图像矢量量化——改进的自组织特征映射神经网络的算法

图像矢量量化（VQ）是图像压缩算法中的重要环节,在VQ中起决定性因素的是构造出性能优异的码书。为改善矢量量化码书的性能,文中在分析Kohonen自组织特征映射（SOFM）的基础上,提出一种识别距离SOFM的算法,同时将矢量量化应用于图像的小波变换域。测试结果表明,改进的算法使码书设计的计算量得到明显的降低,而且码书的性能得到了提高。     

一种基于改进的SOFM神经网络的图像无损压缩方法

在介绍矢量量化和自组织特征映射神经网(SOFM)的基础上,针对SOFM算法的特点对其进行了几个方面的改进,提高了SOFM网络的性能。采用改进后的基于SOFM的矢量量化技术对图像进行无损压缩编码,码书设计时间减少了约70%,图像效果、编码质量均有所提高,实验结果表明了本算法的压缩比比传统的差值编码(DPCM)无损压缩最高可提升40%,证明了算法的有效性。     

一种改进的自组织特征映射图像压缩算法

为改善矢量量化的码书性能,提高神经网络的学习效率,在分析Kohonen自组织特征映射算法的基础上,提出一种改进的自组织特征映射算法,并应用到图像的矢量量化中。新算法引入失真敏感参数,并对网络学习参数进行了优化。实验表明,在压缩比为51.2时,新算法恢复图像的峰峰信噪比达到34.66dB,较Kononen自组织特征映射算法提高3.57dB。     

一种用于图象编码的神经网络及其改进算法

本文用Kohonen的自组织特征映射神经网络设计图象矢量量化的码书,研究了网络的基本性质和学习算法的实现,提出了对学习算法的改进方法。实验结果表明,自组织特征映射神经网络能够有效地用于构造图象矢量量化的码书,算法简洁,实现快速,编码效果优良。     

基于结构自适应自组织神经网络的图像压缩算法的研究

图像矢量量化（VQ）是图像压缩算法中的重要环节，而在VQ中起决定性因素的又是能否构造出性能优异的码书，本文在比较LBG，SOFM和改进的SOFM优缺点的基础上，采用具有结构自适应特性的自组织神经网络（SASONN）来构造码书，克服了SOFM算法的网络映射欠准确、神经元过利用等弊端，并将结果应用在图像压缩编码算法（VQ＋DPCM＋DCT）中，实验结果表明，主客观效果良好。     

基于改进Kohonen网络训练算法的说话人识别系统

与文本无关的说话人识别方法是当前说话人识别技术的研究重点.本文将自组织特征映射(SOFM)网络用于矢量量化中码书的形成,改进了训练算法,并基于改进算法进行了与文本无关的说话人识别.经实验结果证明,本文的方法改善了码本的性能,提高了说话人识别的识别率.     

TGSOM:一种用于数据聚类的动态自组织映射神经网络

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需预先指定的限制,提出一种新的树形动态自组织映射(TGSOM)神经网络,当用于数据挖掘时该网络以其生成速度快可视性好具有显著优越性。该文详尽描述了该网络模型的生成算法,研究了算法中扩展因子的作用。扩展因子与训练样本数据的维数无关,其作用是控制网络的生长,扩展因子可以反映数据聚类的精度,即扩展因子值的大小与聚类精度的高低成正比。在聚类的不同阶段使用大小不等的扩展因子还可以实现层次聚类。     

图像矢量量化—频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法，本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。     

一种新的像素级多聚焦图像融合算法

该文在小波变换的基础上提出了一种将一维自组织特征映射(SOFM)网络和进化策略相结合的多聚焦图像融合算法。该方法对不同聚焦点的图像进行冗余小波分解,再分别将其各方向、各尺度的高频信息进行叠加,并在高频信息叠加层上提取反映图像清晰度差异的归一化特征图,依据此特征图,使用SOFM网络对原始图像像素进行分类,并利用进化策略对各类像素求出最优的融合系数。实验结果表明该算法比拉普拉斯变换法和小波变换法具有更好的融合效果。     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

基于小波与JPEG的VQ图像压缩算法

提出了一种改善矢量量化的方法,该方法保留小波分解后的低频信号,对其用基于ＳＯＦＭ的矢量量化形成码书和索引号,最后,传输索引号码字和ＪＰＥＧ编码后的码书码字。解码为编码逆过程。实验表明,所提出的方法在ＰＳＮＲ相同的情况下,压缩比约为原始ＶＱ算法的４倍。文末附实验结果予以说明。     

A New Image Coding Algorithm Based on Self-Organizing Neural Network

ＡＮｅｗＩｍａｇｅＣｏｄｉｎｇＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＳｅｌｆ－ＯｒｇａｎｉｚｉｎｇＮｅｕｒａｌＮｅｔｗｏｒｋＬｉＨｏｎｇｓｏｎｇＡＮＤＱｕａｎＺｉｙｉ（ＤｅｐａｒｔｍｅｎｔｏｆＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉ...     

模糊增强学习码书设计算法及其在图像编码中的应用

本文提出一种用于图像压缩编码的模糊增强学习码书设计算法。该算法是在模糊竞争学习矢量量化的基础上引入增强学习,并用输入训练模式的监督信号与类别模式之间的隶属度控制增强信号。实验结果表明,该算法对初始码本依赖性小,与模糊竞争学习矢量量化和微分竞争学习算法相比,收敛速度更快,性能更好。     

Design of vector quantizer for image compression using self-organizing feature map and surface fitting

We propose a new scheme of designing a vector quantizer for image compression. First, a set of codevectors is generated using the self-organizing feature map algorithm. Then, the set of blocks associated with each code vector is modeled by a cubic surface for better perceptual fidelity of the reconstructed images. Mean-removed vectors from a set of training images is used for the construction of a generic codebook. Further, Huffman coding of the indices generated by the encoder and the difference-coded mean values of the blocks are used to achieve better compression ratio. We proposed two indices for quantitative assessment of the psychovisual quality (blocking effect) of the reconstructed image. Our experiments on several training and test images demonstrate that the proposed scheme can produce reconstructed images of good quality while achieving compression at low bit rates. Index Terms-Cubic surface fitting, generic codebook, image compression, self-organizing feature map, vector quantization.     

基于矢量量化压缩密集连接层的图像压缩研究

针对卷积神经网络(CNN)在图像压缩耗费较大存储空间问题,文中通过研究压缩CNN参数的矢量量化方法解决了CNN模型的存储问题。通过压缩密集连接层的存储方式使得矢量量化方法比现有的矩阵分解方法更具优势。将k-均值聚类(KM)应用于权重和乘积量化可以在模型大小和识别精度之间取得较好的权衡。实验结果表明,结构化量化方法的效果明显优于其他方法,通过对图像压缩检索验证了压缩模型的泛化能力。