基于BP神经网络结构的图像压缩技术研究.docxVIP

?

?

基于BP神经网络结构的图像压缩技术研究

?

?

刘光宇曹禹黄懿曾志勇赵恩铭邢传玺

摘要：采用BP（backpropagation）神经网络方法进行图像数据压缩处理.通过输入信号的正向传递和误差信号的反向传播算法，直接为图像提供数据压缩的能力.仿真实验表明，通过合理调整BP神经网络模型隐含层神经元的个数，可使图像压缩效果最佳.

关键词：BP神经网络;数据压缩;归一化;重构;隐含层神经元

[]TP391??[文献标志码]A

ResearchonImageCompressionTechnologyBasedonBPNeuralNetworkstructure

LIUGuangyu1，CAOYu1*，HUANGYi1，ZENGZhiyong1，ZHAOEnming2，XINGChuanxi3

（1.SchoolofEngineering，DaliUniversity，Dali671003，China;2.CollegeofPhysicsandOptoelectronic

Engineering，HarbinEngineeringUniversity，Harbin150001，China;3.SchoolofElectricaland

InformationTechnology，YunnanMinzuUniversity，Kunming650504，China）

Abstract：BP（BackPropagation）neuralnetworkisusedtocompressimagedata.Throughtheforwardtransmissionoftheinputsignalandthebackpropagationalgorithmoftheerrorsignal，theabilityofdatacompressionisdirectlyprovidedfortheimage.ThesimulationresultsshowthattheoptimalcompressioneffectcanbeachievedbyreasonablyadjustingthenumberofhiddenlayerneuronsinBPneuralnetworkmodel.

Keywords：BPneuralnetwork;datacompression;thenormalized;reconsitution;hiddenlayerneurons

海量图像信息的无失真传输和快速存储的问题，使得多媒体技术面临巨大的压力，大容量信息存储更是对高效压缩技术提出了迫切的要求.[1]为了减轻数字图像在信息存储和传输方面的压力，人们开始把人工神经网络的强大功能应用于图像压缩处理领域，并取得了良好的效果.BP（backpropagation）神经网络模型鲁棒性高，容错性强，可以通过不断调整网络中的参数来实现数据压缩，达到理想的效果.[2]神经网络具有分布式处理、大规模并行、自学习、自组织等优点，是人工智能的主要技术手段.[3]在种类繁多的神经网络中，应用最为广泛的就是BP神经网络.[4]BP神经网络是典型的前馈型网络，它可以实现多维输入和多维输出的非线性映射.[5]BP神经网络有很强的自学习和自适应能力、泛化能力和容错能力[6]，其本质是以误差平方函数为目标函数，采用梯度下降法求目标函数的最小值.[7]另外，BP神经网络比传统的方法更为有效和方便，在非线性领域具有广阔的应用前景.[8]本文采用该方法进行图像数据压缩处理，通过仿真实验验证该方法的可行性和有效性.

1研究原理和方法

1.1BP神经网络的图像压缩原理

BP神经网络对图像压缩的基本思想：让原始数据到达隐含层的网络瓶颈，使其在网络瓶颈处获得较为紧凑的数据表示，从而达到压缩的目的.即当隐含层的神经元个数较少时，意味着隐含层能用更少的数来表现输入模式，而这实际上就是压缩.网络模型和压缩原理流程见图1.BP网络结构由输入层、隐含层和输出层三部分组成.[9]原始图像在输入端经过神经网络的处理后，通过隐含层得到输出数据，并由输出层来输出矢量数据，既为解压后重建的图像数据.一般对图像进行压缩处理时，选择三层的BP神经网络模型应用较多，原因是BP神经网络的整体收敛偏慢，当隐含层变多时，运行速度会变得更慢，其耗时也会随之增加.

1.2神经网络算法

信号在BP神经网络传播的过程中，包括一个正向学习过程和一个误差反向学习过程，这个过程是一个反复进行的网络训练学习过程.正向传播是由输