基于BP人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮技術(shù)研究與改進(jìn)(圖文)

1、 基于BP人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮技術(shù)研究與改良(圖文)論文導(dǎo)讀：圖像壓縮的目的是減少中圖像冗余數(shù)據(jù)，在保證圖像質(zhì)量的條件下實(shí)現(xiàn)圖像壓縮。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)在圖像壓縮中的應(yīng)用越來(lái)越引起人們的注意.和一些傳統(tǒng)的壓縮方法相比，人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有良好的容錯(cuò)性、自組織和自適應(yīng)性，在圖像壓縮過(guò)程中不必借助于某種預(yù)先確定的數(shù)據(jù)編碼算法，神經(jīng)網(wǎng)絡(luò)能根據(jù)圖像本身的信息特點(diǎn)，自主地完成圖像編碼和壓縮。BP網(wǎng)絡(luò)是目前最為常見(jiàn)的一種人工神經(jīng)網(wǎng)絡(luò)模型，它可以直接提供數(shù)據(jù)壓縮能力。關(guān)鍵詞：圖像壓縮，人工神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)引言圖像信息數(shù)字化使電子信息技術(shù)領(lǐng)域面臨的最大難題是海量數(shù)據(jù)的存儲(chǔ)和傳輸問(wèn)題，而圖像數(shù)據(jù)壓縮技術(shù)是解

2、決問(wèn)題的關(guān)鍵。圖像壓縮的目的是減少中圖像冗余數(shù)據(jù)，在保證圖像質(zhì)量的條件下實(shí)現(xiàn)圖像壓縮。正是由于圖像壓縮的必要性和可行性，所以許多致力于減少數(shù)據(jù)量和降低比特率，同時(shí)又盡量保持圖像信號(hào)原有質(zhì)量的壓縮編碼方案應(yīng)運(yùn)而生。近年來(lái)人工神經(jīng)網(wǎng)絡(luò)在圖像壓縮中的應(yīng)用越來(lái)越引起人們的注意.和一些傳統(tǒng)的壓縮方法相比，人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有良好的容錯(cuò)性、自組織和自適應(yīng)性，在圖像壓縮過(guò)程中不必借助于某種預(yù)先確定的數(shù)據(jù)編碼算法，神經(jīng)網(wǎng)絡(luò)能根據(jù)圖像本身的信息特點(diǎn)，自主地完成圖像編碼和壓縮。其中BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中比擬典型、經(jīng)常使用的一種網(wǎng)絡(luò)結(jié)構(gòu)，已被廣泛地應(yīng)用于圖像處理領(lǐng)域。1 BP神經(jīng)網(wǎng)絡(luò)模型及原理BP神經(jīng)網(wǎng)絡(luò)是一

3、種多層前向網(wǎng)絡(luò)，由輸人層、輸出層、隱含層(可以是一層或多層)構(gòu)成。一個(gè)典型的3層BP網(wǎng)絡(luò)模型，其拓?fù)浣Y(jié)構(gòu)如圖1所示：BP神經(jīng)網(wǎng)絡(luò)的基木思想是:(1) 狀態(tài)向前傳播。輸入信號(hào)由輸入單元傳到隱含層單元；隱含層單元逐層處理后傳到輸出單元；輸出單元產(chǎn)生輸出信號(hào)；(2) 誤差反向傳播，由網(wǎng)絡(luò)實(shí)際輸出信號(hào)與期望輸出信號(hào)產(chǎn)生誤差信號(hào)。誤差信號(hào)沿連接通路反向傳播；逐層修改各層神經(jīng)元間的連接權(quán)值；(3) 反復(fù)訓(xùn)練網(wǎng)絡(luò)，對(duì)于給定的訓(xùn)練模式，重復(fù)上述過(guò)程，直到誤差滿足要求為止。2 實(shí)現(xiàn)圖像壓縮的BP神經(jīng)網(wǎng)絡(luò)模型及原理BP網(wǎng)絡(luò)是目前最為常見(jiàn)的一種人工神經(jīng)網(wǎng)絡(luò)模型，它可以直接提供數(shù)據(jù)壓縮能力。利用多層前饋網(wǎng)絡(luò)的模式變換

4、能力實(shí)現(xiàn)數(shù)據(jù)變換(編碼)的根本思想是:把一組輸入模式通過(guò)少量的隱含層單元映射到一組輸出模式，并使輸出模式盡可能等于輸入模式。當(dāng)隱含層的單元數(shù)比輸入模式數(shù)少時(shí)，就意味著隱含層能更有效地表現(xiàn)輸入模式，并把這種表現(xiàn)傳送到輸出層。在這個(gè)過(guò)程中，輸入層和中間層的變換可以看成壓縮編碼的過(guò)程;而中間層和輸出層的變換可以看成解碼過(guò)程。圖1給出了這一思想的簡(jiǎn)要說(shuō)明。BP網(wǎng)絡(luò)的工作原理如下：1)定義記號(hào)：為樣本序號(hào)；為輸出樣木；為網(wǎng)絡(luò)的實(shí)際輸出；為單元i的輸出；為由單元i到單元j的連接權(quán)值；為單元j的總輸入；為誤差集；0為學(xué)習(xí)因子。2)權(quán)值修正公式：3)輸出層單元的誤差調(diào)整公式：其中，為傳遞函數(shù)。4)隱含層單元的

5、誤差調(diào)整公式：其中，為反應(yīng)上層的神經(jīng)元的編號(hào)。最簡(jiǎn)單的BP網(wǎng)絡(luò)由一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層構(gòu)成。輸入層和輸出層均含有n個(gè)神經(jīng)元。各神經(jīng)元對(duì)應(yīng)于nxn圖像分塊中的每一像素，隱含層神經(jīng)元數(shù)的多少是根據(jù)壓縮比的不同所決定的。其結(jié)構(gòu)如圖3所示?？紤]用于學(xué)習(xí)的圖像有nxn個(gè)像素點(diǎn)，各像素灰度值被量化為m比特(共2m個(gè)可能的取值)。2m個(gè)灰度按線性關(guān)系轉(zhuǎn)化成0到1之間的數(shù)值作為網(wǎng)絡(luò)的輸人和期望輸出教師模式)。網(wǎng)絡(luò)隨機(jī)地抽取各nxn 圖像塊經(jīng)過(guò)間的變換)作為學(xué)習(xí)模式，用BP算法學(xué)習(xí)。通過(guò)調(diào)整網(wǎng)絡(luò)中神經(jīng)元之間的連接權(quán)值，使訓(xùn)練集圖像的重建誤差E=f一g的均值到達(dá)最小。論文參考網(wǎng)。訓(xùn)練好的網(wǎng)絡(luò)隱含層神經(jīng)

6、元矢量(經(jīng)過(guò)量化)便是數(shù)據(jù)壓縮的結(jié)果，而輸出神經(jīng)元矢量便是重建的數(shù)據(jù)。BP網(wǎng)絡(luò)的計(jì)算模型如圖4所示。4 BP神經(jīng)網(wǎng)絡(luò)模型的改良本文采用的網(wǎng)絡(luò)結(jié)構(gòu)為3層BP網(wǎng)絡(luò)，即輸人層、隱含層和輸出層，輸人層和輸出層神經(jīng)元數(shù)均為256個(gè)，隱含層的節(jié)點(diǎn)數(shù)根據(jù)圖像的分類特征而定。針對(duì)傳統(tǒng)算法存在的缺乏，本文相應(yīng)地進(jìn)行了改良。在一幅圖像中，某些局部的灰度空間變動(dòng)小，例如背景局部，而某些局部的灰度空間變動(dòng)大，例如邊緣局部。根據(jù)圖像的這個(gè)特點(diǎn)，對(duì)圖像細(xì)節(jié)的局部可作比擬精細(xì)的處理，而對(duì)圖像的平滑局部那么可處理的粗糙一些，這樣在保證圖像質(zhì)量的前提下，進(jìn)一步提高壓縮比。本文利用圖像的灰度相似性準(zhǔn)那么，將圖像分為平滑塊、中間塊

7、和邊緣塊，不同的分類塊相應(yīng)地采用了不同的隱含層節(jié)點(diǎn)數(shù)，從而在保證重建圖像豐富細(xì)節(jié)的同時(shí)，提高了圖像的壓縮比。具體實(shí)現(xiàn)步驟如下：(1)首先計(jì)算出整幅圖像的方差(圖像的像素與塊均值的偏離程度)，記其為；(2)然后根據(jù)輸人的順序依次計(jì)算每個(gè)子塊的均方誤差，記其為；(3)假設(shè)/3(平滑塊類)，那么該子塊(個(gè)數(shù)為N1)對(duì)應(yīng)的網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)取值為4，該子區(qū)像素變化小，圖像平滑，因此可實(shí)現(xiàn)最大的壓縮比()；(4)假設(shè)/32/3(中間塊類)，那么該子塊(個(gè)數(shù)為N2)對(duì)應(yīng)的網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)取值為8，壓縮比為()；(5)假設(shè)2/3 可邊緣塊類)，那么該子塊(個(gè)數(shù)為凡)對(duì)應(yīng)的網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)取值為16。該

8、子區(qū)像素變化大，細(xì)節(jié)多，為保證解一壓效果，采用較小的壓縮比()；整個(gè)圖像的壓縮比為。為了提高網(wǎng)絡(luò)的學(xué)習(xí)速率，使網(wǎng)絡(luò)保持較高的收斂速度，對(duì)網(wǎng)絡(luò)本身進(jìn)行如下改良：用構(gòu)建的輸入矩陣，每一列代表一個(gè)輸入模式，用輸入矩陣作為目標(biāo)輸出矩陣，開(kāi)始訓(xùn)練網(wǎng)絡(luò)。論文參考網(wǎng)。訓(xùn)練過(guò)程可采用改良后的最速下降法，即使用了梯度下降動(dòng)量和自適應(yīng)學(xué)習(xí)算法，目標(biāo)誤差設(shè)為0.001,取不同的隱含層神經(jīng)元數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)。論文參考網(wǎng)。5 實(shí)驗(yàn)結(jié)果本文使用一幅256 x 256像素的LENA圖，按照上面的步驟，在MATLAB環(huán)境下實(shí)現(xiàn)了BP網(wǎng)絡(luò)圖像壓縮。本實(shí)驗(yàn)中用到的BP傳輸函數(shù)為對(duì)數(shù)S型函數(shù)。分別對(duì)算法改良前和改良后得到的結(jié)果進(jìn)行了比

9、擬分析，實(shí)驗(yàn)結(jié)果如圖5所示。圖5解碼后的圖像說(shuō)明改良后的解碼圖像明顯優(yōu)于算法未改良前(圖中胳膊處效果尤其明顯)，而從表1可以看出，改良后不僅大幅度提高了圖像壓縮比，而且由于對(duì)網(wǎng)絡(luò)本身的改良，峰值信噪比亦有很大提高。實(shí)驗(yàn)結(jié)果證明了該方法的可行性。6結(jié)論本文介紹了BP神經(jīng)網(wǎng)絡(luò)在圖像壓縮中的應(yīng)用，在實(shí)驗(yàn)中采用基于分類的BP神經(jīng)網(wǎng)絡(luò)和最速下降法實(shí)現(xiàn)了圖像壓縮，最速下降法用于圖像壓縮時(shí)，只能犧牲壓縮率，通過(guò)增加隱含層的神經(jīng)元數(shù)來(lái)提高重建圖像的質(zhì)量?？傊龑忧梆伨W(wǎng)絡(luò)用于圖像壓縮，關(guān)鍵在于各種參數(shù)的選擇，比方算法、激活函數(shù)和隱含層神經(jīng)元數(shù)，它們將會(huì)直接影響收斂時(shí)間和壓縮性能。本文作者創(chuàng)新點(diǎn)在于在詳細(xì)研究了各種圖像壓縮技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)原理的根底上，提出將BP神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合分類法和梯度下降動(dòng)量算法應(yīng)用于圖像壓縮，提高了壓縮比，取得了良好的壓縮效果。參考文獻(xiàn)【1】尹顯東，李在銘，姚軍.圖像壓縮標(biāo)準(zhǔn)研究的開(kāi)展與前景信息與電子工程，2003，1(4)：326-330?！?】高大啟有教師的線性根本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究計(jì)算機(jī)學(xué)報(bào)，1998,21(1)：80-85?！?】周曉燕基于分布估計(jì)算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)微計(jì)算機(jī)信息，2005，21(10-3)：131133?！?】高雋人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例北京：機(jī)械工業(yè)出版桿，2003，21-24?！?】陳小前，羅世彬