一种高保真的图像压缩算法

针对工业测量、卫星遥感等许多领域里都需要存储与传统高保真的图像这一应用背景,提出一种新的算法,该算法采用一种向量变换,这种向量变换满足针对向量量化的信息处理过程的最优属性。该算法还采用了多套多层结构的码书和动态位分配的向量量化技术,利用该算法较好地提高了高保真的有损图像压缩的压缩比。实验表明,该压缩算法具有较高的、较稳定的压缩比率,较强的鲁棒性和较高的信噪比。     

Expansive and Competitive Learning for Vector Quantization

In this paper, we develop a necessary and sufficient condition for a local minimum to be a global minimum to the vector quantization problem and present a competitive learning algorithm based on this condition which has two learning terms; the first term regulates the force of attraction between the synaptic weight vectors and the input patterns in order to reach a local minimum while the second term regulates the repulsion between the synaptic weight vectors and the input's gravity center to favor convergence to the global minimum This algorithm leads to optimal or near optimal solutions and it allows the network to escape from local minima during training. Experimental results in image compression demonstrate that it outperforms the simple competitive learning algorithm, giving better codebooks.     

一种基于小波变换的图像压缩方法

提出一种基于小波变换的灰度图像数据压缩编码方法,基本思路是利用小波变换实现图像的多分辨分解,用矢量量化（ＶＱ）对分解后的图像进行编码,在矢量量化ＬＢＧ算法的初始码书的选取中根据矢量中各分量的特性提出一种改进的随机选取法,避免了可能的胞腔不均现象,提高了码书的质量,而且重构的图像质量也有所提高。     

Image compression by vector quantization: a review focused on codebook generation

Recently, vector quantization (VQ) has received considerable attention, and has become an effective tool for image compression. It provides a high compression ratio and a simple decoding process. However, studies on the practical implementation of VQ have revealed some major difficulties such as edge integrity and codebook design efficiency. After reviewing the state-of-the-art in the field of vector quantization, we focus on iterative and non-iterative codebook generation algorithms.     

矢量量化在图像压缩编码中的应用进展

矢量量化充分利用图像的相关性,为实现图像的高倍压缩提供了新途径。本文就目前的研究进展,从矢量量化器的形成、编码算法及在图像压缩编码中的应用进行了综合性的描述。     

分布并行的分形图像压缩算法

分形图像压缩算法的时间复杂性很大，在单机上受到限制，针对这方面提出的分类方法，基于邻域搜索算法等虽然降低了时间复杂性，但同时也影响了图像的压缩质量，本文把分布并行机制引入分形压缩算法，提出分布并行的自适应四分树分形压缩算法，并在基于Java RMI的分布并行计算系统中加以实现，实验表明可以获得接近计算结点数的加速比。     

基于主对角线的分形图像并行压缩算法

本文针对传统分形压缩算法耗费时间长的缺点,提出一种基于定义域块主对角线的并行压缩算法。文中讨论了并行系统的最优构架模式及任务分配方案,从而保证系统运行时负载平衡。定义并设计出了一种新型的MPICH数据结构,用于提高系统效率,使用了MPICH中的包传输技术,完成了节点间的高性能数据传输。用该算法取代传统算法,因采样方法的改进而简化了计算的复杂度,因并行而极大的缩短了压缩时间,取得了非常好的加速比。实验结果表明,该算法在压缩时间和峰值信噪比(PSNR)两个方面都取得了很好的效果,同时也显示出并行计算在分形领域的重要应用价值。     

基于小波变换的分类量化图像编码算法

针对标量量化压缩比小而向量量化压缩速度慢、图像复原效果不理想等弱点,提出了基于小波变换的分类量化图像编码算法（简称“分类量化编码”）。该算法基本思想为：首先将小波变换后的图像高频子带划分为局部快;然后利用文中给出的相对距离最近之值选择方法,依据纹理复杂度和重要性程度将这些局部块划分为4类（平坦、过渡、弱纹理和强纹理）;最后对平坦局部块进行向量量化编码,对强纹理局部进行标量量化编码。实验结果表明：该图像压缩算法在压缩速度、图像复原效果、压缩比等方面明显优于零树小波编码和JPEG方法。     

基于小波变换和形状-增益矢量量化的3维图像压缩

数据压缩是高光谱图像处理应用中的一个关键问题。为了对高光谱图像进行有效压缩,在2维小波变换的基础上,提出了一种分组矢量量化的高光谱图像有损压缩方案。该方案首先按照谱段类型对高光谱图像进行分组,然后对每个谱段分别进行2维小波变换,最后变换系数再使用一种Kronecker-Product形状-增益矢量量化方法来进行量化编码。计算机仿真结果证明．该算法在取得高压缩率的同时,不仅能很好地保持数据的谱特征,并能降低运算量。     

矢量量化高光谱数据压缩性能评估

性能评估是高光谱数据有损压缩研究的一个关键问题。本文在分析三种典型的基于矢量量化压缩方案的基础上,以K-means聚类准确率的仿真统计比较了三种方案的性能优劣;提出一种失真标准抽取的性能评估框架,在缺乏背景资料的情况下,该框架可以对压缩方案性能给出直观评价,方便了压缩方案的选择及应用。     

基于元胞自动机模型的新型二值图像压缩算法

不同于传统的去相关,去冗余的压缩方法,提出一种基于元胞自动机模型的二值图像压缩算法。该算法用遗传规划算法搜索出较优的元胞自动机规则后,对分块后的二值图像矢量进行元胞自动机变换,利用元胞自动机的变换状态多样性等特点,生成相邻矢量,将变换次数作为码本。实验表明：该算法经过4次以内的元胞自动机变换即可生成较优的相邻矢量,具有编码时间短、重建图像的质量好、压缩率高、适应性强等特点,并且与其它压缩算法结合性好。     

改进对向传播神经网络应用于码书设计及其性能分析

针对对向传播神经网络(CPN)应用于矢量量化时的两个缺陷进行改进,提出了一种码书设计算法——快速竞争学习及误差修正算法(FCLECA),并设计了相应的基于改进CPN的快速矢量量化器模型,详细讨论了FCLECA的重要步骤、重要参数及其时间复杂度．仿真实验结果表明：文中算法能在提高码书质量的同时大幅缩短训练时间,是一种有效的快速矢量量化算法．     

基于改进CPN的快速矢量量化

对向传播神经网络(CPN)可以作为矢量量化器用于图像压缩,但CPN学习算法在进行码书设计时存在两个明显的缺陷。本文对CPN学习算法进行改进,提出了一种新的码书设计算法——快速竞争学习及误差修正算法(FCLECA)和一个基于改进CPN的快速矢量量化器模型,并讨论了FCLECA中的重要步骤和重要参数。仿真实验结果表明,FCLECA在生成高质量码书的同时大幅减少了训练时间,可以有效地实现快速矢量量化。     

基于自组织特征映射的图象矢量量化

本文就基于自组织特征映射的图象矢量量化编码做了初步的探讨,得出一些结论。在矢量量化中,码本性能的好坏对重建的图像有直接的影响。我们利用自组织特征映射(SOFM)网络进行聚类,实现了图像矢量码本的生成,然后再根据矢量量化(VQ)编码原理将图像重建。该方法可以达到较高的压缩比,实现了图像压缩。并且,就不同条件下的图像作了对比。     

一种高效的基于模拟退火的LBG算法

针对传统矢量量化码书设计LBG算法对初始码书敏感和在迭代过程中容易陷入局部极小的缺陷，结合模拟退火算法，提出了一种基于模拟退火的LBG改进算法，并给出了退火过程中的扰动因子刘画、扰动策略选取、稳定性判据确定和温度下降策略等细节．模拟实验结果表明，本文所提出的改进算法能够有效地回避对初始码书的敏感，同时在搜索性能和图像压缩后还原质量上都得到很好的改善．     

基于空间—色工多维向量模糊量化的彩色图象压缩

在Ｆｕｚｚｙｋ－ｍｅａｎｓ算法的基础上,考虑到真空蝇的色度信息与空间相关性,提出了空间一色度复合的多维向量模糊聚类量化方法它能有效地压缩彩色图象信息,量化失真小,并在不使图象边缘钝化的条件下去除图象的高频噪声。该方法在彩色图象在实验中取得了良好的效果。     

一种非线性图象矢量量化的重建方法——梯度中值算子法

针对图象矢量量化编码复杂度高，并存在方块效应等缺点，本文基于亚－Ｎｙｑｕｉｓｔ采样方式构成训练码矢，并提出了一种新的重建图象方法——梯度中值算子法，它不仅降低了运算的复杂度，而且在插值的同时改善了图象的质量。实验结果表明，在压缩比为０．３１２５ｂｉｔ／ｐｉｘｅｌ下可取得较高的信噪比（ＲＳＮ）和较好的视觉效果     

The LBG-U Method for Vector Quantization – an Improvement over LBG Inspired from Neural Networks

A new vector quantization method (LBG-U) closely related to a particular class of neural network models (growing self-organizing networks) is presented. LBG-U consists mainly of repeated runs of the well-known LBG algorithm. Each time LBG converges, however, a novel measure of utility is assigned to each codebook vector. Thereafter, the vector with minimum utility is moved to a new location, LBG is run on the resulting modified codebook until convergence, another vector is moved, and so on. Since a strictly monotonous improvement of the LBG-generated codebooks is enforced, it can be proved that LBG-U terminates in a finite number of steps. Experiments with artificial data demonstrate significant improvements in terms of RMSE over LBG combined with only modestly higher computational costs.     

矢量量化中码书旋转压缩的研究

普通码书中的码字之间在不同的方向上具有很大的相关性,存在大量的数据冗余。提出了将码书中的码字旋转压缩的理论。该理论是将各个码字按四个方向垂直旋转后进行相似性检查。如果旋转后的码字其中一个方向上与前面的码字存在相似,则将该码字删除,从而达到压缩的目的。编码时将压缩后的码书旋转恢复后进行编码,从而大幅降低了需要存储的码字数量。同时给出了一种将现有1 024阶16维码书旋转压缩成256阶16维的方法,并对该方法得到的码书性能进行了仿真验证。实验结果表明使用压缩后的码书在硬件实现时与普通的矢量量化码书相比减少了75%的存储空间和输入带宽,而PSNR平均只降低0.28 dB。     

基于空间-色度多维向量模糊量化的彩色图象压缩

在Ｆｕｚｚｙｋ－ｍｅａｎｓ算法的基础上,考虑到真实图象中的色度信息与空间相关性,提出了空间－色度复合的多维向量模糊聚类量化方法。它能有效地压缩彩色图象信息,量化失真小,并在不使图象边缘钝化的条件下去除图象的高频噪声。该方法在彩色图象处理的实验中取得了良好的效果