学习矢量量化的研究及其在图象编码中的应用.pptVIP

学习矢量量化的研究及其 在图象编码中的应用 深圳大学信息工程学院 2005.8.26 中国苏州 深圳大学“信号与信息处理”学科 学科带头人：谢维信 教授 学术队伍 :教授15人、副教授 11人 三年内可支配科研经费：4053 万元 目前承担科研项目共 48 项 ： 国家及国务院各部门项目 3 项 国家自然科学基金项目8 项 国防科研项目 2 项 近五年发表学术论文共 396 篇，三大检索165 篇 “信号与信息处理”学科的研究方向 矢量量化项目来源 三项国家自然科学基金项目 二维矢量量化示意图 一、项目意义 本项目通过研究和发展“学习矢量量化”理论，旨在寻找一种新的快速高效的矢量量化算法。 这种算法的成功实现，对推动在低码率信道下图象压缩编码技术的研究，具有重要理论意义和广阔的应用前景。 一、项目意义（续） 目前国际上通用的图象压缩标准仍然以标量量化为主，未能采用矢量量化的原因主要是矢量量化理论研究本身存在的难度。 标量量化技术只能作为矢量量化的一维特例，矢量量化理论把图象信号的处理工作推广到高维空间，显然具有标量量化不可比拟的优势。 进一步提高图象压缩编码的性能，迫切需要在矢量量化领域的理论突破。 一、项目意义（续） 本项目以学习矢量量化为主要研究方向，同时涉及到的其它重要研究领域包括： 模糊聚类 神经网络 模拟退火 蚁群算法 粒子群算法 智能数字水印等 二、国内外研究情况简介 国际学术界对矢量量化理论的研究仍局限于上世纪80年代的研究热点K-means算法和90年代的研究热点Fuzzy K-means（FKM）算法。 二、国内外研究情况简介（续） FKM算法仍然是目前图象压缩领域中性能最佳的矢量量化算法。 目前还没有作者宣称或理论上证明他们的算法能寻求到全局最优解。 K-means系列算法的共同点是，在码书训练过程中，只考虑了训练矢量对码字的吸引作用，从而约束了最优解的寻解空间。 一些改进算法是在训练过程中，引入随机扰动，优点是拓展了最优解的寻找空间，但缺点是参数多，码书训练过程不可重复，增加了算法的计算复杂度。 三、理论创新（FRLVQ） 1.模糊强化学习矢量量化 Fuzzy Reinforced Learning Vector Quantization 三、理论创新（FRLVQ）(续) 三、理论创新（FRLVQ）(续) 吸引学习因子 传统的K-means算法和FKM算法在码书训练过程中，采用了最近邻域的数学模型。经过论证，最近邻域在数学本质上等价于吸引因子的作用。 三、理论创新（FRLVQ）(续) 排斥学习因子 K-means考虑了训练矢量和最近码字之间的吸引因子；FKM算法考虑的是训练矢量与每个码字之间的模糊吸引因子（距离较近的码字拥有较大的吸引因子）。因为这两种方法都只考虑了吸引因子的影响，所以约束了最优解的寻解空间。 强化学习:学习因子 强化学习:码字移动示意图 三、理论创新（FRLVQ）(续) FRLVQ与模拟退火、遗传算法的比较 传统的模拟退火、遗传算法等技术是通过引入随机扰动，扩大了寻解空间，但缺点是收敛速度慢，参数数量多，参数选择对结果敏感。 FRLVQ没有采用引入随机扰动的方法，而是准确地确定了每个码字的最佳移动方向，从而使整体码书向全局最优解靠近。优点是迭代次数少，收敛速度快，只有两个参数需设置，同时参数有较大的选择空间，对结果不敏感。 三、理论创新（FRLVQ）(续) FRLVQ的优越性能 在相同的压缩比例下，FKM算法的性能是传统算法中最优的（与发表在国际期刊的文章的实验结果一致）；而FRLVQ算法始终稳定地取得显著优于FKM的性能，达到了国际最高水平。 相关的研究成果已经陆续发表于ICASSP2003学会以及国际著名的信号处理领域学术期刊——IEE Proc.-Vis. Image Signal Processing和Signal Processing，获得了国际同行的认可。 三、理论创新（FRLVQ）(续) 三、理论创新（FRLVQ）(续) FRLVQ理论的提出是国际矢量量化研究领域的一次理论创新和突破 三、理论创新（蚁群算法） 2.基于蚁群算法的矢量量化 蚁群算法是一种新型的模拟进化算法，属于仿生信号处理的一个分支，其理论研究与应用领域均有待进一步深入与拓展。 三、理论创新（蚁群算法）(续) 本项目在国际上首次将蚁群算法应用于矢量量化的码书设计中，创造性地利用人工蚁群系统中蚂蚁通过信息素留存寻找最优路径的机制，结合单只蚂蚁通过拾起、放下物体从而使得物体聚堆的行为模型，合理设计放下概率、禁忌列表以及信息素更新方式，从而得到性能较好的码书。 三、理论创新（蚁群算法）(续) 在矢量量化研究领域，进一步