基于sofm和lvq神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮畢業(yè)論文

1、<p>　　基于SOFM和LVQ神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮</p><p><b>　　摘 要</b></p><p>　　矢量量化作為一種高效的數(shù)據(jù)壓縮技術(shù)，已被廣泛應(yīng)用于圖像壓縮領(lǐng)域。本文在系統(tǒng)介紹矢量量化數(shù)據(jù)壓縮理論的基礎(chǔ)上，著重探討了矢量量化的關(guān)鍵技術(shù)——碼書設(shè)計算法：</p><p>　　回顧了經(jīng)典的矢量量化碼書設(shè)計算法—

2、—LBG算法，研究了基于競爭型神經(jīng)網(wǎng)絡(luò)SOFM和LVQ的矢量量化碼書設(shè)計算法；</p><p>　　通過仿真實驗，采取將圖像分塊構(gòu)建矢量的思想，研究了在改變碼字大小等參數(shù)的情況下，這三種算法的訓練過程和算法性能；</p><p>　　根據(jù)LBG算法的特性，提出一種聯(lián)合SOFM和LBG算法的碼書設(shè)計改進方法，并通過實驗驗證了改進算法的有效性。</p><p>　　大量

3、的實驗結(jié)果表明，LBG和LVQ算法對初始碼書依賴性大，SOFM算法訓練時間較長。對于給定的碼字大小，碼書越大，壓縮比越低，但重建圖像質(zhì)量越好；碼書相同時碼字較小的編碼性能較優(yōu)。</p><p>　　關(guān)鍵詞：碼書設(shè)計；LBG算法；SOFM神經(jīng)網(wǎng)絡(luò)；LVQ神經(jīng)網(wǎng)絡(luò)；改進算法</p><p>　　The Vector Quantization in Image Compression Based

4、 on SOFM and LVQ</p><p>　　Abstract As an efficient data compression technique, vector quantization(VQ) has been widely applied to image compression. This paper presents a systematic introduction to the theo

5、ry of VQ data compression, focusing on the key technology of VQ——codebook design algorithm:</p><p>　　The classical algorithm of VQ codebook design—LBG algorithm is reviewed. The VQ codebook design algorithm

6、based on the competed artificial neural network—SOFM neural network and LVQ neural network are studied.</p><p>　　The training process and performance of these three codebook design algorithms are studied thr

7、ough simulation experiments. During the experiments, image blocking is adopted in the construction of the vectors.</p><p>　　An improved method for codebook design based on the combination of SOFM and LBG is

8、put forward according to the characteristics of LBG algorithm and its validity is validated by the experiment. </p><p>　　The experimental results indicate that the LBG algorithm and LVQ algorithm are sensit

9、ive dependence to initial codebook; SOFM algorithm takes a long training time. For a given size of codeword, a larger codebook will result in a lower compression ratio but a better quality of reconstructed image. When us

10、ing the same codebook, the coding efficiency of less codeword performs better.</p><p>　　Key words: Codebook design; LBG algorithm; SOFM neural network; </p><p>　　LVQ neural network; Improved met

11、hod</p><p><b>　　目 錄</b></p><p>　　第1章 前 言1</p><p>　　1.1 圖像壓縮的目的和意義1</p><p>　　1.2 各種圖像壓縮方法介紹2</p><p>　　1.3 矢量量化技術(shù)的研究現(xiàn)狀3</p><

12、p>　　1.4 本文的研究目標和主要內(nèi)容4</p><p>　　第2章 矢量量化基礎(chǔ)知識6</p><p>　　2.1 矢量量化的基本原理6</p><p>　　2.1.1 矢量量化的理論基礎(chǔ)6</p><p>　　2.1.2 矢量量化的定義8</p><p>　　2.1.3 矢量量化的特點

13、9</p><p>　　2.2 矢量量化的相關(guān)概念10</p><p>　　2.2.1 矢量量化器的編碼速率和比特率10</p><p>　　2.2.2 失真測度11</p><p>　　2.2.3 復雜度12</p><p>　　2.3 矢量量化關(guān)鍵技術(shù)12</p><p&g

14、t;　　2.3.1 矢量量化碼書設(shè)計技術(shù)12</p><p>　　2.3.2 矢量量化碼字搜索技術(shù)13</p><p>　　2.3.3 矢量量化碼字索引分配技術(shù)14</p><p>　　2.4 矢量量化和圖像壓縮14</p><p>　　2.4.1 基于矢量量化的圖像壓縮技術(shù)14</p><p>　　

15、2.4.2 重建圖像的評價15</p><p>　　第3章 基于LBG算法的矢量量化圖像壓縮17</p><p>　　3.1 LBG算法的理論基礎(chǔ)17</p><p>　　3.2 LBG算法18</p><p>　　3.3 LBG算法的優(yōu)缺點19</p><p>　　3.4 初始碼書的生成20&

16、lt;/p><p>　　3.5 仿真實驗與結(jié)果分析21</p><p>　　3.5.1 LBG算法的流程圖21</p><p>　　3.5.2 LBG算法的結(jié)果分析22</p><p>　　3.5.3 實驗結(jié)論26</p><p>　　第4章 基于SOFM網(wǎng)絡(luò)的矢量量化圖像壓縮27</p>

17、<p>　　4.1 SOFM網(wǎng)絡(luò)的理論基礎(chǔ)27</p><p>　　4.1.1 SOFM網(wǎng)絡(luò)的基本思想27</p><p>　　4.1.2 基本SOFM算法29</p><p>　　4.1.3 SOFM網(wǎng)絡(luò)鄰域函數(shù)和學習率函數(shù)的選擇31</p><p>　　4.2 SOFM算法的優(yōu)缺點32</p>

18、<p>　　4.3 SOFM算法的改進32</p><p>　　4.4 基于SOFM的矢量量化33</p><p>　　4.5 仿真實驗與效果分析34</p><p>　　4.5.1 SOFM矢量量化圖像壓縮的流程圖34</p><p>　　4.5.2 SOFM矢量量化圖像壓縮的效果分析34</p>

19、<p>　　4.5.3 實驗結(jié)論39</p><p>　　第5章 基于LVQ網(wǎng)絡(luò)的矢量量化圖像壓縮40</p><p>　　5.1 LVQ網(wǎng)絡(luò)的理論基礎(chǔ)40</p><p>　　5.1.1 LVQ網(wǎng)絡(luò)的基本思想與網(wǎng)絡(luò)結(jié)構(gòu)40</p><p>　　5.1.2 基本LVQ算法41</p><p&

20、gt;　　5.2 LVQ算法的優(yōu)缺點44</p><p>　　5.3 LVQ算法的改進45</p><p>　　5.4 基于LVQ的矢量量化45</p><p>　　5.5 仿真試驗與效果分析45</p><p>　　5.5.1 LVQ矢量量化圖像壓縮流程圖45</p><p>　　5.5.2 L

21、VQ矢量量化圖像壓縮的結(jié)果分析46</p><p>　　5.5.3 實驗結(jié)論48</p><p>　　第6章 聯(lián)合SOFM與LBG的改進算法50</p><p>　　6.1 改進算法的提出50</p><p>　　6.2 改進算法矢量量化圖像壓縮的結(jié)果分析51</p><p>　　6.3 四種算法矢

22、量量化圖像壓縮的效果比較54</p><p><b>　　結(jié) 論57</b></p><p><b>　　致 謝60</b></p><p><b>　　參考文獻61</b></p><p><b>　　第1章 前 言</b></p&

23、gt;<p>　　1.1 圖像壓縮的目的和意義</p><p>　　人類獲取到的信息80%來源于圖像媒體，15%來源于語音[5]。這說明圖像是人類生活中信息交流一種極為重要的載體，也是蘊含信息量最大的載體。信息數(shù)字化處理是現(xiàn)代信息社會的一個重要標志，但圖像信息數(shù)字化所面臨的最大難題是海量數(shù)據(jù)的存儲和傳輸問題。面對當前人們對圖像信息交流的需求，如果不進行數(shù)據(jù)壓縮，現(xiàn)有的計算機設(shè)備和低速網(wǎng)絡(luò)基本上不能

24、處理、傳輸和存儲視頻以及圖像信號，因此，圖像數(shù)據(jù)的壓縮是必須的[3]。</p><p>　　數(shù)字圖像壓縮的目的是減少表示圖像所需的比特數(shù)，更有效地表示圖像，以便于圖像的處理、存儲和傳輸。由文獻[3]可了解到：通過時間域的壓縮，可較快地傳輸各種信源（降低信道占用費用）；通過頻率域的壓縮，可在現(xiàn)有通信干線上開通更多的并行業(yè)務(wù)（如電視、傳真、電話、可視圖文等）；通過能量域的壓縮，可降低發(fā)射機功率；通過空間域的壓縮，可緊

25、縮數(shù)據(jù)存儲容量（降低存儲費用）。在圖像數(shù)據(jù)內(nèi)部存在著大量冗余，包括空間冗余、結(jié)構(gòu)冗余、知識冗余、信息熵冗余和視覺冗余等，這使得將一個大的數(shù)據(jù)圖像數(shù)據(jù)文件轉(zhuǎn)換成小的數(shù)據(jù)圖像文件成為可能[26]，由圖像冗余數(shù)據(jù)的減少可以達到圖像壓縮的目的。通過充分利用人眼的視覺特性和圖像本身的統(tǒng)計特性來減小圖像信息的冗余度，可以在保證圖像質(zhì)量的條件下實現(xiàn)圖像壓縮。</p><p>　　正是由于圖像壓縮的必要性和可行性，許多致力于減少

26、數(shù)據(jù)量和降低比特率，同時又盡量保持圖像信號原有質(zhì)量的壓縮編碼方案應(yīng)運而生[3],[4],[5],[26],[29]。</p><p>　　目前，圖像編碼的方法繁多[3-7]，發(fā)展也相當迅速，根據(jù)不同應(yīng)用目的而制定的圖像壓縮國際標準（CCITT H.26X，JPEG，JBIG，MPEG）[4,5]相繼推出，使得圖像編碼的理論和技術(shù)得到了前所未有的發(fā)展，關(guān)于圖像壓縮編碼的國際標準在第2節(jié)有較為詳細的介紹。自從Y.Li

27、nde,A.Buzo與R.M.Gray在1980年給出矢量量化(vector quantization)碼書設(shè)計的LBG算法以來[17],[19],[22]，矢量量化作為圖像壓縮中的一種重要編碼技術(shù)得到廣泛的關(guān)注和研究[10]。同時，隨著數(shù)學、物理學、腦成像技術(shù)和計算機科學的發(fā)展，使得人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）理論的研究再一次成為人工智能領(lǐng)域研究的熱點[1]，[2]。作為和第一代電子計算機

28、同時代產(chǎn)物的人工神經(jīng)網(wǎng)絡(luò)，具有大規(guī)模并行處理和分布式信息存儲的優(yōu)勢，并有良好的自適應(yīng)性、自組織性和容錯性，以及強大的學習功能、聯(lián)想記憶功能[1],[2],[6],[8]。這都促使人們?nèi)ふ疑窠?jīng)網(wǎng)絡(luò)理論和圖像壓縮技術(shù)的結(jié)合點，克服傳統(tǒng)圖像壓縮方法存在的問題，從而在理論和技術(shù)上開辟圖像</p><p>　　因此，研究基于人工神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮理論與方法在學術(shù)價值和實際應(yīng)用方面都具有極其重要的意義。同時，這項十

29、分新穎且處于探索階段的技術(shù)，也給研究者帶來了更大的挑戰(zhàn)和更廣闊的研究空間。</p><p>　　1.2 各種圖像壓縮方法介紹</p><p>　　1.2.1 城地大概地大概地</p><p>　　在開始進行圖像壓縮的工作之前，有必要先了解已有的圖像壓縮方法及其分類。圖像壓縮方法的研究已經(jīng)經(jīng)歷了歷代研究者的努力，有人稱1948年～1988年主要研究的圖像編碼方法為

30、經(jīng)典方法，同時把有重要發(fā)展前景的圖像編碼方法稱為現(xiàn)代方法[3]。</p><p><b>　　1）</b></p><p><b>　　①</b></p><p>　　根據(jù)解碼后圖像與原始圖像的比較，圖像壓縮編碼的方法一般可以分為兩大類型：無損壓縮和有損壓縮[3],[5],[7],[23]。無損壓縮是利用數(shù)據(jù)的統(tǒng)計特性來進

31、行數(shù)據(jù)壓縮的，典型的無損壓縮方法有：行程編碼（Run-Length）法、霍夫曼（Huffman）編碼法、字典壓縮方法[23]和算術(shù)編碼方法等。有損壓縮不能完全恢復數(shù)據(jù)，而是利用人的視覺特性使解壓縮后的圖像看起來和原始圖像一樣。典型的有損壓縮方法有：預(yù)測編碼、變換編碼[23]、矢量量化編碼[4]等。</p><p>　　1.2.2 城地大概地大概地</p><p>　　伴隨著數(shù)學理論，如小

32、波變換、分形幾何理論、數(shù)學形態(tài)學等以及相關(guān)學科，如模式識別、人工智能、神經(jīng)網(wǎng)絡(luò)、感知心理學等的深入發(fā)展，新穎高效的現(xiàn)代壓縮方法相繼產(chǎn)生。其中主要包括小波變換編碼、分形編碼、模型基編碼、神經(jīng)網(wǎng)絡(luò)編碼等。</p><p>　　圖像壓縮編碼技術(shù)的發(fā)展和廣泛應(yīng)用促進了有關(guān)標準的制定，這些標準的制定工作主要是由ISO（國際標準化組織）和ITU（國際電信聯(lián)盟，其前身為CCITT）進行[3],[5],[7]。這些標準根據(jù)需要處

33、理的圖像類型分為二進制圖像壓縮標準、靜止灰度和彩色圖像壓縮標準、運動（連續(xù)）灰度和彩色圖像壓縮標準。這些標準實際上是針對每種圖像的比較成熟的壓縮方法。</p><p>　　這里簡要介紹與論文研究內(nèi)容有關(guān)的靜止圖像壓縮標準。靜止圖像壓縮標準JEPG是1991年3月提出的，包含三個范疇：基本順序過程，基于DCT的擴展過程和無失真過程?；綣PEG算法主要有三個步驟:首先通過DCT去除數(shù)據(jù)冗余，然后使用量化表對DCT系

34、數(shù)進行量化，最后對量化后的DCT系數(shù)進行編碼使其熵達到最小，熵編碼采用Huffman可變字長編碼。目前，新的靜止圖像壓縮標準JPEG2000己經(jīng)推出，該標準主要采用的是小波變換編碼技術(shù)，圖像壓縮效果對比JPEG算法有很大的提高。</p><p>　　1.3 矢量量化技術(shù)的研究現(xiàn)狀</p><p>　　量化是有損數(shù)據(jù)壓縮中的常用技術(shù)[4]，基本上可分為三種，即標量量化、矢量量化和序列量化。

35、矢量量化（Vector Quantization，VQ）技術(shù)是標量量化的多維推廣，它把標量量化的分別量化單個采樣值推廣到多個采樣值當成整體量化。在二十世紀六十年代初期和中期，出現(xiàn)了最早的矢量量化思想，HUANG和Schultheiss提出最早的分組量化的基本實現(xiàn)方法，這些最早的研究并沒有給出矢量量化的嚴格定義，直到1980年由Linde，Buzo和Gray將聚類算法引入到矢量量化器設(shè)計中，提出了一種著名的矢量量化碼書設(shè)計算法，即LBG算

36、法（又稱為GLA算法）[4]。隨后，現(xiàn)代的矢量量化研究得到了日益廣泛的關(guān)注。各國學者以LBG算法為基礎(chǔ)，針對矢量量化的特點，將神經(jīng)網(wǎng)絡(luò)、最優(yōu)化理論、模糊數(shù)學、遺傳算法等各種方法與新思想引入到矢量量化中來[9-22]，以期得到快速、高效、性能好的矢量量化器，矢量量化的研究進入了一個飛速的發(fā)展時期并且取得了很多成果。二十世紀九十年代，半導體技術(shù)和微電子工藝日臻成熟，DSP(Digital Signal Processing)技術(shù)已經(jīng)廣泛地應(yīng)

37、用于各種領(lǐng)域，DSP芯片的高速運</p><p>　　矢量量化關(guān)鍵技術(shù)是碼書設(shè)計（生成）、碼字搜索和碼字索引分配。其中最重要的一點就是如何設(shè)計出性能優(yōu)良的碼書，這是整個矢量量化器設(shè)計成功與否的關(guān)鍵，是決定矢量量化器性能的主要因素。矢量量化碼字搜索算法的研究，就是在設(shè)計出性能優(yōu)良的碼書的基礎(chǔ)上設(shè)法減少搜索分配碼字所需的計算量，縮短搜索時間，進一步提高矢量量化器的整體性能。而碼字索引分配的研究內(nèi)容主要是在碼書生成的過

38、程中如何讓碼字以一種更合理的順序排序，以便將信道傳輸過程中由于信道噪聲導致的數(shù)據(jù)變更在數(shù)據(jù)接收端引起的額外誤差降低到最小，同時盡可能地減少計算復雜度和搜索時間。</p><p>　　碼書的生成方式有多種，自LBG算法作為一種非常有效的碼書設(shè)計算法提出以后，矢量量化碼書設(shè)計算法的研究得到了廣泛的關(guān)注和研究，并且取得很多成果。這些算法大致可以歸為四類[4]：</p><p>　　LBG改進算法

39、，包括針對初始碼書選擇的改進方法以及針對設(shè)計速度的加速算法[13],[14],[23],[24],[27]；</p><p>　　基于神經(jīng)網(wǎng)絡(luò)的碼書設(shè)計算法，如自組織特征映射(SOFM)網(wǎng)絡(luò)、學習向量機(LVQ)網(wǎng)絡(luò)等 [9],[10],[11],[12],[15],[16],[24]；</p><p>　　基于全局優(yōu)化技術(shù)的碼書設(shè)計算法，如隨機松弛算法、模擬退火算法、遺傳算法和禁止搜索算

40、法等[24]；</p><p>　　基于模糊聚類理論的碼書設(shè)計算法[24]。</p><p>　　1.4 本文的研究目標和主要內(nèi)容</p><p>　　本文選定矢量量化技術(shù)在圖像壓縮方面的應(yīng)用為研究目標，研究的重點是矢量量化的關(guān)鍵技術(shù)——碼書設(shè)計。在閱讀大量相關(guān)文獻的基礎(chǔ)上，主要研究了三種傳統(tǒng)矢量量化碼書設(shè)計算法：LBG、SOFM和LVQ，進行了大量實驗，驗證了算

41、法的可行性，對實驗結(jié)果作分析和對比，并在此基礎(chǔ)上提出一種聯(lián)合改進算法實現(xiàn)更好的壓縮性能。</p><p>　　全文共分為7部分，其具體內(nèi)容安排如下：</p><p>　　前言，介紹所研究課題的研究背景、意義，國內(nèi)外研究現(xiàn)狀，以及課題的研究思路、研究內(nèi)容。</p><p>　　第二章全面系統(tǒng)地介紹了矢量量化的理論基礎(chǔ)…….</p><p>　　

42、第2章 矢量量化基礎(chǔ)知識</p><p>　　2.1 矢量量化基本原理</p><p>　　人類獲取到的信息80%來源于圖像媒體，15%來源于語音[5]。這說明圖像是人類生活中信息交流一種極為重要的載體，也是蘊含信息量最大的載體?！?.</p><p>　　圖1-1 四種算法的重建圖像（）</p><p>　　從圖1-1可看出，改進算法重

43、建圖像的效果最好，LVQ算法的重建圖像效果最差，而LBG算法和SOFM算法的效果相當。下面，求出各個重建圖像的峰值信噪比，列于表1-2中。</p><p>　　表1-1 四種算法的性能比較（）</p><p><b>　　結(jié) 論</b></p><p>　　矢量量化技術(shù)是一種有效的有損數(shù)據(jù)壓縮技術(shù)，其主要優(yōu)點是壓縮比大以及解碼簡單，矢量量化技

44、術(shù)能夠有效地降低比特率和存儲空間。隨著社會的發(fā)展，矢量量化技術(shù)的應(yīng)用將愈發(fā)廣泛。矢量量化碼書設(shè)計算法一直是眾多學者研究的對象，人們試圖找出全局最優(yōu)的碼書使得輸出信號受損降低，但是目前還沒有一個算法能真正做到全局最優(yōu)，都是盡量逼近全局最優(yōu)。本文對三種傳統(tǒng)的矢量量化碼書設(shè)計算法進行了仿真比較和改進優(yōu)化，采用標準Lena圖像進行矢量量化壓縮實驗，對已有的碼書設(shè)計算法的性能進行了較全面的分析，提出一種聯(lián)合算法用作改進并取得成效。</p&g

45、t;<p>　　本文所做的主要工作如下：</p><p>　　介紹了圖像壓縮的目的和意義，對圖像壓縮方法的分類和常用圖像壓縮方法做了簡單回顧，總結(jié)了矢量量化技術(shù)的研究現(xiàn)狀。</p><p>　　深入研究了矢量量化數(shù)據(jù)的壓縮理論，詳細介紹了矢量量化的基礎(chǔ)理論和關(guān)鍵技術(shù)，并分析了矢量量化用于圖像壓縮中的相關(guān)概念，給出矢量量化圖像壓縮的一些客觀評估標準。</p>&l

46、t;p>　　深入研究了經(jīng)典的矢量量化碼書設(shè)計算法——LBG算法，探討了LBG算法的理論基礎(chǔ)、算法步驟，總結(jié)了LBG算法的優(yōu)缺點，還介紹了常見的初始碼書生成方法。選用標準的Lena圖像對LBG算法進行了實驗，改變相關(guān)參數(shù)分析算法的性能。</p><p>　　研究了基于自組織特征映射SOFM的矢量量化碼書設(shè)計算法，介紹了SOFM網(wǎng)絡(luò)的理論基礎(chǔ)，基本算法步驟，簡要介紹了針對SOFM算法缺點已經(jīng)提出的改進算法。分析

47、SOFM網(wǎng)絡(luò)與矢量量化的聯(lián)系，總結(jié)SOFM算法的優(yōu)缺點及其在圖像壓縮領(lǐng)域應(yīng)用的優(yōu)勢，用SOFM網(wǎng)絡(luò)對標準的Lena圖像進行了矢量量化編碼，改變相關(guān)參數(shù)分析算法的性能。</p><p>　　研究了學習矢量量化碼書設(shè)計算法——LVQ算法，介紹LVQ網(wǎng)絡(luò)的理論基礎(chǔ)和基本算法的步驟，總結(jié)LVQ算法的優(yōu)缺點，簡要介紹了針對LVQ算法缺點已經(jīng)提出的改進算法。分析了實現(xiàn)基于LVQ的矢量量化的基本思路，用LVQ網(wǎng)絡(luò)對標準的Len

48、a圖像進行了矢量量化編碼，并分析了算法的性能。</p><p>　　在前文工作的基礎(chǔ)上提出一種基于SOFM和LBG的聯(lián)合改進算法，通過實驗驗證了改進算法，并與前三種算法對比，證明了改進算法從PSNR和碼書訓練時間的角度考慮，都優(yōu)于前面三種算法。</p><p>　　在畢業(yè)論文完成過程中，盡管作者盡了最大的努力完成研究工作，但是，由于水平有限，許多方面都做得不夠，還有很多地方需要進一步完善。

49、今后進一步的研究方向主要有以下幾個方面:</p><p>　　研究選取不同的初始碼書對矢量量化碼書設(shè)計算法效果的影響。</p><p>　　研究SOFM神經(jīng)網(wǎng)絡(luò)中不同的鄰域函數(shù)、學習參數(shù)對碼書性能的影響，研究LVQ神經(jīng)網(wǎng)絡(luò)目標層矢量的選取對碼書性能的影響。</p><p>　　在碼書優(yōu)化算法方面，大規(guī)模訓練數(shù)據(jù)的碼書設(shè)計與優(yōu)化還有待于進一步地研究，矢量量化碼書生成的

50、速度仍有待提高。在今后的研究中，應(yīng)在矢量量化的硬件設(shè)計與實現(xiàn)上做進一步的研究，希望能做到矢量量化碼書優(yōu)化的實時性。</p><p>　　采用Visual C++編程實現(xiàn)SOFM網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)用于矢量量化碼書設(shè)計。由于使用SOFM和LVQ實現(xiàn)碼書設(shè)計時，輸入矢量個數(shù)和網(wǎng)絡(luò)神經(jīng)元個數(shù)都較大，使用　MATLAB R2008a時運行速度慢，不能體現(xiàn)算法的優(yōu)勢。在現(xiàn)有工作的基礎(chǔ)上對整個算法進行工程實現(xiàn)，將進一步提高算法的

51、工程應(yīng)用前景。</p><p>　　本文只對碼書設(shè)計算法進行了部分研究，對于碼字搜索算法，碼字索引分配算法都沒有研究，這也是矢量量化的兩大關(guān)鍵技術(shù)，有待以后進一步研究。并且，只有研究和實現(xiàn)了整個矢量量化圖像壓縮的過程才能盡快將這項新技術(shù)應(yīng)用于生產(chǎn)實際中。</p><p><b>　　參考文獻</b></p><p>　　[1] （美）Marti

52、n T.Hagan Howard B.Demuth著 戴葵等譯.神經(jīng)網(wǎng)絡(luò)設(shè)計[M].北京：機械工業(yè)出版社.2002.9</p><p>　　[2]（美）Simon Haykin著 葉世偉,史忠植譯.神經(jīng)網(wǎng)絡(luò)原理[M].北京：機械工業(yè)出版社.2004.1</p><p>　　[3] 徐立中，李士進，石愛業(yè).數(shù)字圖像的智能信息處理（第二版）[M].北京：國防工業(yè)出版社，2007.1</p

53、><p>　　[4] 孫圣和, 陸哲明. 矢量量化技術(shù)及應(yīng)用[M]. 北京: 科學出版社, 2002: 31-49</p><p>　　[5]黃賢武，王加俊，李家華.數(shù)字圖像處理與壓縮編碼技術(shù)[M].成都：電子科技大學出版社，2000.12</p><p>　　[6]胡德文.神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[M].北京：國防工業(yè)出版社，2005.7</p><p&

54、gt;　　[7]繆紹剛.數(shù)字圖象處理——活用MATLAB[M].成都：西南交通大學出版社，2001.</p><p>　　[8]閻平凡 張長水.人工神經(jīng)網(wǎng)絡(luò)與模擬進行計算[M].北京：清華大學出版社，2000</p><p>　　[9]傅茂名，林瑞春.基于自組織特征映射的圖像壓縮技術(shù)[J].計算機工程與應(yīng)用:2007,43(32):38～39</p><p>　　[

55、10]王茂芝,郭彬,徐文皙.基于改進SOFM的矢量量化圖像壓縮[J].成都理工大學學報(自然科學版):2007,12.34(6)</p><p>　　[11]馬立新，王仁鋒.基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的矢量量化及其在圖像壓縮中的應(yīng)用[J].上海電力學院學報:2003,12.19(4):9-12</p><p>　　[12]王瑤,梁科.一種改進的自組織特征映射圖像壓縮算法[J].無線電工程2

56、006.36（12）</p><p>　　[13]涂立橋.SOFM算法和LBG算法聯(lián)合用于圖像壓縮的研究[J].黃石高等?？茖W校報：2002，6:18-20</p><p>　　[14] 劉評,朱心雄. 基于快速搜索的碼書快速生成算法[J]. 北京航空航天大學學報.1998,2,24(1):64-67</p><p>　　[15]陸哲明，孫圣和. 基于自組織特征映射

57、神經(jīng)網(wǎng)絡(luò)的矢量量化[J]. 中國圖象圖形學報.2000,10,5(10):846-850</p><p>　　[16] 繆 青,高大啟. 基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的局部矢量量化算法[J]. 計算機應(yīng)用與軟件.2006,7,23(7):108-112</p><p>　　[17]劉廣林,王汝霖等. 基于自組織特征映射的圖象矢量量化[J].微計算機信息，2006.22(5-1):208-20

58、9</p><p>　　[18]張敏靈，陳兆乾，周志華.SOM算法、LVQ算法及其變體綜述[J].計算機科學：2002，29(7):97-100</p><p>　　[19]李萬臣,王煉.基于混合神經(jīng)網(wǎng)絡(luò)的圖像分類矢量量化方法[J].應(yīng)用科技：2006.33(6):21-23</p><p>　　[20]李曉冰,馬海潮,高冰.基于LVQ神經(jīng)網(wǎng)絡(luò)的測量圖像預(yù)處理方法[

59、J].紅外：2007.28(10):14-17</p><p>　　[21]程小平,邱玉輝.基于強化學習的LVQ聚類方法[J].計算機科學：2002.9（12）:133-134</p><p>　　[22]匡泰,胡眾義等.一種新的用于LBG圖像壓縮初始碼書生成算法[J].浙江工業(yè)大學學報：2005.33(4):425-428</p><p>　　[23]黃雪梅.基于

60、人工神經(jīng)網(wǎng)絡(luò)的圖象壓縮方法研究[D].重慶：重慶大學，2005：41-54 </p><p>　　[24]段云鵬.基于神經(jīng)網(wǎng)絡(luò)的矢量量化碼書設(shè)計算法的研究[D].吉林：吉林大學，2005：41-54</p><p>　　[25]唐建.矢量量化碼書設(shè)計與矢量量化應(yīng)用研究[D].北京：中國科技大學，2006：22-28</p><p>　　[26] Dony R D,

61、et al. Neural Network Approaches to Image Compression[J].Proc IEEE, 1995,83:288～303</p><p>　　[27]K.W. Lau, H.Yin, S. Hubbard. Kernel self-organising maps for classification[J]. Neurocomputing 69 (2006) 2033–

62、2040</p><p>　　[28]WANG Ling,MU Zhi-Chun,Guo Hui.Combining Self-organizing Feature Map with Support Vector Regression Based on Expert System[J].ACTA AUTOMATICA SINICA,2005:31(4) </p><p>　　[2