SOM神经网络的矢量量化算法ppt课件.ppt

基于SOM神经网络的矢量量化算法及其应用研究,大连理工大学创新班 刘超美2010.5,目录,一、研究意义和背景二、 SOM神经网络和矢量量化简介三、基于SOM神经网络的矢量量化算法四、实验结果及分析五、结论,一、研究意义和背景,研究意义：图像和视频数据进行传输或存储时数据量巨大，而信道和存储空间是有限的，数字图像的压缩成为多媒体应用中的关键问题之一。研究背景：目前已有多种图像压缩方法，如行程编码、预测编码、变换编码等。,二、 SOM神经网络和矢量量化简介,SOM神经网络SOM (Self-Organizing Feature Maps) 神经网络由输入层（N个输入神经元）和竞争层（mm个输出神经元 ）组成。,二、 SOM神经网络和矢量量化简介,矢量量化从输入矢量空间到码本空间的映射,三、基于SOM神经网络的矢量量化算法介绍,总体思路：,利用SOM神经网络的学习特性来训练码本；结合矢量量化的原理将图像进行压缩,码本B,索引号j*,三、基于SOM神经网络的矢量量化算法介绍,算法的实现1、数据预处理2、码本的初始化3、训练码本,三、基于SOM神经网络的矢量量化算法介绍,训练码本流程：,三、基于SOM神经网络的矢量量化算法介绍,参数的确定修改码字公式：(1) 邻域决定需要修改的范围(2) 步长决定修改的幅度大小,P15,三、基于SOM神经网络的矢量量化算法介绍,4、压缩比与图像质量评价压缩比峰峰信噪比 , MSE为原图像与矢量量化图像之间的均方误差PSNR越高，压缩图像与原图像越相似，误差越小,四、实验结果及分析,码本初始化方式的选取子块大小的选取领域参数的选取学习步长参数的选取多幅图像的压缩图像序列的压缩,四、实验结果及分析,码本初始化方式的选取,平均法效果较好！,随机法 PSNR=28.4005,等间隔法PSNR=31.7502,平均法PSNR=33.0318,四、实验结果及分析,子块大小的选取,33效果较好！,33 PSNR=33.1854,44 PSNR=31.5883,55PSNR=30.3635,四、实验结果及分析,领域的选取,无邻域PSNR=33.2699,1、无邻域,四、实验结果及分析,领域的选取,2、邻域恒定,四、实验结果及分析,领域的选取3、变化的邻域： 的变化由 与 共同决定,四、实验结果及分析,领域的选取,四、实验结果及分析,学习步长的选取1、恒定步长,四、实验结果及分析,学习步长的选取2、变化的步长,多幅图像的压缩码本初始化：平均法；子块大小：33；邻域：步长：,四、实验结果及分析,同一码本可压缩多幅图像？,多幅图像的压缩训练图像为HS4,四、实验结果及分析,GIRL原图像 矢量量化后的图像PSNR=30.7052,CR原图像 矢量量化后的图像 PSNR=32.8256,MISS原图像 矢量量化后的图像 PSNR=32.0325,LENA原图像 矢量量化后的图像 PSNR=29.6545,CR=5.5120，1图像+1码本CR=7.7707，4图像+1码本,图像序列的压缩100帧的Akiyo序列,四、实验结果及分析,Akiyo部分原序列,矢量量化后的相应序列,PSNR=34.6369 CR=8.5663,五、结论,所做工作：1、依据SOM神经网络原理，以图像各子块作为输入，对码本进行了训练；2、用训练出的码本，对训练用的图像，以及其余图像、图像序列作了压缩，并分别求出各自的峰峰信噪比；3、对程序中各参数，如子块大小、邻域、步长等通过实验确定了最优数值。,五、结论,本算法优点：1、基于SOM神经网络的矢量量化算法是一种有效的图像压缩方法，能用比较少的聚类中心映射有着类似模式的原始数据；2、能够很好的反映原始图像的整体效果；3、在保持相同失真率的情况下，压缩比更高；4、较强的容错性和抗干扰能力；5、具有很强的自适应学习能力；,谢谢！,电0609刘超美,