基于ＰＣＡ／ＳＯＦＭ混合神经网络的矢量量化.docVIP

基于ＰＣＡ／ＳＯＦＭ混合神经网络的矢量量化 　　摘要：针对自组织特征映射（SOFM）神经网络应用于矢量量化具有收敛速度慢、计算量大等缺点，本文提出了一种基于PCA/SOFM混合神经网络的矢量量化的算法，先用主元分析（PCA）线性神经网络对输入矢量进行降维处理，再用SOFM神经网络进行矢量量化。通过调整SOFM神经网络的学习函数、邻域权值及初始码书对网络进行优化。实验表明，改进算法缩短了图像压缩的时间，提高了码书的性能。 　　关键词：矢量量化；自组织特征映射神经网络；图像压缩；主元分析 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2731-02 　　The Vector Quantization Based on PCA/SOFM Hybrid Neural Network 　　HUNG Cui-cui, ZHANG Jian 　　(Liaoning University of Technology Electronic and Information Engineering College, Jinzhou 121001, China) 　　Abstract: In order to improve the two main shortcomings of the Kohonens self-organizing feature map(SOFM) that are high computation complexity and poor codebook quality, the author proposes a vector quantization algorithm based on PCA/SOFM hybrid neural network in this paper. Descend the dimension of imported vectors by using the principal component analysis (PCA) linear neural network. And then, use SOFM neural network to vector quantization. By modifying the learning-rate parameter, topology field weight and initial codebook of the SOFM neural network to optimize network. Simulation results demonstrate that the image compression algorithm can shorten the time and improve the performance of codebook. 　　Key words: Vector quantization(VQ); Self-organizing feature map neural network (SOFM); image compression; Principle component analysis(PCA) 　　1 引言 　　矢量量化[1,2]技术是一种利用图像数据空间相关性的高效有损压缩方法，它具有压缩比大，编码速度快等优点，目前己广泛用于信号识别、语音编码、图像压缩等领域中。矢量量化优越性的体现离不开性能良好的码书，因而，矢量量化的关键是如何设计一个最佳码书，使得用该码书中的码字表征输入矢量空间分布时所引起的量化平均失真最小。近年几来，许多学者将SOFM神经网络应用于码书的设计[3]。但SOFM算法存在收敛速度慢、计算量大等缺点。陆哲明和孙圣和针对SOFM基本算法的计算量大采用了快速搜索算法，为了提高码书性能对SOFM基本算法的权值调整方法作了一些改进[4]。目前越来越多的研究人员把目光投向将矢量量化与其他的编码方法相结合[5]。例如，矢量量化与小波变换结合的算法[6]，分形变换与矢量量化相结合的算法[7]。PCA是一种有效的图像变换编码算法，它能够提取图像数据的主特征分量，因此能够降低图像输入数据维数。SOFM算法用于图像矢量量化则具有不易受初始码书的影响，同时能够保持图像数据的拓扑结构等优点。为此本文将两者结合，提出了PCA/SOFM混合神经网络图像混合编码算法。先用PCA对图像进行降维处理，再用SOFM神经网络进行码书设计。本文还对码书的初始化的选择问题和神经网络的学习参数进行研究。实验表明，该算法不但大大降低了计算量，而且提高了码书的性能。 　　2 PCA/SOFM混合神经网络的算法 　　尽管SOFM神经网络比起LBG算法有很大优势，但SOFM