论文导读：图像压缩的目的是减少中图像冗余数据，在保证图像质量的条件下实现图像压缩。近年来人工神经网络在图像压缩中的应用越来越引起人们的注意.和一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织和自适应性，在图像压缩过程中不必借助于某种预先确定的数据编码算法，神经网络能根据图像本身的信息特点，自主地完成图像编码和压缩。BP网络是目前最为常见的一种人工神经网络模型，它可以直接提供数据压缩能力。
关键词：图像压缩，人工神经网络，BP网络
引言
图像信息数字化使电子信息技术领域面临的最大难题是海量数据的存储和传输问题，而图像数据压缩技术是解决问题的关键。图像压缩的目的是减少中图像冗余数据，在保证图像质量的条件下实现图像压缩。正是由于图像压缩的必要性和可行性，所以许多致力于减少数据量和降低比特率，同时又尽量保持图像信号原有质量的压缩编码方案应运而生。近年来人工神经网络在图像压缩中的应用越来越引起人们的注意.和一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织和自适应性，在图像压缩过程中不必借助于某种预先确定的数据编码算法，神经网络能根据图像本身的信息特点，自主地完成图像编码和压缩。
其中BP神经网络是人工神经网络中比较典型、经常使用的一种网络结构，已被广泛地应用于图像处理领域。
1 BP神经网络模型及原理
BP神经网络是一种多层前向网络，由输人层、输出层、隐含层(可以是一层或多层)构成。一个典型的3层BP网络模型，其拓扑结构如图1所示：
BP神经网络的基木思想是:
(1) 状态向前传播。
①输入信号 由输入单元传到隐含层单元；
②隐含层单元逐层处理后传到输出单元；
③输出单元产生输出信号；
(2) 误差反向传播，由网络实际输出信号 与期望输出信号 产生误差信号。
①误差信号沿连接通路反向传播；
②逐层修改各层神经元间的连接权值；
(3) 反复训练网络，对于给定的训练模式，重复上述过程，直到误差满足要求为止。
 2 实现图像压缩的BP神经网络模型及原理
BP网络是目前最为常见的一种人工神经网络模型，它可以直接提供数据压缩能力。利用多层前馈网络的模式变换能力实现数据变换(编码)的基本思想是:把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。当隐含层的单元数比输入模式数少时，就意味着隐含层能更有效地表现输入模式，并把这种表现传送到输出层。在这个过程中，输入层和中间层的变换可以看成压缩编码的过程;而中间层和输出层的变换可以看成解码过程。图1给出了这一思想的简要说明。
BP网络的工作原理如下：
1)定义记号：
 为样本序号；
 为输出样木；
 为网络的实际输出；
 为单元i的输出；
 为由单元i到单元j的连接权值；
 为单元j的总输入；
 为误差集；
 >0为学习因子。
2)权值修正公式：
3)输出层单元的误差调整公式：
其中， 为传递函数。
4)隐含层单元的误差调整公式：
其中， 为反馈上层的神经元的编号。
最简单的BP网络由一个输入层，一个隐含层和一个输出层构成。输入层和输出层均含有n个神经元。各神经元对应于n×n图像分块中的每一像素，隐含层神经元数的多少是根据压缩比的不同所决定的。其结构如图3所示。
考虑用于学习的图像有n×n个像素点，各像素灰度值被量化为m比特(共2m个可能的取值)。2m个灰度按线性关系转化成0到1之间的数值作为网络的输人和期望输出（教师模式)。网络随机地抽取各n×n 图像块（经过[0,+1]间的变换)作为学习模式，用BP算法学习。通过调整网络中神经元之间的连接权值，使训练集图像的重建误差E=f一g的均值达到最小。论文参考网。训练好的网络隐含层神经元矢量(经过量化)便是数据压缩的结果，而输出神经元矢量便是重建的数据。BP网络的计算模型如图4所示。
1/2 1 2 下一页 尾页 |
