基于小波变换的空间约束矢量量化方法

图像的小波变换能同时提供空间－频率局部化信息，而且小波变换域内矢量量化数据压缩已得到广泛应用，经过小波变换后，各子带小波分量存在相关性和空间约束，同时考虑到人类视觉对水平和垂直方向高频分量比对角方向更加敏感，本文提出了基于空间约束的矢量量化方法，该算法能同时提高编码效率和改善重构图像质量。     

一种基于小波变换和矢量量化的图像压缩算法

小波变换和矢量量化都是图像压缩中的重要方法。利用小波变换的系数特点,对图像进行小渡分解,对于能量最为集中的低频分量采用标量量化处理,然后将标量量化过程中产生的残差和高频分量一起构造矢量,进行矢量量化。实验结果表明,此算法能够有效提高重构图像质量,获得较高的信噪比。     

基于小波变换的典型矢量量化方法和编码方案

针对小波变换的特点，对一些典型的矢量量化方法进行了比较，分析了它们的基本工作过程和存在的问题，并介绍一种基本的小波变换的编码方案。     

基于小波变换和矢量量化的语言信号压缩方法

本文提出了一种基于小波变换的矢量量化语音信号压缩方法。首先对语音信号的时域采样值作小波变换,然后将小波系数送入矢量量化器。在研究人耳听觉特性的基础上,提出了一种能够反映人耳听觉特性的距离准则,在达到高压缩比的同时使重建语音信号的质量得到了很大改善。     

基于小波变换的矢量量化图像编码研究

本文在找出了适合图像压缩的最优小波的基础上,提出一种比较合适的最小距离黄金聚类算法;在此基础上,根据图像分解的小波图像都具有相似性和人的视觉系统相类似等特性,采用塔式数据矢量法,训练的各矢量之间的合成距离采用加权技术,根据矢量中参数所处层次的信息量决定权值大小,从而形成了基于小波变换的矢量量化图像编码方法。实验表明,此矢量量化图像编码方法在压缩比高时有良好的效果,峰值信噪比有提高,编码时间也有减小,没有块效应,在边缘处也无明显“振荡”现象和模糊。     

基于小波理论的矢量量化遥感图像压缩方法

分析了遥感图像的统计特性，提出了适合遥感图像压缩的矢量量化与小波变换相结合的压缩方法。该方法将遥感图像小波变换后高频子图划分为一定大小的的像块，对局部相关性较强、灰度变化较小的像块进行高倍压缩；对局部相关性较小、灰度变化较大的像块进行高保真压缩。实验表明，本方法具有良好的压缩性能，适用于遥感图像的压缩。     

基于小波变换和矢量量化的语音信号压缩方法

本文提出了一种基于小波变换的矢量量化语音信号压缩方法。首先对语音信号的时域采样值作小波变换,然后将小波系数送入矢量量化器。在研究了人耳听觉特性的基础上,提出了一种能够反映人耳听觉特性的距离准则,在达到高压缩比的同时使重建语音信号的质量得到了很大改善。     

利用小波变换和约束矩阵进行图像压缩编码

本文将小波变换和矢量量化相结合对图像进行压缩编码,分析了图像经小波变换后的数据结构特性以及各小波分量之间的相关性。这种相关性的存在是由于小波变换具有良好的空－频域局部化特性。本文构造了结构约束矩阵来描述这种相关性,并以此为基础对传统的矢量量化算法进行了改进,改进后的算法减小了计算量,降低了码率。     

基于遗传算法与模糊聚类相结合的小波变换矢量量化方法

提出一种有效的图像压缩方法，利用小波变换对图像进行多分辨率分解，对小波系数进行矢量量化(VQ)编码。使用遗传算法(GA)与模糊c均值聚类(FCM)算法相结合的方法来设计码书，有效地克服了FCM算法容易陷入局部最优且对初始值敏感的缺点。实验结果表明，该算法可较大提高图像重构质量。     

基于小波变换的最小失真预测/多级矢量量化

矢量量化器的压缩性能随维数的增大而提高,但复杂度亦随维数的增大呈指数增大,限制了大维数矢量的使用。本文利用小波变换产生的子带间的相关性,提出一种新的最小失真预测／多级矢量量化算法。一方面通过最小失真预测来降低时间复杂度,使得编码６３Ｄ的矢量只需付出相当于１５Ｄ矢量的时间复杂度代价;另一方面通过增强多级矢量量化算法来进一步降低复杂度。在复杂度得到极大降低的同时,仍具有很好的编码性能。     

误差敏感竞争性学习算法

本文基于等误差准则提出了一种适用于矢量量化技术的新型码书设计算法。实验表明此算法优于现存算法。为解决初始码书赋值问题，本文提出了自生成自组织神经网络方法。实验表明此算法加速了算法的收敛速度，提高了算法的性能     

应用于矢量量化的竞争学习算法研究

本文依据部分失真定理提出了一种应用于矢量量化的竞争学习新算法－－部分失真均衡竞争学习算法，与目前流行的多种竞争学习算法相比，该算法对于不同尺寸码书的设计均取得了最好的结果，特别是对于大尺寸码书的设计，效果更为明显。     

基于边缘初始化的竞争网络的矢量量化

用神经网络实现图像矢量量化是一种非常有效的方法。我们对竞争网络的初始化进行改进,提出一种新的基于边缘初始化的竞争网络的矢量量化(EICL),实验表明主客观效果良好。     

一种随机竞争学习矢量量化图像编码算法

本文分析了确定性模拟退火技术、竞争学习算法在图像编码中的压缩机理,提出了一种新的随机竞争学习矢量量化算法.该算法将竞争过程与代价函数最小化结合起来,在学习过程中引入模拟退火,并针对矢量量化图像编码的特点,提出了新的参数选取策略,具有对初始码书依赖性小,不会局部最小,收敛速度快,码书性能好等优点.文中还通过计算机实践对该方法进行了性能分析,验证了算法的有效性和鲁棒性.     

基于DCT子空间失真测度的矢量量化VLSI结构设计

本文提出了一种实现离散余弦变换子空间失真测度矢量编码算法的ＶＬＳＩ结构。     

基于学习向量量化的传感器免疫网络诊断模型

为克服传感器免疫网络连接权值获取困难,提出了一种基于学习向量量化的传感器免疫网络诊断模型.该模型将学习向量量化(LVQ)的概念引入到传感器免疫网络模型中,在训练模式下,LVQ用于提取传感器正常工作下的相关性;在诊断模式下,根据LVQ获取的知识即可以确定传感器之间的检测结果,同时给出了诊断模型的性能优化算法.航空发动机传感器的仿真结果表明,所提出的方法能够准确获得网络节点之间的连接权值,保证免疫网络具有较高的检测灵敏度.     

广义LVQ算法及其在遥感影像分类中的应用研究

在比较了学习矢量量化 (LVQ)算法和广义学习矢量量化(GLVQ)算法的基础上,建立了基于GLVQ的遥感影像分类模型。以实际土地覆盖分类为例,通过与传统统计方法和LVQ分类器比较,GLVQ分类器具有分类正确率高,收敛速度快,适应范围广等优点。     

基于小波变换的图像矢量量化

在基于小波变换的图像矢量量化研究中,本文综合考虑了高频小波系数的各种特性,吸收已有的优秀成果,在全面研究了矢量的形成、初始码书的设计、距离的选取,以及同一方向高频子图之间的相似性等方面的基础上,设计出一种有效的量化算法.     

Image Compression Based on Multistage Vector Quantization

This paper presents a new three-stage vector quantization system for the compression of images. It uses some simple schemes including error block classifier, search order coding (SOC), and index vector coding. The error block classifier preserves the edge blocks and discards the psychovisually redundant texture blocks in the last stage. The index vector coding encodes the combination of quantization indexes of the last two stages, and the SOC is used for encoding the quantization index of the first stage. The proposed system can achieve better compression performance than the conventional multistage vector quantization systems.     

An Improvement of the Minimum Distortion Encoding Algorithm for Vector Quantization

In this note we present a very simple method for improving the efficiency of minimum distortion encoding for vector quantization. Simulations indicates a reduction of up to 70 percent in the number of multiplications for a full search vector quantizer with a large number of codewords, and about 25-40 percent for a tree search vector quantizer. Similar improvement can be achieved in other vector quantization systems.