长春工业大学数字图像处理课程设计.pdfVIP

长春工业大学-计算机科学与工程学院数字图像处理课程组 长春工业大学数字图像处理课程设计 指导书 设计题目：多级矢量量化编码系统设计 编者：史东承 2006 年 3 月 长春工业大学-计算机科学与工程学院数字图像处理课程组 目 录 1.内容简介 1 1.1 神经网络的发展概况 1 1.2 本设计要解决的问题 1 2. 神经网络 2 3. 矢量量化编码技术 3 3.1 矢量量化基本原理 3 3.2 图象矢量量化编码 4 3.2.1 图象矢量量化编码解码框图 4 3.2.2 矢量量化器编码工作过程 5 4. LBG 算法 5 4.1 LBG 算法基本原理[10] 5 4.2 初始码书的设置方法 7 5. SOFM 算法[6] 7 5.1 SOFM 网络的基本结构 8 5.2 SOFM 算法过程 9 5.3 几个问题的讨论 9 5.4 SOFM 算法的几何解释[8] 12 5.5 SOFM 算法与 LBG 算法的比较 14 5.6 SOFM 算法的改进[13] 15 6. 算法实现 17 6.1 单级矢量量化算法设计 17 6.1.1 算法概述 17 6.1.2 初始码书 17 6.1.3 训练算法产生码书 17 6.1.4 编码 17 6.1.5 解码 17 6.2 多级矢量量化算法 18 6.3 实验结果与分析 19 参考文献 19 附录A ：参考程序清单 19 长春工业大学-计算机科学与工程学院数字图像处理课程组 1.内容简介 1.1 神经网络的发展概况 神经网络的研究始于40 年代。但神经网络的发展屡经坎坷。一方面，由于技术 的限制和人们认识的局限性，神经网络的实现遇到了很大的困难，其理论很不完善； 另一方面，传统的冯.诺依曼数字计算机得到了迅速发展并取得了巨大成功，从而掩 盖了发展神经网络技术的必要性和迫切性。 进入80年代以来，神经网络的研究热潮再度兴起。这是因为人们在诸如模式识 别，人工智能等研究领域遇到了极大的困难，从而促使人们以更大的兴趣去研究以并 行处理模式为特征的神经网络技术。当前，神经网络的应用已广泛渗透到了各个领域， 在智能控制，图象压缩与处理，模式识别等方面已取得了令人鼓舞的进展。迄今为止 的神经网络研究，大体上可分为三个大的方向： （1）探求人脑神经系统的生物结构和机制，这实际上是神经网络理论的初衷； （2）用微电子学或光学器件形成特殊功能网络，这主要是新一代计算机制造领域所 关注的问题； （3）将神经网络理论作为一种解决某些问题的手段和方法，这类问题在利用传统方 法时或者无法解决，或者在具体处理技术上尚存困难。 1980 年芬兰 Helsink 大学的 T.Kohonen 教授根据生理学规律提出了一个自组织 特征映射（Self-Organizing Feature Map）神经网络（简称SOFM网络）方案。自 组织特征映射网络算法提出之后，立即引起了人们的注意，其理论及应用发展很快， 已经成为研究最多。应用最广泛的一种神经网络模型。随着神经网络在理论和实践上 的不断发展和完善。神经网络将对计算机科学、人工智能、信息科学的发展产生深远 的影响。 1.2 本设计要解决的问题 矢量量化（VQ）是一种高效的数据压缩技术，在语音，图象编码和模式识别等领 域得到了广泛应用。本设计希望通过对80年代提出的SOFM算法进行编程，做到利用 自组织特征映射的方法，完成神经网络的矢量量化，把图象进行压缩。先训练再编码， 最后完成解码还原。需要指出的是，本设计是基于 80