基于BP人工神经网络的图像压缩技术研究与改进(图文)

1、 基于BP人工神经网络的图像压缩技术研究与改良(图文)论文导读：图像压缩的目的是减少中图像冗余数据，在保证图像质量的条件下实现图像压缩。近年来人工神经网络在图像压缩中的应用越来越引起人们的注意.和一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织和自适应性，在图像压缩过程中不必借助于某种预先确定的数据编码算法，神经网络能根据图像本身的信息特点，自主地完成图像编码和压缩。BP网络是目前最为常见的一种人工神经网络模型，它可以直接提供数据压缩能力。关键词：图像压缩，人工神经网络，BP网络引言图像信息数字化使电子信息技术领域面临的最大难题是海量数据的存储和传输问题，而图像数据压缩技术是解

2、决问题的关键。图像压缩的目的是减少中图像冗余数据，在保证图像质量的条件下实现图像压缩。正是由于图像压缩的必要性和可行性，所以许多致力于减少数据量和降低比特率，同时又尽量保持图像信号原有质量的压缩编码方案应运而生。近年来人工神经网络在图像压缩中的应用越来越引起人们的注意.和一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织和自适应性，在图像压缩过程中不必借助于某种预先确定的数据编码算法，神经网络能根据图像本身的信息特点，自主地完成图像编码和压缩。其中BP神经网络是人工神经网络中比拟典型、经常使用的一种网络结构，已被广泛地应用于图像处理领域。1 BP神经网络模型及原理BP神经网络是一

3、种多层前向网络，由输人层、输出层、隐含层(可以是一层或多层)构成。一个典型的3层BP网络模型，其拓扑结构如图1所示：BP神经网络的基木思想是:(1) 状态向前传播。输入信号由输入单元传到隐含层单元；隐含层单元逐层处理后传到输出单元；输出单元产生输出信号；(2) 误差反向传播，由网络实际输出信号与期望输出信号产生误差信号。误差信号沿连接通路反向传播；逐层修改各层神经元间的连接权值；(3) 反复训练网络，对于给定的训练模式，重复上述过程，直到误差满足要求为止。2 实现图像压缩的BP神经网络模型及原理BP网络是目前最为常见的一种人工神经网络模型，它可以直接提供数据压缩能力。利用多层前馈网络的模式变换

4、能力实现数据变换(编码)的根本思想是:把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。当隐含层的单元数比输入模式数少时，就意味着隐含层能更有效地表现输入模式，并把这种表现传送到输出层。在这个过程中，输入层和中间层的变换可以看成压缩编码的过程;而中间层和输出层的变换可以看成解码过程。图1给出了这一思想的简要说明。BP网络的工作原理如下：1)定义记号：为样本序号；为输出样木；为网络的实际输出；为单元i的输出；为由单元i到单元j的连接权值；为单元j的总输入；为误差集；0为学习因子。2)权值修正公式：3)输出层单元的误差调整公式：其中，为传递函数。4)隐含层单元的

5、误差调整公式：其中，为反应上层的神经元的编号。最简单的BP网络由一个输入层，一个隐含层和一个输出层构成。输入层和输出层均含有n个神经元。各神经元对应于nxn图像分块中的每一像素，隐含层神经元数的多少是根据压缩比的不同所决定的。其结构如图3所示。考虑用于学习的图像有nxn个像素点，各像素灰度值被量化为m比特(共2m个可能的取值)。2m个灰度按线性关系转化成0到1之间的数值作为网络的输人和期望输出教师模式)。网络随机地抽取各nxn 图像块经过间的变换)作为学习模式，用BP算法学习。通过调整网络中神经元之间的连接权值，使训练集图像的重建误差E=f一g的均值到达最小。论文参考网。训练好的网络隐含层神经

6、元矢量(经过量化)便是数据压缩的结果，而输出神经元矢量便是重建的数据。BP网络的计算模型如图4所示。4 BP神经网络模型的改良本文采用的网络结构为3层BP网络，即输人层、隐含层和输出层，输人层和输出层神经元数均为256个，隐含层的节点数根据图像的分类特征而定。针对传统算法存在的缺乏，本文相应地进行了改良。在一幅图像中，某些局部的灰度空间变动小，例如背景局部，而某些局部的灰度空间变动大，例如边缘局部。根据图像的这个特点，对图像细节的局部可作比拟精细的处理，而对图像的平滑局部那么可处理的粗糙一些，这样在保证图像质量的前提下，进一步提高压缩比。本文利用图像的灰度相似性准那么，将图像分为平滑块、中间块

7、和边缘块，不同的分类块相应地采用了不同的隐含层节点数，从而在保证重建图像丰富细节的同时，提高了图像的压缩比。具体实现步骤如下：(1)首先计算出整幅图像的方差(图像的像素与块均值的偏离程度)，记其为；(2)然后根据输人的顺序依次计算每个子块的均方误差，记其为；(3)假设/3(平滑块类)，那么该子块(个数为N1)对应的网络隐含层神经元数取值为4，该子区像素变化小，图像平滑，因此可实现最大的压缩比()；(4)假设/32/3(中间块类)，那么该子块(个数为N2)对应的网络隐含层神经元数取值为8，压缩比为()；(5)假设2/3 可边缘块类)，那么该子块(个数为凡)对应的网络隐含层神经元个数取值为16。该

8、子区像素变化大，细节多，为保证解一压效果，采用较小的压缩比()；整个图像的压缩比为。为了提高网络的学习速率，使网络保持较高的收敛速度，对网络本身进行如下改良：用构建的输入矩阵，每一列代表一个输入模式，用输入矩阵作为目标输出矩阵，开始训练网络。论文参考网。训练过程可采用改良后的最速下降法，即使用了梯度下降动量和自适应学习算法，目标误差设为0.001,取不同的隐含层神经元数来训练网络。论文参考网。5 实验结果本文使用一幅256 x 256像素的LENA图，按照上面的步骤，在MATLAB环境下实现了BP网络图像压缩。本实验中用到的BP传输函数为对数S型函数。分别对算法改良前和改良后得到的结果进行了比

9、拟分析，实验结果如图5所示。图5解码后的图像说明改良后的解码图像明显优于算法未改良前(图中胳膊处效果尤其明显)，而从表1可以看出，改良后不仅大幅度提高了图像压缩比，而且由于对网络本身的改良，峰值信噪比亦有很大提高。实验结果证明了该方法的可行性。6结论本文介绍了BP神经网络在图像压缩中的应用，在实验中采用基于分类的BP神经网络和最速下降法实现了图像压缩，最速下降法用于图像压缩时，只能牺牲压缩率，通过增加隐含层的神经元数来提高重建图像的质量。总之，三层前馈网络用于图像压缩，关键在于各种参数的选择，比方算法、激活函数和隐含层神经元数，它们将会直接影响收敛时间和压缩性能。本文作者创新点在于在详细研究了各种图像压缩技术和神经网络技术原理的根底上，提出将BP神经网络技术结合分类法和梯度下降动量算法应用于图像压缩，提高了压缩比，取得了良好的压缩效果。参考文献【1】尹显东，李在铭，姚军.图像压缩标准研究的开展与前景信息与电子工程，2003，1(4)：326-330。【2】高大启有教师的线性根本函数前向三层神经网络结构研究计算机学报，1998,21(1)：80-85。【3】周晓燕基于分布估计算法的人工神经网络优化设计微计算机信息，2005，21(10-3)：131133。【4】高隽人工神经网络原理及仿真实例北京：机械工业出版杆，2003，21-24。【5】陈小前，罗世彬