小波变换用于图压缩.docVIP

小波变换用于图像压缩 图像用小波分解后的系数特征 一个图像做小波分解后，可得到一系列不同分辨率的字图像。其中高分辨率（即高频）的字图像上大部分点的数值都接近零，越是高频这种现象越明显。而图像的能量主要集中在低频系数（近似系数）上。 从理论上说，由于f具有指数Holder连续的充要条件是 取，所以当j比较大时，即高频时，小波变换的绝对值较小，而当j比较小时，即低频时，小波变换的绝对值较大。 这样，可以在高频部分可以进行压缩比较大的压缩，低频部分进行压缩比较小的压缩，这样达到比较好的压缩效果。 基于神经网络的矢量量化压缩 (1) 量化方法 我们将图像分解后的小波系数看作是一串个数据即一个维向量。把这个数据截成段，每段个数据。这样就将这个数据变为个维数据向量。再将这个向量分为组，对每组用一个数据向量作为代表（可以是这组中的一个向量，也可以是另外的向量）。设第组的代表向量为。压缩就是将图像上的数据向量，如果属于第组，则这个数据向量就用这组的代表向量代替，这时的编码就是在码书的相应位置上记下编号，而不必记下本身。记录的文件称为密码书。 代表向量最理想为组中各向量的“中心”向量。 (2) 基于神经网络的向量量化 人工神经网络的主要功能之一就是分类聚类问题。无监督的聚类问题是指人工神经网络的学习表现为自适应于输入空间的检测规则，其学习过程为：给系统提供动态