基于bp人工神经网络的图像压缩技术过程及分析

《基于bp人工神经网络的图像压缩技术过程及分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于BP人工神经网络的图像压缩技术过程及分析图像处理中文核心期刊《微计算机信息》（管控一体化）2007年第23卷第2・3期文章编号：1008-0570（2007）02-3-0312-03基于BP人工神经网络的图像压缩技术过程及分析TheProgressandAnalysisoflmageCompressionBasedonBPArtificialNeuralNetwork（广东工业大学）刘立程LIULICHENG摘要:本文介绍了BP人工神经网络在计算机图像压缩中应用的原理，对其实现的过程进行了详细的阐述，并通过采用非线性网络和最速下降

2、法实现了图像压缩•分析结果表明:可以通过牺牲压缩率，增加隐舍层的神经元数来提高重建图像的质量.关键词:BP网络;人工神经网络;图像压缩中图分类号:TN941.1文献标识码:AAbstract:ThispaperintroducestheprincipleoftheBPartificialneuralnetworkintheapplicationofcomputerimagecompression,andgivesadetaileddescriptionoftherealizationprogressonit.Theimagecompr

3、essioniscarriedoutbytakingthenonlinearnet・workandthedeepestdecedentmethod.Theanalysisshowsthatrbythesacrificeofcompressionratio.thequalityoftherecoveredimagecanbeimprovedwiththeincreaseofthenumberoftheneuronsinthehiddenlayer.Keywords:BPnetwork,artificialneuralnetworkjma

4、gecompression1计算机图像压缩概述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•通过图像冗余数据的减少可以达到图像压缩的目的，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•同时，人工神经网^（ArtificialNeuralNetwork,ANN）理论的研究再一次成为人工智能领域研究的热点.人工神经网络由大量简单的神经元模型所组成，以模拟人脑的功

5、能•即联想记忆，推理思维等功能•它是一个非线性自适应动力系统•也是一个信号与信息处理系统，以求解传统信息处理方法难以解决或者不可能解决的问题研究基于人工神经网络的图像压缩理论与方法在学术价值和实际应用方面都具有及其重要的意义.2实现图像压缩的BP神经网络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）的基木思想是: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

6、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.刘立程:讲师输入以输j图1BP网络实现数据压缩的基本思想3BP网络图像压缩的原理及模型假设网络的输入层和输出层各由相同的M个神经元组成.隐含层的神经元数K比M小.在输入层和输出层提供同一学习模式（即教师模式为输入模式），网络通过学习后其隐含层应能对M个输入模式中的每一个给出不同的编码表示，如图2所示.最后网络在出口处可由此编码恢复出与输入对应的输出结果.'输入数据—取一,/

7、编1」扣编5结DO输入，个,c隐岔,K41f个单J解码八输出屡，个■几I霞建数图2采用BP网络进行数据压缩最简单的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nxn个神经元.各神经元对应312—360-，〜,年邮局订阅号:82.946》图像处理于nX图像分块中的每一像素，隐含层神经元数的多少是根据M个子图像块，具体的划分方式如图5所示.压缩比的不同所决定的，其结构如图3所示・!……nnB::l一〜▲.f]::一［n:嚥建像:,?小11?_,••广一〜■一?〜］・k［I图3用于图像压缩编码的BI,网络考虑用于学

8、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入和期望输出（教师模式）•网络随机地抽取各n〜n图像块（经过+1］区间的变换）作为学习模式