基于人工神经网络的数字图像压缩与分类算法及应用

摘要

人工神经网络是一种模仿人脑结构及其功能的非线性信息处理系统，通过数学方法对人脑的若干基本特性进行抽象和模拟。由于其特有的并行、分布式特点，人工神经网络在处理形象思维、语音图像识别以及联想记忆等模糊信息时具有很大的优势。目前，基于人工神经网络的图像压缩与识别技术已成为一个研究热点，各种网络结构和算法也随之应运而生。 本文对神经网络技术在数字图像压缩与分类识别中的算法进行了分析、改进及运用，主要做了如下工作： 首先，针对数字图像的矢量量化编码，提出了一种推广的数字图像矢量量化编码方法，对码书中的所有码矢量重新编码排序，使其在联想记忆的图像压缩算法中更具合理性。 其次，引入推广的矢量量化编码算法对联想记忆网络算法进行改进，并应用于数字图像压缩。、减少了图像数据网络传输时需要的带宽，以及在传输有误时能够较好的还原图像：对数字图像压缩的仿真过程中，对原始图像运用了数据归一化和分块预处理，达到了比较好的仿真效果。 最后，针对在微处理器上或者对实时性要求比较高的情况下的图像压缩及分类识别，先运用BP神经网络对数字图像进行压缩，然后运用SOFM网络对经过压缩后的数据进行分类识别，并对压缩前后需要的存储空间和计算时间进行了定量分析和对比。

目录

文摘

英文文摘

独创声明及学位论文版权使用授权书

前言

第一章推广的矢量量化数字图像编码

§1.1 K均值聚类算法

1.1.1模式相似性测度

1.1.2 K均值聚类算法

§1.2推广的矢量量化编码

1.2.1编码方法

1.2.2码书的设计

1.2.3深度优先的最小距离算法编码

第二章推广的多值指数双向联想记忆模型在图像压缩中的应用

§2.1二值双向联想记忆神经网络

2.1.1人工神经网络的基本理论知识

2.1.2二值双向联想记忆神经网络模型

§2.2改进的多值双向联想记忆神经网络

§2.3图像压缩实验过程

2.3.1图像数据的预处理

2.3.2码书的形成

2.3.3图像的压缩与解压缩过程

§2.4实验结果分析与结论

2.4.1实验结果分析

2.4.2结论

第三章基于神经网络的图像快速分类

§3.1BP网络结构及其算法

3.1.1BP网络结构

3.1.2经典BP算法

§3.2 SOFM网络

3.2.1 SOFM网络结构

3.2.2 SOFM算法原理

3.2.2 SOFM学习算法

§3.3图像分类识别实验与结论

3.3.1数据的预处理：

3.3.2图像压缩与分类识别

3.3.3复杂性分析

3.3.4结论

参考文献

致谢