编码的特点，讨论了一些快速算法。
语种	中文
公开日期	2011-07-19
页码	54
内容类型	学位论文
源URL	[http://ir.ie.ac.cn/handle/80137/9363]
专题	电子学研究所_电子所博硕士学位论文_电子所博硕士学位论文_学位论文
推荐引用方式 GB/T 7714	王跃. 神经网络在图像矢量编码中的应用[D]. 中国科学院电子学研究所. 中国科学院电子学研究所. 1991.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。