智能控制及其Matlab實(shí)現(xiàn)

1、智能控制及其MATLAB實(shí)現(xiàn)題目：基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮實(shí)現(xiàn)方法姓 名：裴曉鵬學(xué) 號(hào)：2015510298授課教師：李國(guó)勇所在院系：信息工程學(xué)院學(xué)號(hào) 2015510298 授課教師李國(guó)勇學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮實(shí)現(xiàn)方法摘要在當(dāng)今這個(gè)信息爆炸的時(shí)代，圖像傳輸和共享是一個(gè)很重要的環(huán)節(jié)，但是圖像數(shù)據(jù) 的海量性使其存儲(chǔ)和傳輸成為數(shù)字圖像處理領(lǐng)域的一大難題。研究發(fā)現(xiàn)，一幅圖像之所 以占據(jù)內(nèi)存大，是因?yàn)槌擞行畔⒁酝?，還有許多冗余信息和相干信息。也正是因?yàn)?圖像中存在著大量的冗余信息和相干信息，使得對(duì)圖像進(jìn)行壓縮，即去除圖像中的冗余 信息和相干

2、信息，只保留圖像中的有效特征信息變得可行。所謂圖像壓縮是指用較少的 數(shù)據(jù)量對(duì)冗余信息和相干信息進(jìn)行有效的表征或直接去除。壓縮圖像為數(shù)字圖像提供了 一種有效的表示方法，同時(shí)緩解了系統(tǒng)的存儲(chǔ)和傳輸?shù)葔毫Γ谝欢ǔ潭壬夏軌驕p少圖 像存儲(chǔ)量和減輕圖像傳輸?shù)呢?fù)擔(dān)，也能實(shí)現(xiàn)快速傳輸和實(shí)時(shí)處理。本文在圖像壓縮原理 及幾種常用的圖像壓縮方法的研究基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮，能夠重構(gòu) 出高質(zhì)量的圖像。在要求存儲(chǔ)量較少的同時(shí)還追求高質(zhì)量的重構(gòu)圖像的情況下，這種壓 縮方法對(duì)數(shù)據(jù)的存儲(chǔ)和傳輸有一定的實(shí)踐指導(dǎo)作用。關(guān)鍵詞：圖像壓縮；快速傳輸；BP神經(jīng)網(wǎng)絡(luò)學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)學(xué)

3、號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6Image compression method based on BP neural networkAbstractToday information explodes, the images transmission and sharing is art important p; but the image data huge amounts make its storage and transport become a big problem in the field of digital image proc

4、essing. The study found that an image is to occupy memory is big, because in addition to the valid information, there are a lot of redundant information and irrelevant information. Is precisely because there are a lot of redundant information in the image and correlation information, make the image

5、is compressed, which remove the redundant information in the image and correlation information, only keep the effective feature information of images become feasible. Image compression refers to the use of less amount of data to the redundant information and coherent information for effective charac

6、terization or remove directly. Compressed image as the representation method of digital image provides an effective, at the same time reduce the pressure on the system of storage and transmission, etc, to a certain extent, can reduce the image storage and reduce the burden of image transmission, als

7、o can realize fast transmission and real-time processing. Based on the principle of image compression and several common image compression method based on the research of image compression is realized by using the BP neural network, to reconstruct the high quality images. In demanding less storage c

8、apacity but also the pursuit of high quality under the condition of reconstructed images, the compression method for data storage and transmission have certain practice guidance.Key words: Image compression; Rapid transmission; The BP neural network學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6學(xué)生姓名 裴曉鵬課程名

9、稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)第一章引言在當(dāng)今充滿(mǎn)各種類(lèi)型信息的時(shí)代，圖像是人類(lèi)感知世界、表達(dá)信息、獲取信息和傳 遞信息的重要工具之一。隨著人類(lèi)對(duì)圖像信息需求量的不斷增加，龐大圖像數(shù)據(jù)量的獲 取、存儲(chǔ)、傳輸以及傳播等都面臨著巨大的挑戰(zhàn)?，F(xiàn)實(shí)應(yīng)用中，一幅較大圖像數(shù)據(jù)的存 儲(chǔ)通常需要占用比較大的內(nèi)存，而真正用來(lái)表征圖像本質(zhì)特征的數(shù)據(jù)往往相對(duì)較少，如 果我們將整幅圖像數(shù)據(jù)全部保存，將無(wú)形中占用和浪費(fèi)較大的內(nèi)存資源，假如我們只保 存表征圖像的有效數(shù)據(jù)，則能夠節(jié)約大量的存儲(chǔ)空間。因此，如何對(duì)圖像信號(hào)用少量的 數(shù)據(jù)進(jìn)行有效表征以減少存儲(chǔ)空間和縮短傳輸時(shí)間已成為圖像處理領(lǐng)域的研究熱點(diǎn)之 一?！?】研究發(fā)現(xiàn)

10、，一幅圖像之所以占據(jù)內(nèi)存大，是因?yàn)槌擞行畔⒁酝?，還有許多余 信息和相干信息。通常把圖像中大量重復(fù)出現(xiàn)的這部分信息稱(chēng)為冗余信息，對(duì)于那些可 用其它信息表示的信息稱(chēng)為相干信息，也正是因?yàn)閳D像中存在著大量的冗余信息和相干 信息，使得對(duì)圖像進(jìn)行壓縮，即去除圖像中的冗余信息和相干信息，只保留圖像中的有 效特征信息變得可行。所謂圖像壓縮是指用較少的數(shù)據(jù)量對(duì)冗余信息和相干信息進(jìn)行 效的表征或直接去除。壓縮圖像為數(shù)字圖像提供了一種有效的表示方法，同時(shí)緩解了系 統(tǒng)的存儲(chǔ)和傳輸?shù)葔毫?，也便于用有限的資源查看和處理大量的圖像信息。圖像壓縮技術(shù)歷經(jīng)50多年的不斷發(fā)展，目前已經(jīng)有一些比較成熟的方法。常用的 圖像壓縮

11、技術(shù)通常采用變換的方法來(lái)有效地去除圖像中的冗余信息?；谧儞Q編碼壓縮 的方法，常用的主要有離散余弦變換(Discrete Cosine Transform, DCT)編碼81和離散 小波變換(Discrete Wavelet Transform, DWT)編碼，“。DCT變換將空間域的圖像信號(hào) 變換到頻域，使得信號(hào)能量集中在一起，能夠用少量的有效數(shù)據(jù)來(lái)表征原始圖像。由于 DCT變換基固定，并且能夠快速實(shí)現(xiàn)，使其在許多圖像壓縮技術(shù)中采用。如JPEG,MPEG, H.26x和AVS等標(biāo)準(zhǔn)均采用了 DCT變換技術(shù)。如今，通信網(wǎng)絡(luò)技術(shù)的發(fā)展、數(shù)字圖像 的閱覽和圖像數(shù)據(jù)的傳輸不斷要求圖像壓縮方法能夠提供

12、高質(zhì)量和高分辨率的解壓圖 像，來(lái)滿(mǎn)足不同等級(jí)的需求，這些靈活性的要求往往與DCT的編碼結(jié)構(gòu)很難結(jié)合起來(lái)， 有待相關(guān)研究者進(jìn)行更深入的研究【3】。1974年，小波變換(Wavelet Transform, WT理論出現(xiàn)，極大地促進(jìn)了數(shù)據(jù)壓縮技術(shù) 的進(jìn)一步發(fā)展【4】。小波變換和DCT變換類(lèi)似，可以將圖像從空間域變換到頻域，使圖 像按頻率能量分布更為集中;小波變換通過(guò)對(duì)圖像進(jìn)行多尺度分解，可以獲得不同程度 上的近似圖像信號(hào)。80年代末，Lu Jian等人就將小波變換應(yīng)用到圖像壓縮編碼中，其 具體過(guò)程為:首先對(duì)圖像依據(jù)Mallat塔式快速小波變換算法進(jìn)行多尺度分解;然后對(duì)每級(jí) 的小波系數(shù)進(jìn)行量化;再對(duì)

13、量化后的小波系數(shù)進(jìn)行編碼處理，最終獲得壓縮圖像。隨著 小波變換理論的不斷發(fā)展，其在圖像數(shù)據(jù)壓縮領(lǐng)域已經(jīng)被廣泛地應(yīng)用，如2002年提出 的圖像壓縮編碼方法JPEG2000就是基于DWT的一種新的靜止圖像壓縮標(biāo)準(zhǔn)【5】。1993年，MPEG-1正式成為視頻圖像壓縮標(biāo)準(zhǔn)(運(yùn)動(dòng)圖像壓縮標(biāo)準(zhǔn))。MPEG-1主要 面向數(shù)字存儲(chǔ)媒體，應(yīng)用于多媒體計(jì)算機(jī)、電子出版物以及交互式電視等領(lǐng)域。隨著學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6數(shù)字圖像技術(shù)的不斷發(fā)展，隨后的幾年中，陸續(xù)推出了 MPEG-2, MPEG-4, MPE

14、G-7等 標(biāo)準(zhǔn)【6】。圖像壓縮編碼方法已經(jīng)發(fā)展多年，并且日漸成熟，一系列的圖像壓縮標(biāo)準(zhǔn)也在不斷 完善和發(fā)展，從靜止圖像壓縮標(biāo)準(zhǔn)JPEG到JPEG2000的發(fā)展使得圖像的壓縮比以及重 構(gòu)圖像質(zhì)量都有很大的提升，尤其從動(dòng)態(tài)圖像壓縮標(biāo)準(zhǔn)MPEG-X系列可以看出，基于 圖像內(nèi)容信息的壓縮編碼方法將是圖像壓縮發(fā)展的趨勢(shì)【7】。本文在闡述BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理基礎(chǔ)上，仿真實(shí)現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)的靜 態(tài)灰度圖像壓縮。學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)第二章人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)從生理學(xué)角度模擬人腦大

15、量神經(jīng)元細(xì)胞的運(yùn)行機(jī)理，通過(guò)不斷對(duì)鏈接 權(quán)值進(jìn)行修改，達(dá)到訓(xùn)練、模擬、預(yù)測(cè)等目的。人工神經(jīng)網(wǎng)絡(luò)經(jīng)一段時(shí)間的低潮后，從 20世紀(jì)80年代起，逐漸進(jìn)入熱潮，并衍生出多種網(wǎng)絡(luò)鏈接方式，在工程、勘探、圖 像、預(yù)測(cè)等方面應(yīng)用廣泛【8】。1988年Hecht-Nielsen對(duì)人工神經(jīng)網(wǎng)絡(luò)定義如下“人工神 經(jīng)網(wǎng)絡(luò)是一個(gè)并行、分布處理結(jié)構(gòu)，它由處理單元及稱(chēng)為連接的無(wú)向信號(hào)通道互連而成。 這些處理單元具有局部?jī)?nèi)存，并可以完成局部操作。每個(gè)處理單元有一個(gè)單一的輸出鏈 接，這個(gè)輸出可根據(jù)需要被分支多個(gè)并行鏈接，且這些并行連接都輸出相同的信號(hào)，即 相應(yīng)處理單元的信號(hào)及信號(hào)的大小不因分支的多少而變化。處理單元的輸出信號(hào)

16、可以是 任何需要的數(shù)學(xué)模型，每個(gè)處理單元進(jìn)行的操作必須是完全局部的。也就是說(shuō)，它必須 僅僅依賴(lài)于經(jīng)過(guò)輸入連接到達(dá)處理單元的所有輸入信號(hào)的當(dāng)前值和儲(chǔ)存在處理單元局 部的范圍值?！薄?】1986 年，Rumelhart 和 Mc Celland 在 Parallel Distributed Processing 一書(shū)中，提出 BP學(xué)習(xí)算法。用得最廣泛的BP神經(jīng)網(wǎng)絡(luò)一般采用三層，即一輸入層，一隱層，一輸出層。 BP算法訓(xùn)練時(shí)，由工作信號(hào)正向傳播和誤差信號(hào)反向傳播組成；工作時(shí)，采用訓(xùn)練好 的權(quán)值進(jìn)行計(jì)算。工作信號(hào)正向傳播。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)在輸入層經(jīng)傳遞函數(shù)的計(jì)算，把結(jié)果傳向 隱層；再經(jīng)隱層傳遞函數(shù)的

17、計(jì)算，結(jié)果傳向輸出層，在輸出層產(chǎn)生輸出。在此過(guò)程中， 網(wǎng)絡(luò)權(quán)值不變，算法計(jì)算因輸入、網(wǎng)絡(luò)權(quán)重、閾值、傳遞函數(shù)等產(chǎn)生的輸出。誤差信號(hào)反向傳播.產(chǎn)生輸出結(jié)果后，根據(jù)輸出值和期望值之間的差異，把誤差回 傳，根據(jù)不同的具體算法，從輸出層起，逐層調(diào)整網(wǎng)絡(luò)權(quán)值，至輸入層，目的是通過(guò)調(diào) 整權(quán)值，使輸出的數(shù)據(jù)更接近期望值.然后再進(jìn)行工作信號(hào)正向傳播，得出輸出層結(jié)果 后，再調(diào)整網(wǎng)絡(luò)權(quán)值，如此循環(huán)。工作時(shí)，采用經(jīng)多次調(diào)整的網(wǎng)絡(luò)權(quán)值，把輸入數(shù)據(jù)傳 遞到輸出層，產(chǎn)生輸出。BP網(wǎng)絡(luò)是目前發(fā)展較為成熟的神經(jīng)網(wǎng)絡(luò)模型之一，是一種利用非線性可微分函數(shù) 進(jìn)行權(quán)值修正與調(diào)整的多層前饋人工神經(jīng)網(wǎng)絡(luò)，能通過(guò)嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論進(jìn)行推理驗(yàn)證

18、， 在模式識(shí)別、函數(shù)逼近、數(shù)據(jù)壓縮等方面獲得了廣泛應(yīng)用與認(rèn)同。BP網(wǎng)絡(luò)算法的主要 特點(diǎn)是輸入信號(hào)正向傳遞，誤差反向傳播。BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練算法的實(shí)質(zhì)是把樣本集 合的輸入輸問(wèn)題變換為一個(gè)非線性?xún)?yōu)化問(wèn)題【1?！?。其網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層、輸 出層等三層。一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1。學(xué)生姓名 裴曉鵬學(xué)號(hào)2015510298課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn) 授課教師 李國(guó)勇圖1 一個(gè)典型的BP網(wǎng)絡(luò)模型結(jié)構(gòu)人腦在接受視覺(jué)感觀傳來(lái)的大量圖像信息后，能夠迅速做出反應(yīng)，并在腦海中重現(xiàn) 這些信息，這不僅與人腦的巨大信息儲(chǔ)存能力有關(guān)，還說(shuō)明人腦具有較強(qiáng)的特征提取 能力。人工神經(jīng)網(wǎng)絡(luò)雖然是人腦的

19、簡(jiǎn)單模擬和抽象，但具有許多與人腦相似的信息處理 能力，自然也具有較強(qiáng)的數(shù)據(jù)壓縮能力，一些神經(jīng)網(wǎng)絡(luò)模型能直接提供數(shù)據(jù)壓縮就是 一個(gè)很好的例子【11】。由于現(xiàn)實(shí)圖像內(nèi)容變化的隨機(jī)性，對(duì)圖像的分割以及平穩(wěn)區(qū)域與 非平穩(wěn)區(qū)域的數(shù)學(xué)描述還沒(méi)有找到一個(gè)有效的手段和方法，試圖用一種圖像模型來(lái)描述 自然界千奇百怪的圖像是不現(xiàn)實(shí)的，而人工神經(jīng)網(wǎng)絡(luò)在解決類(lèi)似的黑箱上特別有效， 故可以用神經(jīng)學(xué)習(xí)圖像中規(guī)律性的東西，通過(guò)神經(jīng)網(wǎng)絡(luò)自適應(yīng)機(jī)制，如結(jié)構(gòu)自適應(yīng)、 學(xué)習(xí)率參數(shù)的變化和連接權(quán)值的變化等進(jìn)行調(diào)整。因此，可以利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)對(duì) 圖像信息進(jìn)行有效的分解、表征和編碼，從而取得傳統(tǒng)方法無(wú)法比擬的結(jié)果。這就是 將人工神經(jīng)網(wǎng)

20、絡(luò)用于圖像壓縮的基本思想和出發(fā)點(diǎn)。具體來(lái)講，與傳統(tǒng)的圖像壓縮方法相比，人工神經(jīng)網(wǎng)絡(luò)具有如下一些優(yōu)勢(shì)：圖像信號(hào)的正交變換中，如果所選的基向量與圖像信號(hào)的協(xié)方差矩陣的特征向 量接近，則變換域內(nèi)圖像信號(hào)的相關(guān)性將明顯下降，能量相對(duì)集中，就能使圖像信號(hào) 的帶寬得到較大壓縮，此時(shí)的變換比較接近最佳線性變換(KLT)。對(duì)于隨機(jī)性很強(qiáng)的 圖像信號(hào)來(lái)說(shuō)，很難找到一種與不同統(tǒng)計(jì)特性的圖像信號(hào)完全匹配的變換，因此變換 矩陣中基向量的選擇不是固定的，這就給最佳變換編碼的實(shí)現(xiàn)帶來(lái)了困難，而神經(jīng)網(wǎng) 絡(luò)的強(qiáng)映射力和非線性特性，使它可以學(xué)習(xí)具有相當(dāng)接近輸入信號(hào)特征空間基的能力， 因此用來(lái)解決最佳變換的實(shí)現(xiàn)是很有效的【12】

21、；神經(jīng)網(wǎng)絡(luò)中及其豐富的訓(xùn)練算法為設(shè)計(jì)高效的圖像壓縮編碼系統(tǒng)提供了新的 途徑；大多數(shù)人工神經(jīng)網(wǎng)絡(luò)都具有相當(dāng)強(qiáng)的模式識(shí)別與模式分類(lèi)能力，這給圖像編 碼方案中模式分類(lèi)問(wèn)題的解決提供了一個(gè)強(qiáng)有力的工具；神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性和聯(lián)想記憶功能，任何局部的損壞不會(huì)影響整體結(jié)果， 這一特性有助于對(duì)有噪圖像的數(shù)據(jù)壓縮及對(duì)壓縮后信息不全圖像的恢復(fù)；神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理能力及分布式結(jié)構(gòu)，為神經(jīng)網(wǎng)絡(luò)圖像編碼的實(shí)時(shí)實(shí)學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6現(xiàn)創(chuàng)造了條件，這也是將神經(jīng)網(wǎng)絡(luò)用于圖像編碼的優(yōu)勢(shì)所在。目前，將人工神

22、經(jīng)網(wǎng)絡(luò)理論與技術(shù)引入圖像編碼領(lǐng)域的研究工作十分活躍，發(fā)展相 當(dāng)快，基于人工神經(jīng)網(wǎng)絡(luò)模型的圖像編碼方法已涉足圖像編碼研究的很多方面，所使 用的神經(jīng)網(wǎng)絡(luò)模型已有近十種，對(duì)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)圖像編碼方法進(jìn)行歸納、總結(jié)，有 助于了解神經(jīng)網(wǎng)絡(luò)方法的發(fā)展方向，使已取得的成果系統(tǒng)化，使尚未解決的問(wèn)題明確化【13】。不少神經(jīng)網(wǎng)絡(luò)模型都有相當(dāng)強(qiáng)的數(shù)據(jù)壓縮能力，當(dāng)然，有些神經(jīng)網(wǎng)絡(luò)模型不能提供 直接的數(shù)據(jù)壓縮，而是間接參與數(shù)據(jù)壓縮。如果以用于圖像編碼的神經(jīng)網(wǎng)絡(luò)模型為主 線，對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)圖像編碼方法進(jìn)行分類(lèi)，一方面可了解哪些神經(jīng)網(wǎng)絡(luò)模型具有壓 縮能力，從而進(jìn)一步挖掘潛力，另一方面可了解神經(jīng)網(wǎng)絡(luò)與圖像壓縮技術(shù)結(jié)合的途徑，

23、 從而探討其它模型的壓縮能力，建立適合數(shù)據(jù)壓縮的新的模型，在進(jìn)行歸類(lèi)的過(guò)程中， 將那些常用的或者重要的神經(jīng)網(wǎng)絡(luò)模型和學(xué)習(xí)算法分別作為一個(gè)獨(dú)立的類(lèi)別，而將那 些很少使用或新近提出的神經(jīng)網(wǎng)絡(luò)模型劃入其它類(lèi)別，按此原則，目前用于圖像編碼 的神經(jīng)網(wǎng)絡(luò)模型和學(xué)習(xí)算法主要有以下幾類(lèi)：多層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)算法為BP算法，所以又叫BP網(wǎng)絡(luò)；Kohonen自組織神經(jīng)網(wǎng)絡(luò)，包括頻率敏感競(jìng)爭(zhēng)學(xué)習(xí)(FSCL)網(wǎng)絡(luò)，其學(xué)習(xí)算法為 自組織特征映射(SOFM)算法；Hpfield神經(jīng)網(wǎng)絡(luò)；模擬退火(SA)學(xué)習(xí)算法；混合神經(jīng)網(wǎng)絡(luò)模型；其它神經(jīng)網(wǎng)絡(luò)模型，包括CPN，函數(shù)鏈神經(jīng)網(wǎng)絡(luò)，Sophia聯(lián)想神經(jīng)網(wǎng)絡(luò) (SANNET)

24、，改進(jìn)的Hebbian學(xué)習(xí)規(guī)則的系列應(yīng)用(SAMH)等。學(xué)號(hào) 2015510298 授課教師李國(guó)勇第三章BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理數(shù)字圖像壓縮是以較少的比特?cái)?shù)有損或者無(wú)損地表示原來(lái)的像素矩陣的一種圖像 處理技術(shù)，其目的是減少圖像數(shù)據(jù)中的時(shí)間冗余、空間冗余、頻譜冗余等一種或多種冗 余信息而達(dá)到更加高效的存儲(chǔ)與傳輸數(shù)據(jù)。圖像壓縮系統(tǒng)無(wú)論采用什么具體的結(jié)構(gòu)或者 技術(shù)方法，其基本過(guò)程卻是一致的，可概括為如圖2所示的流程圖，包括編碼、量化、 解碼等三個(gè)環(huán)節(jié)【14】。圖2圖像壓縮基本流程從理論上講，編解碼問(wèn)題可以歸納為映射與優(yōu)化問(wèn)題，而人工神經(jīng)網(wǎng)絡(luò)從數(shù)學(xué)上分 析就是實(shí)現(xiàn)了從輸入到輸出的一個(gè)非線性映射關(guān)系，

25、并具有高度并行處理能力、較高的 容錯(cuò)性與魯棒性。分析圖像壓縮的基本原理、環(huán)節(jié)與BP的網(wǎng)絡(luò)結(jié)構(gòu)分布，可得出基于 BP網(wǎng)絡(luò)的圖像壓縮原理如圖3所示。圖3基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理在BP網(wǎng)絡(luò)中，輸入層到隱含層之間的映射關(guān)系相當(dāng)于編碼器，用于對(duì)圖像信號(hào)進(jìn) 行線性或者非線性變換。而隱含層到輸出層之間的映射關(guān)系相當(dāng)于解碼器，通過(guò)對(duì)壓縮 后的信號(hào)數(shù)據(jù)進(jìn)行反變換以達(dá)到重建圖像數(shù)據(jù)。壓縮比率S=輸入層神經(jīng)元節(jié)點(diǎn)數(shù)/隱 含層神經(jīng)元節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)目從理論上應(yīng)該是 一致的，而隱含層的神經(jīng)元數(shù)目比輸入輸出層地?cái)?shù)目要少的多。這樣理論上可通過(guò)調(diào)節(jié) 隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目可達(dá)到不同圖像壓

26、縮比效果。BP網(wǎng)絡(luò)是目前最為常用的一種神經(jīng)網(wǎng)絡(luò)模型，它可以直接提供數(shù)據(jù)壓縮能力。最 典型的例子是一種三層對(duì)稱(chēng)的BP網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，隱含層的節(jié)點(diǎn) 數(shù)要少于輸入節(jié)點(diǎn)數(shù)，輸入節(jié)點(diǎn)數(shù)與輸出節(jié)點(diǎn)數(shù)相同，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)是完全對(duì)稱(chēng)的。 學(xué)習(xí)時(shí)，圖像數(shù)據(jù)既送到輸入層又送到輸出層作為教師信號(hào)，所使用的學(xué)習(xí)算法為BP學(xué)生姓名裴曉鵬學(xué)號(hào) 2015510298課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)授課教師李國(guó)勇算法。網(wǎng)絡(luò)訓(xùn)練好以后，輸入層到隱含層為網(wǎng)絡(luò)的編碼過(guò)程，對(duì)圖像數(shù)據(jù)進(jìn)行線性或者 非線性變換，從隱含層到輸出層為網(wǎng)絡(luò)的解碼過(guò)程，對(duì)經(jīng)過(guò)壓縮后的變換系數(shù)進(jìn)行線 性或非線性反變換，恢復(fù)圖像的原始數(shù)據(jù)。這

27、類(lèi)方法稱(chēng)為結(jié)構(gòu)壓縮法。N.Sonehara等人1989年探討了三層前饋神經(jīng)網(wǎng)絡(luò)的通用性與訓(xùn)練圖像數(shù)目以及 迭代次數(shù)的關(guān)系，還探討了隱節(jié)點(diǎn)輸出值量化和初始權(quán)值的選擇對(duì)重建圖像質(zhì)量的影 響，為了控制網(wǎng)絡(luò)規(guī)模，將圖像分成8x8的子塊，每一子塊分別送到相應(yīng)的子網(wǎng)絡(luò)進(jìn)行 并行處理，因此學(xué)習(xí)速度相當(dāng)快，每學(xué)習(xí)一幅圖像僅一秒鐘。1990年，乙He與H.Li將 多層前饋神經(jīng)網(wǎng)絡(luò)用于圖像非線性預(yù)測(cè)編碼，結(jié)果表明：神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的非線性預(yù)測(cè)器 優(yōu)于線性預(yù)測(cè)器，網(wǎng)絡(luò)的抗噪性強(qiáng)，通用性好。隨后，與張偉等人進(jìn)行了類(lèi) 似的研究，得出了相同的結(jié)論。BP算法流程如圖4所示。誤差反向傳播算法分為兩個(gè)階段：第一階段（正向傳播過(guò) 程

28、），給出輸入信息通過(guò)輸入層經(jīng)隱含層逐層處理并計(jì)算每個(gè)單元的實(shí)際輸出值；第 二階段（反向傳播過(guò)程），若在輸出層未能得到期望的輸出值，則逐層遞歸求期望輸出 和實(shí)際輸出值的偏差（即誤差），以便根據(jù)此誤差調(diào)節(jié)權(quán)值。權(quán)值的實(shí)際改變可由權(quán)值誤 差微商一個(gè)模式一個(gè)模式的計(jì)算出來(lái)，即它們可以在這組模式集上進(jìn)行累加【15】。學(xué)號(hào) 2015510298 授課教師李國(guó)勇誤差反向傳播算法的性能函數(shù)是均方誤差。對(duì)單層的線性網(wǎng)絡(luò)，誤差是網(wǎng)絡(luò)權(quán)值的 顯式線性函數(shù)，其相對(duì)于權(quán)值的導(dǎo)數(shù)較為容易求得。在具有非線性傳輸函數(shù)的多層網(wǎng)絡(luò) 中，網(wǎng)絡(luò)權(quán)值和誤差的關(guān)系就更為復(fù)雜。為了計(jì)算導(dǎo)數(shù)，需要使用微積分的鏈?zhǔn)椒▌t。 采用BP算法的多層前

29、饋網(wǎng)絡(luò)是至今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，在多層前饋網(wǎng)的應(yīng) 用中，以圖5所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍【16】。一般習(xí)慣將單隱層前饋網(wǎng)稱(chēng)為三 層前饋網(wǎng)，所謂三層包括了輸入層、隱層和輸出層。圖5三層BP網(wǎng)絡(luò)模型通常，圖像的數(shù)字編碼，其實(shí)質(zhì)是在一定質(zhì)量（信噪比要求或主觀評(píng)價(jià)得分）條件下， 以最少比特?cái)?shù)來(lái)表示（傳輸）一幅圖像。為了比較各種壓縮編碼效率，需定義表示其壓縮 效率的壓縮比，通用的壓縮比可定義為:壓縮比用于表示原始數(shù)據(jù)量與壓縮后存儲(chǔ)數(shù)據(jù) 量之間的比值關(guān)系，衡量數(shù)據(jù)壓縮的程度。壓縮比越大丟棄的信息越多，重構(gòu)圖像質(zhì)量 越差。壓縮比主要是用來(lái)評(píng)價(jià)圖像的壓縮性能，而另外還有一些評(píng)價(jià)重建圖像的質(zhì)量的性

30、能參數(shù)，如峰值信噪比（PSNR ），造成解壓后重構(gòu)圖像失真的就是壓縮過(guò)程中丟棄的 那部分信息，這部分信息可以通過(guò)原始圖像與重構(gòu)圖像之間的函數(shù)關(guān)系來(lái)表示，PSNR 能反映出這兩者間的關(guān)系。峰值信噪比定義為：PSNR 10*log（Q人2/MSE）（瀝）。本文的程序在附錄里有詳細(xì)說(shuō)明，下面圖6展示了利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮的 效果：學(xué)生姓名 裴曉鵬學(xué)號(hào) 2015510298 授課教師李國(guó)勇Figure 2文件（B 幡舊 查春M 插入CD TMCD里面窗口皿 幫助，笆目格I M曳性明曼業(yè)急I 匡1| 皿文件舊 痢程舊亙荏s 插入ZlM（t）M（d）商口 cwj幫助hi p重建圖像+、-、我 R，

31、目， 0灰渡圖像圖表6圖像壓縮結(jié)果課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)總結(jié)本次壓縮的峰值信噪比PSNR： 33.8075,壓縮比：2.3136，壓縮效果明顯，重構(gòu)圖 像效果較好。但是它也有很多不完美的地方：己經(jīng)學(xué)習(xí)好的網(wǎng)絡(luò)的泛化問(wèn)題，即能否逼近規(guī)律、能否正確處理大量沒(méi)有學(xué)習(xí) 的樣本、是否有預(yù)測(cè)能力；基于BP算法的網(wǎng)絡(luò)的誤差面有三個(gè)特點(diǎn)：有很多局部最小的解；存在一些平 坦區(qū)，在此區(qū)內(nèi)誤差改變很?。淮嬖诓簧俚木植孔钚↑c(diǎn)，在某些初值的條件下算法 容易陷入局部最小點(diǎn)。

32、由于第二和第三個(gè)缺點(diǎn)，造成網(wǎng)絡(luò)完全不能訓(xùn)練；初始的隨機(jī) 加權(quán)的大小，對(duì)局部最小的影響很大；訓(xùn)練步長(zhǎng)的大小，直接影響訓(xùn)練時(shí)間的長(zhǎng)短， 其選擇沒(méi)有理論指導(dǎo)。學(xué)習(xí)算法的收斂速度緩慢，且容易振蕩；網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)的個(gè)數(shù)的選取尚缺少統(tǒng)一而完整的理論指導(dǎo)。針對(duì)這些問(wèn)題，將在以后的研究中進(jìn)行改進(jìn)。學(xué)生姓名 裴曉鵬課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn)學(xué)號(hào) 2015510298授課教師李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程 考試時(shí)間2016.6參考文獻(xiàn)1張旭峰.基于壓縮感知的圖像壓縮研究D.西北大學(xué),20152 徐大衛(wèi).基于字典學(xué)習(xí)的高光譜圖像壓縮算法研究D.中國(guó)科學(xué)技術(shù)大學(xué),20153 王丹楓.基于在線字典學(xué)習(xí)的高光譜圖

33、像壓縮技術(shù)研究D.哈爾濱工業(yè)大學(xué),2015吳運(yùn)澤.基于小波變換的多級(jí)樹(shù)集合分裂圖像壓縮算法研究D.沈陽(yáng)工業(yè)大學(xué),2015劉志翔.基于BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)保險(xiǎn)需求預(yù)測(cè)研究D.暨南大學(xué),2015董程.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別算法的研究及仿真D.哈爾濱理工大學(xué),2015羅毅.基于BP神經(jīng)網(wǎng)絡(luò)與智能算法的股價(jià)預(yù)測(cè)方法研究D.深圳大學(xué),2015XiaoHong Han;Xiaoyan Xiong;Fu Duan.A new method for image segmentation based on BP neural network and gravitational search algorithm

34、 enhanced by cat chaotic mappingJ.Applied Intelligence,2015,No.4Xuewu Ji;Jian Wang;Youqun Zhao;Yahui Liu;Liguo Zang;Bo Li.Path planning and tracking for vehicle parallel parking based on preview BP neural network PID controllerJ.Transactions of Tianjin University,2015,No.3Ximing You;Xuewu Cao.Study

35、of Liquid Lithium Coolant Interaction Based on BP Neural Network Optimized by Genetic AlgorithmJ.Journal of Fusion Energy,2015,No.4Weikuan Jia;Dean Zhao;Tian Shen;Shifei Ding;Yuyan Zhao;Chanli Hu.An optimized classification algorithm by BP neural network based on PLS and HCAJ.Applied Intelligence,20

36、15,No.1Juncheng, Tao.Adaptive combination forecasting model for Chinas logistics fre volume based on an improved PSO-BP neural networkJ.Kybernetes: The InternationalJournal of Systems & Cybernetics,2015,No.4Woodworth, Joseph Thomas.Numerical Optimization Methods for Image學(xué)生姓名 裴曉鵬學(xué)號(hào)2015510298專(zhuān)業(yè)控制科學(xué)與工

37、程課程名稱(chēng)：智能控制及其MATLAR實(shí)現(xiàn)授課教師 李國(guó)勇考試時(shí)間20163Processing and Machine LearningD.UCLA,2016叢爽編著.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用M.2009賀興華等編著.MATLAB 7.x圖像處理M.2006周潤(rùn)景，張麗娜著.基于MATLAB的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)M.2010專(zhuān)業(yè)控制科學(xué)與工程考試時(shí)間2016.6學(xué)生姓名 裴曉鵬學(xué)號(hào)2015510298課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn) 授課教師 李國(guó)勇附錄1程序代碼bp_imageCompress.m% bp_imageCompress.m%基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮%清理

38、clcclear all%壓縮率控制K=4;N=10;row=256;col=256;%數(shù)據(jù)輸入% I=imread(lena.bmp);i=imread(tyut2.jpg);I=rgb2gray(i);%I 灰度圖像%統(tǒng)一將形狀轉(zhuǎn)為row*col I=imresize(I,row,col);%圖像塊劃分，形成KA2*N矩陣 P=block_divide(I,K);%歸一化P=double(P)/255;%建立BP神經(jīng)網(wǎng)絡(luò)net=feedforwardnet(N,trainlm);T=P;net.trainParam.goal=0.001;net.trainParam.epochs=1000

39、;ticnet=train(net,P,T);學(xué)生姓名 裴曉鵬學(xué)號(hào)2015510298課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn) 授課教師 李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程考試時(shí)間2016.6toc%保存結(jié)果com.lw=net.lw2;com.b=net.b2;,len=size(P); %訓(xùn)練樣本的個(gè)數(shù) com.d=zeros(N,len);for i=1:lencom.d(:,i)=tansig(net.iw1*P(:,i)+net.b1);endminlw= min(com.lw(:);maxlw= max(com.lw(:);com.lw=(com.lw-minlw)/(maxlw-minlw)

40、;minb= min(com.b(:);maxb= max(com.b(:);com.b=(com.b-minb)/(maxb-minb);maxd=max(com.d(:);mind=min(com.d(:);com.d=(com.d-mind)/(maxd-mind);com.lw=uint8(com.lw*63);com.b=uint8(com.b*63);com.d=uint8(com.d*63);save comp com minlw maxlw minb maxb maxd mindbp_imageRecon.m% bp_imageRecon.m%清理clear,clcclose all%載入數(shù)據(jù)學(xué)生姓名 裴曉鵬學(xué)號(hào)2015510298課程名稱(chēng)：智能控制及其MATLAB實(shí)現(xiàn) 授課教師 李國(guó)勇專(zhuān)業(yè)控制科學(xué)與工程考試時(shí)間2016.6col=256;row=256;% I=imread(lena.bmp);i=imread(tyut2.jpg);I=rgb2gray(i);%I 灰度圖像I=imresize(I,row,col);load compcom.lw=double(com.