欢迎来到天天文库
浏览记录
ID:36555672
大小:2.54 MB
页数:63页
时间:2019-05-12
《基于模拟退火和蚁群算法的矢量量化图像压缩算法的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、摘要摘要C}}}化技术是一种高效的有损压缩技术,码书设计是矢量量化的关键问Mo近十几年发展起来的一些随机搜索技术极大地推进了全局最佳码书的研究热潮。蚁群算法是近年发展起来的一种新型的模拟进化算法,己成功应用于一些复杂优化问EllJ.矢量量“的码“设计本质”一个”“聚类问“,本论文”全面、“入地探讨和研究了模拟退火和蚁群算法技术在矢量量化图像编码中的应用理论及实现技术。本文的主要创新工作在于:(1)针对传统LBG算法具有空胞腔的码字多的问题提出了一种改进的LBG算法,充分利用邻域信息修改空胞腔的码字并以嫡序列收敛作为新的算法停止判据。冬验表明,该算法具有收敛速度快、码书性
2、能佳等优点,该算法的PSNR比传统的LBG算法提高了2.74dBo贪(2)将模拟退火技术与LBG算法有机结合,设置适当参数使LBG与模拟退火交替进行,提出了一种快速模拟退火矢量量化图像编码算法,该算法能降低计算量并进一步提高码书性能。(3)对蚁群算法在图像压缩编码中的应用进行探讨性的初步研究,提出基于蚁群算法的矢量量化的码书设计算法和基于逆向蚁群算法的矢量量化的码书设计算法。冬ra-M果表明两种算法均能获得较好的码书性能,其中基于逆向蚁群算法的矢量量化的码书设计算法性能更好。少(4)针对蚁群算法收敛速度慢的缺点,对基于逆向蚁群算法的矢量量化的码书设计算法进一步优化,提出
3、基于自适应蚁群算法的矢量量化的码书设计算法,该算法不但改善码书性能,而且一定程度地缩短了运行时间。声(5)为了充分利用蚁群算法易与其他优化算法的结合的特点,提出基于混合蚁群算法的矢量量化算法。夔验结果表明以上算法不但大大提“码书性能,.刁而且也缩短了运行时间,解码恢复图像能获得较高的主、客观质量。.关键词:图像编码;矢量量化,模拟退火扩蚁群算法AbstractAbstractVectorquantizationisanefficientlossycompressiontechnique.Codebookdesignisthepivotalproblemofvectorq
4、uantization.Somestochasticsearchingalgorithmshavemademuchprogressinsearchoftheglobaloptimizationcodebookinrecentyears.Antcolonyalgorithmisanovelsimulatedevolutionaryalgorithmwhichisproposedinrecentyears.Preliminarystudyhasshownthatithasbeensuccessfullyappliedincomplicatedcombinatorialopt
5、imizationproblems.Basically,codebookdesigninVQimagecompressionisadataclustering,wemadedeepandsystematicstudyofthetheoryandtechnologyofthesimulatedannealingandantcolonyalgorithmappliedinimagevectorquantization.Somecreativepointsareasfollows:(1)AfastimprovedLBGalgorithmisproposedforsolving
6、theemptyvoronoisproblemcommonlyencounteredintheLBGalgorithm.Useismadeofthenextnearestneighborhoodtoupdatethecodebook.Furthermore,thecriteriafortheconvergenceofthealgorithmisbasedontheentropysequenceofeachregionalsequence.Simulationresultsshowthealgorithmpossessessomeadvantages,forexample
7、,fastconvergencerateandexcellentperformanceforcodebook,etc.TheimprovementofPSNRfortheproposedalgorithmexceed2.74dBcomparedwithLBGalgorithm.(2)AfastsimulatedannealingvectorquantizationalgorithmisproposedinthisthesiswhichcombinestheabovementionedLBGalgorithmwithsimulatedann
此文档下载收益归作者所有