基于BP神经网络的图像压缩研究

论文摘要

基于神经网络的图像压缩技术在理论和技术上开辟了图像压缩的新途径。本文在深入研究基于BP（Back-Propagation）网络的图像压缩方法之后,针对标准BP（Back-Propagation）网络需要较长训练时间和完全不能训练的缺点,提出了联合改进方法,并由此引出了神经网络图像压缩系统的研究与探讨,使其技术本身更具应用前景。归纳起来,本文主要围绕以下几个层次进行展开:（1）首先从探讨BP算法入手,剖析基于BP网络的图像压缩机理,深入研究它在图像压缩中的应用及其关键技术,通过一系列实验,分析并总结了压缩性能与各种网络参数之间的关系,这是本论文工作的一个重要部分。（ 2 ）在B P网络实现图像压缩的基础上,针对标准B P （Back-Propagation）网络需要较长的训练时间和完全不能训练的缺点,提出了联合改进方法,即在转移函数中引入陡度因子和各层权值调整变尺度的两个方法。这是新的尝试,也是本文的创新之一。（3）研究小波神经网络的算法及其结构,重点阐述了辅助式的结合方式一小波神经网络,并尝试将小波和改进后的BP神经网络相结合,实现图像压缩,最后分析了各种参数对重建图像性能的影响,这是本论文工作的另一个创新之处。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 图像压缩的目的与意义
• 1.2 图像压缩技术的发展
• 1.3 各种图像压缩方法介绍
• 1.3.1 传统方法
• 1.3.2 现代方法
• 1.4 人工神经网络的背景
• 1.4.1 原理与优势
• 1.4.2 编码方法分类
• 1.5 本文的研究内容
• 2 人工神经网络理论基础
• 2.1 神经元模型与网络结构
• 2.1.1 多个神经元模型
• 2.1.2 基本网络结构
• 2.2 拓扑结构的分类
• 2.3 学习规则
• 2.4 常用于图像压缩的神经网络
• 2.4.1 BP 神经网络
• 2.4.2 Kohonen 自组织神经网络
• 2.4.3 Hopfield 网络
• 2.5 本章小结
• 3 标准 BP 网络的图像压缩及其算法改进
• 3.1 BP 算法的基本思想
• 3.2 BP 算法研究
• 3.2.1 常用传输函数
• 3.2.2 新的传输函数
• 3.2.3 算法流程
• 3.2.4 网络模型
• 3.2.5 网络误差与权值调整
• 3.2.6 算法推导
• 3.2.7 算法不足之处
• 3.2.8 经典BP 算法改进方法
• 3.3 BP 网络图像压缩
• 3.3.1 基本原理
• 3.3.2 性能参数
• 3.3.3 网络的设计
• 3.4 BP 算法改进及实验结果
• 3.4.1 陡度因子
• 3.4.2 各层权值调整变尺度
• 3.4.3 联合改进算法
• 3.5 小结
• 4 小波神经网络
• 4.1 概述
• 4.2 小波分析简介
• 4.3 小波变换与神经网络的辅助式结合
• 4.4 关键技术和仿真结果
• 4.4.1 小波基的选取
• 4.4.2 小波分解
• 4.4.3 训练样本的获取
• 4.4.4 实验结果
• 4.5 小结
• 5 结论
• 5.1 本文的工作总结
• 5.2 今后的工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文