基于BP神经网络的图像压缩方法汇编.pptx

基于BP神经网络的图像压缩方法 汇 报 人：裴晓鹏 指导老师：李国勇 日 期：2016年5月7日 研究背景 在当今这个信息爆炸的时代，图像传输和共享是一个很重要的环节，但是图像数据的海量性使其存储和传输成为数字图像处理领域的一大难题。 研究发现，一幅图像之所以占据内存大，是因为除了有效信息以外，还有许多冗余信息和相干信息。也正是因为图像中存在着大量的冗余信息和相干信息，使得对图像进行压缩，即去除图像中的冗余信息和相干信息，只保留图像中的有效特征信息变得可行。 研究现状 图像压缩技术历经50多年的不断发展，目前己经有一些比较成熟的方法。常用的图像压缩技术通常采用变换的方法来有效地去除图像中的兀余信息。基于变换编码压缩的方法，常用的主要有离散余弦变换编码和小波变换编码。 实际应用中，为了进一步地降低存储和传输成本，通常首先对信号进行高速采样，然后对采样数据进行量化和编码压缩处理，最后再进行存储和传输。这种压缩处理方式丢弃了大量不重要的采样数据，浪费了大量的采样资源，从而造成存储硬件成 本费用高、采样数据的获取效率低和存储空间浪费等一系列问题。 研究现状 2006年，压缩感知理论正式提出并应用，它是利用原始信号的稀疏特性，在低于香农定理采样率要求的情况下进行低速采样，最终仍能够高概率地重构出原始信号的一种新的数据采样理论。 压缩感知理论的出现打破了香农采样定理的限制，促进了数字图像处理领域的快速发展，引起了国内外广大学者的高度关注。 本文介绍 本文在图像压缩原理及几种常用的图像压缩方法的研究基础上，采用BP神经网络实现图像压缩，能够重构出高质量的图像。在要求存储量较少的同时还追求高质量的重构图像的情况下，这种压缩方法对数据的存储和传输有一定的实践指导作用。 方法简介 BP 神经网络 BP 神经网络是有师学习。网络训练时，由提供的样本产生输出，对产生的输出，计算误差，然后从输出层向输入层逐层修改网络连接权值。反复此过程，至训练结束条件满足。网络工作时，对输入层的知识，逐层地、由经过训练的网络权值进行计算，产生输出结果． 实验仿真 本文对压缩图像的评价由压缩比和峰值信噪比（PSNR）两个指标来评价图像压缩质量。 压缩比：压缩比用于表示原始数据量与压缩后存储数据量之间的比值关系，衡量数据压缩的程度。压缩比越大丢弃的信息越多，重构图像质量越差。 峰值信噪比：造成解压后重构图像失真的就是压缩过程中丢弃的那部分信息，这部分信息可以通 过原始图像与重构图像之间的函数关系来表示，PSNR能反映出这两者间的关系。峰值信噪比定义为： 实验仿真 下面展示仿真结果： 实验仿真 由PSNR和压缩率可知，压缩效果较好。 The end,thank you!