高效的模糊聚类初始码书生成算法

码书设计在矢量量化中至关重要,而多数码书设计算法都是基于初始码书的.从经典的LBG算法的缺陷出发,提出一种基于模糊聚类的高效初始码书生成算法,通过将初始码书的码矢在输入矢量空间中很好地散开,并尽可能占据输入概率密度较大的区域,从而使之后的LBG算法避免陷入局部最优,设计出的码书性能更好,更加接近全局最优,同时加快了收敛速度,减少了迭代次数.将该算法应用于图像编码的实验中,结果表明:该算法能够从效率和质量两方面有效地提高矢量量化的性能.     

免疫粒子群改进LBG的孤立词语音识别算法研究

语音识别技术已在通信及控制等领域得到广泛应用,针对孤立词语音识别矢量量化中LBG算法对初始码书选择敏感,容易陷入局部最优、泛化能力不强的缺点,将免疫粒子群优化算法(IPSO)和LBG算法结合进行聚类分析,从而得到基于IPSO-LBG的码书设计方法,并将其用于基于离散隐马尔可夫模型(DHMM)的孤立词语音识别系统中。通过实验,与传统LBG算法的DHMM孤立词语音识别系统的识别结果相比,证明了改进的系统有较好的识别率和适应性。     

改进模拟退火算法在矢量量化编码中的应用

为了提高模拟退火算法的最终解的质量,文中对控制算法进程的冷却进度表进行了优化选取,尤其在控制马尔可夫链长方面,给出了依据算法搜索过程的反馈信息来控制马尔可夫链长的方法.将该算法与LBG算法相结合,应用于矢量量化图像编码,既保持了模拟退火对初始码书依赖性小、不容易陷入局部极值的优点,又具备LBG算法的易于实现和计算量小的特点.仿真实验表明,该算法提高了码书的编码性能.     

基于量子粒子群优化算法的图像矢量量化码书设计

鉴于经典的LBG码书设计算法易陷入局部最优解,将量子粒子群优化算法应用到图像矢量量化码书设计中,提出一种基于量子粒子群的矢量量化码书设计算法(QPSO-VQ)。在该算法中,用粒子表示码书,用峰值信噪比(PSNR)作为算法的适应度函数,通过量子粒子群算法的更新公式来更新码书。实验结果表明,与经典的LBG码书设计算法和粒子群矢量量化码书设计算法相比,QPSO-VQ在解码图像的PSNR值和算法的稳定度等方面有比较明显的优势,可以获得性能较好的码书。     

等误差原则在进化算法优化矢量量化中的应用

文中利用进化算法优化矢量量化器设计,在选择后代码书矢量时,利用等误差原则选择获胜后代码书矢量.算法采用LBG算法作为基本聚类算法,利用所选后代码矢调整相应区域的父代码矢,减小各区域子误差,改善总的期望误差.试验证明了此方法的有效性,解决了LBG算法局部最优的局限,获取更接近全局最优的码书.     

分区域收敛的快速码书训练算法

该文提出分区域收敛的快速码书训练算法LC,它与LBC算法相比,结构简单、速度快,用典型的测试图像Lena和Barbara做实验,表明LC算法峰值信噪比只比LBG算法少2％左右,但运行速度东LBG的4.61-13.6倍。在比特率为0.375 bpp条件下,LC算法与LBG算法的重建图像质量无明显差别。     

一种基于混合蚁群算法的矢量量化码书设计算法

提出了一种基于混合蚁群算法的矢量量化码书设计算法。该算法首先通过自适应地调整截取转移概率的参数,加大蚁群算法的搜索最优解的力度;然后以蚁群算法搜索的结果作为初始解,利用改进的LBG算法作进一步的搜索,从而加快算法的收敛速度。实验结果表明,该算法不但大大提高码书性能,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。     

人工蚁群聚类码书设计算法

文中将频率敏感算法引入到基本的蚁群算法中,提出了一种改进的蚁群聚类码书设计算法。在提出的码书设计算法中采用LBG码书优化准则,引入了频率敏感算法。仿真实验表明,提出的算法避免了停滞现象发生,有效地提高了其全局搜索能力。     

基于混合遗传算法的码书设计方法

将遗传算法与LBG算法相结合,得到了一种矢量量化码书设计算法.利用遗传算法的全局优化能力得到最优的矢量量化码书;同时,克服了传统遗传算法收敛速度慢的缺点.实验结果表明,文中提出的算法性能上优于LBG算法,且收敛速度较快.     

一种简单、快速的码书训练算法

以LBG算法为代表的传统的码书训练算法基本上都用量化失真序列收敛作算法停止条件.本文提出了一种简单、快速的新算法.它的基本思想是,不必计算量化失真,直接用区域序列中各区域的元素个数所成序列收敛作停止条件.该算法与经典的LBG算法相比,结构更简单、速度更快、更容易理解和控制.我们用典型的测试图像Lena、Barbara做实验.实验结果表明,该算法与著名的LBG算法的PSNR相差小于0.1dB,但它的运行速度比LBG快2倍以上.     

混合粒子对优化算法在说话人识别中的应用

在粒子群优化(Particle Swarm Optimization, PSO)和混合蛙跳算法(Shuffled Frog-Leaping Algorithm, SFLA)的基础上,该文提出了一种新的混合粒子对优化(Shuffled Particle-Pair Optimizer, SPPO)算法,应用于矢量量化的说话人识别。该算法将全局信息交换和局部深度搜索相结合寻求最佳的说话人码本。群体按适应值分为3个粒子对,每个粒子对由两个粒子构成,按先后顺序执行PSO算法中的速度位置更新和LBG算法以实现局部细致搜索,间隔一定的迭代次数通过SFLA混合策略实现粒子对间的信息交换,从而使群体向全局最优解靠近。实验结果表明,本算法始终稳定地取得显著优于LBG,FCM,FRLVQ-FVQ和PSO算法的说话人识别性能,较好地解决了初始码本影响的识别性能的问题,且在计算时间和收敛速度方面有相当的优势。     

粒子对算法在图像矢量量化中的应用

本文给出了一种新的图像矢量量化码书的优化设计方法——粒子对算法.在传统粒子群优化(Particle Swarm Optimization,PSO)算法的基础上,用两个粒子构成了群体规模较小的粒子对,在码书空间中搜索最佳码书.在每次迭代运算中,粒子对按先后顺序执行PSO算法中的速度更新、位置更新操作和标准LBG算法,并用误差较大的训练矢量代替越界的码字.此算法避免粒子陷入局部最优码书,较准确地记录和估计每个码字的最佳移动方向和历史路径,在训练矢量密集区域和稀疏区域合理地分配码字,从而使整体码书向全局最优解靠近.实验结果表明,本算法始终稳定地取得显著优于FKM、FRLVQ、FRLVQ-FVQ算法的性能,较好地解决了矢量量化中初始码书影响优化结果的问题,且在计算时间和收敛速度方面有相当的优势.     

Performance comparisons between PCA-EA-LBG and PCA-LBG-EA approaches in VQ codebook generation for image compression

The aim of this study is to generate vector quantisation (VQ) codebooks by integrating principle component analysis (PCA) algorithm, Linde-Buzo-Gray (LBG) algorithm, and evolutionary algorithms (EAs). The EAs include genetic algorithm (GA), particle swarm optimisation (PSO), honey bee mating optimisation (HBMO), and firefly algorithm (FF). The study is to provide performance comparisons between PCA-EA-LBG and PCA-LBG-EA approaches. The PCA-EA-LBG approaches contain PCA-GA-LBG, PCA-PSO-LBG, PCA-HBMO-LBG, and PCA-FF-LBG, while the PCA-LBG-EA approaches contain PCA-LBG, PCA-LBG-GA, PCA-LBG-PSO, PCA-LBG-HBMO, and PCA-LBG-FF. All training vectors of test images are grouped according to PCA. The PCA-EA-LBG used the vectors grouped by PCA as initial individuals, and the best solution gained by the EAs was given for LBG to discover a codebook. The PCA-LBG approach is to use the PCA to select vectors as initial individuals for LBG to find a codebook. The PCA-LBG-EA used the final result of PCA-LBG as an initial individual for EAs to find a codebook. The search schemes in PCA-EA-LBG first used global search and then applied local search skill, while in PCA-LBG-EA first used local search and then employed global search skill. The results verify that the PCA-EA-LBG indeed gain superior results compared to the PCA-LBG-EA, because the PCA-EA-LBG explores a global area to find a solution, and then exploits a better one from the local area of the solution. Furthermore the proposed PCA-EA-LBG approaches in designing VQ codebooks outperform existing approaches shown in the literature.     

基于PSO-LBG算法的最优码本设计

矢量量化（VQ）是一种极其重要的信号压缩方法，广泛地应用于图像信号压缩、语音信号压缩领域。它I的主要问题是码本设计，在码本设计过程中，有许多算法被提出。本文提出了PSO和LBG算法相结合的1PSO—LBG算法采设计码本，改善了码本质量，提高了收敛速度。     

一种改进的基于Hadamard域的码书设计算法

基于Hadamard变换和K-means理论,针对Chen的初始码书设计算法的随机性较强和峰值信噪比(PSNR)不高这两个缺点,提出了一种改进的码书设计算法。本算法利用统计特征量的分类平均法生成初始码书,然后提高求质心的频率,每当一个训练矢量被分类到胞腔时,就求出相应胞腔的质心来代替原有的码字。该算法结合LBG算法的优点,调整后的码字代表了整个胞腔的特性,加速了码书的收敛速度,提升了码书的性能。仿真实验结果表明,较Chen的算法图像效果,即峰值信噪比(PSNR),平均提高了0.5 dB,在迭代次数较小时甚至达0.9 dB。     

Image-adaptive vector quantization in an entropy-constrainedframework

An adaptive vector quantization (VQ) scheme with codebook transmission is derived for the variable-rate source coding of image data using an entropy-constrained Lagrangian framework. Starting from an arbitrary initial codebook C(I) available to both the encoder and decoder, the proposed algorithm iteratively generates an improved operational codebook C(0) that is well adapted to the statistics of a particular image or subimage. Unlike other approaches, the rate-distortion trade-offs associated with the transmission of updated code vectors to the decoder are explicitly considered in the design. In all cases, the algorithm guarantees that the operational codebook C(0) will have rate-distortion performance (including all side-information) better than or equal to that of any initial codebook C(I). When coding the Barbara image, improvement at all rates is demonstrated with observed gains of up to 3 dB in peak signal-to-noise ratio (PSNR). Whereas in general the algorithm is multipass in nature, encoding complexity can be mitigated without an exorbitant rate-distortion penalty by restricting the total number of iterations. Experiments are provided that demonstrate substantial rate-distortion improvement can be achieved with just a single pass of the algorithm.     

基于粒子群算法的星敏感器光学误差标定方法

针对星敏感器光学误差两步法标定局部寻优能力强,但标定结果受初值影响大的问题,基于粒子群算法,提出一种改进的星敏感器光学误差参数标定方法。该方法首先利用粒子群算法全局搜索能力强的优点,为光学误差的两步法标定提供一组次优的初值条件,然后将其代入两步法中,得到标定值。仿真结果表明:该方法能够有效解决两步法标定受初值条件影响大的不足,并能够提高标定结果的稳定性。     

A comparison of several vector quantization codebook generationapproaches

A review and a performance comparison of several often-used vector quantization (VQ) codebook generation algorithms are presented. The codebook generation algorithms discussed include the Linde-Buzo-Gray (LBG) binary-splitting algorithm, the pairwise nearest-neighbor algorithm, the simulated annealing algorithm, and the fuzzy c-means clustering analysis algorithm. A new directed-search binary-splitting method which reduces the complexity of the LBG algorithm, is presented. Also, a new initial codebook selection method which can obtain a good initial codebook is presented. By using this initial codebook selection algorithm, the overall LBG codebook generation time can be reduced by a factor of 1.5-2.     

鲁棒视觉词汇本的自适应构造与自然场景分类应用

该文提出了一种视觉词汇本的优化构造策略。首先引入条件数定量评估海量低层特征的稳定性,排除病态特征,筛选稳定的鲁棒视觉特征;通过分析聚类和降维的内在联系,构造了具有聚类结构的视觉特征自适应降维算法;进而利用低维聚类结构信息中的邻域支持度,自适应选取最佳的初始视觉词汇,同时选择Sil指标作为目标函数,从而改进流行的LBG词汇本生成算法敏感于初始点的随机选取,并只能得到局部最优等不足。新的视觉词汇本生成算法具有聚类和降维的统一计算功能、良好的鲁棒性和自适应优化等特性。基于概率潜在语义分析技术将该文的视觉词汇本应用于自然场景分类,在13类场景图像库上取得了73.46%的平均分类率。     

Novel fuzzy reinforced learning vector quantisation algorithm and its application in image compression

A new approach to the design of optimised codebooks using vector quantisation (VQ) is presented. A strategy of reinforced learning (RL) is proposed which exploits the advantages offered by fuzzy clustering algorithms, competitive learning and knowledge of training vector and codevector configurations. Results are compared with the performance of the generalised Lloyd algorithm (GLA) and the fuzzy K-means (FKM) algorithm. It has been found that the proposed algorithm, fuzzy reinforced learning vector quantisation (FRLVQ), yields an improved quality of codebook design in an image compression application when FRLVQ is used as a pre-process. The investigations have also indicated that RL is insensitive to the selection of both the initial codebook and a learning rate control parameter, which is the only additional parameter introduced by RL from the standard FKM