&RSITY必1902姓名：裴曉鵬學(xué)號(hào)：2015510298授課教師： 李國(guó)勇&RSITY必1902姓名：裴曉鵬學(xué)號(hào)：2015510298授課教師： 李國(guó)勇所在院系：信息工程學(xué)院TAIYUANUNrYEfiSITYOFTECHNOLOGY智能控制及其MATLAB實(shí)現(xiàn)題目： 基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮實(shí)現(xiàn)方法學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮實(shí)現(xiàn)方法摘要在當(dāng)今這個(gè)信息爆炸的時(shí)代，圖像傳輸和共享是一個(gè)很重要的環(huán)節(jié),但是圖像數(shù)據(jù)的海量性使其存儲(chǔ)和傳輸成為數(shù)字圖像處理領(lǐng)域的一大難題。研究發(fā)現(xiàn)，一幅圖像之所以占據(jù)內(nèi)存大，是因?yàn)槌擞行畔⒁酝?，還有許多冗余信息和相干信息。也正是因?yàn)閳D像中存在著大量的冗余信息和相干信息，使得對(duì)圖像進(jìn)行壓縮，即去除圖像中的冗余信息和相干信息，只保留圖像中的有效特征信息變得可行.所謂圖像壓縮是指用較少的數(shù)據(jù)量對(duì)冗余信息和相干信息進(jìn)行有效的表征或直接去除?壓縮圖像為數(shù)字圖像提供了一種有效的表示方法，同時(shí)緩解了系統(tǒng)的存儲(chǔ)和傳輸?shù)葔毫Γ谝欢ǔ潭壬夏軌驕p少圖像存儲(chǔ)量和減輕圖像傳輸?shù)呢?fù)擔(dān)，也能實(shí)現(xiàn)快速傳輸和實(shí)時(shí)處理。本文在圖像壓縮原理及幾種常用的圖像壓縮方法的研究基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮，能夠重構(gòu)出高質(zhì)量的圖像。在要求存儲(chǔ)量較少的同時(shí)還追求高質(zhì)量的重構(gòu)圖像的情況下，這種壓縮方法對(duì)數(shù)據(jù)的存儲(chǔ)和傳輸有一定的實(shí)踐指導(dǎo)作用。關(guān)鍵詞：圖像壓縮；快速傳輸；BP神經(jīng)網(wǎng)絡(luò)學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6ImagecompressionmethodbasedonBPneuralnetworkAbstractTodayinformationexplodes,theimage'stransmissionandsharingisanimportantpartbuttheimagedatahugeamountsmakeitsstorageandtransportbecomeabigprobleminthefieldofdigitalimageprocessing.Thestudyfoundthatanimageistooccupymemoryisbig,becauseinadditiontothevalidinformation,therearealotofredundantinformationandirrelevantinformation.Ispreciselybecausetherearealotofredundantinformationintheimageandcorrelationinformation,maketheimageiscompressed,whichremovetheredundantinformationintheimageandcorrelationinformation,onlykeeptheeffectivefeatureinformationofimagesbecomefeasible。ImagecompressionreferstotheuseoflessamountofdatatotheredundantinformationandcoherentinformationforeffectivecharacterizationorremovedirectlyoCompressedimageastherepresentationmethodofdigitalimageprovidesaneffective,atthesametimereducethepressureonthesystemofstorageandtransmission,etc,toacertainextent,canreducetheimagestorageandreducetheburdenofimagetransmission,alsocanrealizefasttransmissionandreal—timeprocessingoBasedontheprincipleofimagecompressionandseveralcommonimagecompressionmethodbasedontheresearchofimagecompressionisrealizedbyusingtheBPneuralnetwork,toreconstructthehighqualityimages。Indemandinglessstoragecapacitybutalsothepursuitofhighqualityundertheconditionofreconstructedimages,thecompressionmethodfordatastorageandtransmissionhavecertainpracticeguidanceoKeywords:Imagecompression;Rapidtransmission;TheBPneuralnetwork學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6第一章引言在當(dāng)今充滿各種類型信息的時(shí)代，圖像是人類感知世界、表達(dá)信息、獲取信息和傳遞信息的重要工具之一。隨著人類對(duì)圖像信息需求量的不斷增加，龐大圖像數(shù)據(jù)量的獲取、存儲(chǔ)、傳輸以及傳播等都面臨著巨大的挑戰(zhàn)?，F(xiàn)實(shí)應(yīng)用中，一幅較大圖像數(shù)據(jù)的存儲(chǔ)通常需要占用比較大的內(nèi)存，而真正用來表征圖像本質(zhì)特征的數(shù)據(jù)往往相對(duì)較少，如果我們將整幅圖像數(shù)據(jù)全部保存，將無形中占用和浪費(fèi)較大的內(nèi)存資源,假如我們只保存表征圖像的有效數(shù)據(jù)，則能夠節(jié)約大量的存儲(chǔ)空間。因此，如何對(duì)圖像信號(hào)用少量的數(shù)據(jù)進(jìn)行有效表征以減少存儲(chǔ)空間和縮短傳輸時(shí)間已成為圖像處理領(lǐng)域的研究熱點(diǎn)之一。【1】研究發(fā)現(xiàn)，一幅圖像之所以占據(jù)內(nèi)存大，是因?yàn)槌擞行畔⒁酝猓€有許多余信息和相干信息。通常把圖像中大量重復(fù)出現(xiàn)的這部分信息稱為冗余信息，對(duì)于那些可用其它信息表示的信息稱為相干信息，也正是因?yàn)閳D像中存在著大量的冗余信息和相干信息，使得對(duì)圖像進(jìn)行壓縮，即去除圖像中的冗余信息和相干信息，只保留圖像中的有效特征信息變得可行⑵?所謂圖像壓縮是指用較少的數(shù)據(jù)量對(duì)冗余信息和相干信息進(jìn)行效的表征或直接去除。壓縮圖像為數(shù)字圖像提供了一種有效的表示方法，同時(shí)緩解了系統(tǒng)的存儲(chǔ)和傳輸?shù)葔毫?，也便于用有限的資源查看和處理大量的圖像信息。圖像壓縮技術(shù)歷經(jīng)50多年的不斷發(fā)展，目前已經(jīng)有一些比較成熟的方法。常用的圖像壓縮技術(shù)通常采用變換的方法來有效地去除圖像中的冗余信息?；谧儞Q編碼壓縮的方法，常用的主要有離散余弦變換(DiscreteCosineTransform，DCT)編碼〔81和離散小波變換(DiscreteWaveletTransform,DWT)編碼，，“。DCT變換將空間域的圖像信號(hào)變換到頻域，使得信號(hào)能量集中在一起，能夠用少量的有效數(shù)據(jù)來表征原始圖像。由于DCT變換基固定，并且能夠快速實(shí)現(xiàn)，使其在許多圖像壓縮技術(shù)中采用。如JPEG，MPEG，H。26x和AVS等標(biāo)準(zhǔn)均采用了DCT變換技術(shù)。如今，通信網(wǎng)絡(luò)技術(shù)的發(fā)展、數(shù)字圖像的閱覽和圖像數(shù)據(jù)的傳輸不斷要求圖像壓縮方法能夠提供高質(zhì)量和高分辨率的解壓圖像，來滿足不同等級(jí)的需求，這些靈活性的要求往往與DCT的編碼結(jié)構(gòu)很難結(jié)合起來，有待相關(guān)研究者進(jìn)行更深入的研究【3】。1974年，小波變換(WaveletTransform,WT)理論出現(xiàn)，極大地促進(jìn)了數(shù)據(jù)壓縮技術(shù)的進(jìn)一步發(fā)展⑷。小波變換和DCT變換類似,可以將圖像從空間域變換到頻域，使圖像按頻率能量分布更為集中;小波變換通過對(duì)圖像進(jìn)行多尺度分解，可以獲得不同程度上的近似圖像信號(hào).80年代末，LuJian等人就將小波變換應(yīng)用到圖像壓縮編碼中，其具體過程為:首先對(duì)圖像依據(jù)Mallat塔式快速小波變換算法進(jìn)行多尺度分解;然后對(duì)每級(jí)的小波系數(shù)進(jìn)行量化;再對(duì)量化后的小波系數(shù)進(jìn)行編碼處理，最終獲得壓縮圖像。隨著小波變換理論的不斷發(fā)展，其在圖像數(shù)據(jù)壓縮領(lǐng)域已經(jīng)被廣泛地應(yīng)用，如2002年提出的圖像壓縮編碼方法JPEG2000就是基于DWT的一種新的靜止圖像壓縮標(biāo)準(zhǔn)【5】.1993年，MPEG—1正式成為視頻圖像壓縮標(biāo)準(zhǔn)(運(yùn)動(dòng)圖像壓縮標(biāo)準(zhǔn))。MPEG—1主要面向數(shù)字存儲(chǔ)媒體，應(yīng)用于多媒體計(jì)算機(jī)、電子出版物以及交互式電視等領(lǐng)域.隨

學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6著數(shù)字圖像技術(shù)的不斷發(fā)展,隨后的幾年中，陸續(xù)推出了MPEG-2,MPEG-4,MPEG—7等標(biāo)準(zhǔn)【6】。圖像壓縮編碼方法已經(jīng)發(fā)展多年，并且日漸成熟，一系列的圖像壓縮標(biāo)準(zhǔn)也在不斷完善和發(fā)展，從靜止圖像壓縮標(biāo)準(zhǔn)JPEG到JPEG2000的發(fā)展使得圖像的壓縮比以及重構(gòu)圖像質(zhì)量都有很大的提升，尤其從動(dòng)態(tài)圖像壓縮標(biāo)準(zhǔn)MPEG—X系列可以看出，基于圖像內(nèi)容信息的壓縮編碼方法將是圖像壓縮發(fā)展的趨勢(shì)【7】。本文在闡述BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理基礎(chǔ)上，仿真實(shí)現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)的靜態(tài)灰度圖像壓縮.學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6第二章人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)從生理學(xué)角度模擬人腦大量神經(jīng)元細(xì)胞的運(yùn)行機(jī)理，通過不斷對(duì)鏈接權(quán)值進(jìn)行修改，達(dá)到訓(xùn)練、模擬、預(yù)測(cè)等目的。人工神經(jīng)網(wǎng)絡(luò)經(jīng)一段時(shí)間的低潮后，從20世紀(jì)80年代起，逐漸進(jìn)入熱潮，并衍生出多種網(wǎng)絡(luò)鏈接方式，在工程、勘探、圖像、預(yù)測(cè)等方面應(yīng)用廣泛【8】。1988年Hecht—Nielsen對(duì)人工神經(jīng)網(wǎng)絡(luò)定義如下“人工神經(jīng)網(wǎng)絡(luò)是一個(gè)并行、分布處理結(jié)構(gòu)，它由處理單元及稱為連接的無向信號(hào)通道互連而成。這些處理單元具有局部?jī)?nèi)存，并可以完成局部操作。每個(gè)處理單元有一個(gè)單一的輸出鏈接,這個(gè)輸出可根據(jù)需要被分支多個(gè)并行鏈接，且這些并行連接都輸出相同的信號(hào)，即相應(yīng)處理單元的信號(hào)及信號(hào)的大小不因分支的多少而變化。處理單元的輸出信號(hào)可以是任何需要的數(shù)學(xué)模型，每個(gè)處理單元進(jìn)行的操作必須是完全局部的.也就是說，它必須僅僅依賴于經(jīng)過輸入連接到達(dá)處理單元的所有輸入信號(hào)的當(dāng)前值和儲(chǔ)存在處理單元局部的范圍值.”【9】1986年，Rumelhart和McCelland在ParallelDistributedProcessing一書中，提出BP學(xué)習(xí)算法。用得最廣泛的BP神經(jīng)網(wǎng)絡(luò)一般采用三層，即一輸入層，一隱層，一輸出層。BP算法訓(xùn)練時(shí)，由工作信號(hào)正向傳播和誤差信號(hào)反向傳播組成;工作時(shí)，采用訓(xùn)練好的權(quán)值進(jìn)行計(jì)算。工作信號(hào)正向傳播。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)在輸入層經(jīng)傳遞函數(shù)的計(jì)算，把結(jié)果傳向隱層;再經(jīng)隱層傳遞函數(shù)的計(jì)算，結(jié)果傳向輸出層，在輸出層產(chǎn)生輸出。在此過程中，網(wǎng)絡(luò)權(quán)值不變，算法計(jì)算因輸入、網(wǎng)絡(luò)權(quán)重、閾值、傳遞函數(shù)等產(chǎn)生的輸出.誤差信號(hào)反向傳播.產(chǎn)生輸出結(jié)果后，根據(jù)輸出值和期望值之間的差異，把誤差回傳，根據(jù)不同的具體算法，從輸出層起，逐層調(diào)整網(wǎng)絡(luò)權(quán)值，至輸入層，目的是通過調(diào)整權(quán)值，使輸出的數(shù)據(jù)更接近期望值.然后再進(jìn)行工作信號(hào)正向傳播，得出輸出層結(jié)果后，再調(diào)整網(wǎng)絡(luò)權(quán)值，如此循環(huán)。工作時(shí),采用經(jīng)多次調(diào)整的網(wǎng)絡(luò)權(quán)值，把輸入數(shù)據(jù)傳遞到輸出層，產(chǎn)生輸出。BP網(wǎng)絡(luò)是目前發(fā)展較為成熟的神經(jīng)網(wǎng)絡(luò)模型之一，是一種利用非線性可微分函數(shù)進(jìn)行權(quán)值修正與調(diào)整的多層前饋人工神經(jīng)網(wǎng)絡(luò)，能通過嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論進(jìn)行推理驗(yàn)證，在模式識(shí)別、函數(shù)逼近、數(shù)據(jù)壓縮等方面獲得了廣泛應(yīng)用與認(rèn)同.BP網(wǎng)絡(luò)算法的主要特點(diǎn)是輸入信號(hào)正向傳遞，誤差反向傳播.BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練算法的實(shí)質(zhì)是把樣本集合的輸入輸問題變換為一個(gè)非線性優(yōu)化問題【1。】。其網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層、輸出層等三層。一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1。學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6懦入唇 稿含知 留出f?圖錯(cuò)誤!未定義書簽。一個(gè)典型的BP網(wǎng)絡(luò)模型結(jié)構(gòu)人腦在接受視覺感觀傳來的大量圖像信息后，能夠迅速做出反應(yīng)，并在腦海中重現(xiàn)這些信息，這不僅與人腦的巨大信息儲(chǔ)存能力有關(guān)，還說明人腦具有較強(qiáng)的特征提取能力。人工神經(jīng)網(wǎng)絡(luò)雖然是人腦的簡(jiǎn)單模擬和抽象,但具有許多與人腦相似的信息處理能力，自然也具有較強(qiáng)的數(shù)據(jù)壓縮能力，一些神經(jīng)網(wǎng)絡(luò)模型能直接提供數(shù)據(jù)壓縮就是一個(gè)很好的例子【11】。由于現(xiàn)實(shí)圖像內(nèi)容變化的隨機(jī)性，對(duì)圖像的分割以及平穩(wěn)區(qū)域與非平穩(wěn)區(qū)域的數(shù)學(xué)描述還沒有找到一個(gè)有效的手段和方法，試圖用一種圖像模型來描述自然界千奇百怪的圖像是不現(xiàn)實(shí)的，而人工神經(jīng)網(wǎng)絡(luò)在解決類似的黑箱上特別有效，故可以用神經(jīng)學(xué)習(xí)圖像中規(guī)律性的東西，通過神經(jīng)網(wǎng)絡(luò)自適應(yīng)機(jī)制，如結(jié)構(gòu)自適應(yīng)、學(xué)習(xí)率參數(shù)的變化和連接權(quán)值的變化等進(jìn)行調(diào)整。因此，可以利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)對(duì)圖像信息進(jìn)行有效的分解、表征和編碼，從而取得傳統(tǒng)方法無法比擬的結(jié)果。這就是將人工神經(jīng)網(wǎng)絡(luò)用于圖像壓縮的基本思想和出發(fā)點(diǎn)。具體來講，與傳統(tǒng)的圖像壓縮方法相比，人工神經(jīng)網(wǎng)絡(luò)具有如下一些優(yōu)勢(shì)：圖像信號(hào)的正交變換中，如果所選的基向量與圖像信號(hào)的協(xié)方差矩陣的特征向量接近，則變換域內(nèi)圖像信號(hào)的相關(guān)性將明顯下降，能量相對(duì)集中，就能使圖像信號(hào)的帶寬得到較大壓縮，此時(shí)的變換比較接近最佳線性變換(KLT)。對(duì)于隨機(jī)性很強(qiáng)的圖像信號(hào)來說，很難找到一種與不同統(tǒng)計(jì)特性的圖像信號(hào)完全匹配的變換，因此變換矩陣中基向量的選擇不是固定的，這就給最佳變換編碼的實(shí)現(xiàn)帶來了困難，而神經(jīng)網(wǎng)絡(luò)的強(qiáng)映射力和非線性特性，使它可以學(xué)習(xí)具有相當(dāng)接近輸入信號(hào)特征空間基的能力，因此用來解決最佳變換的實(shí)現(xiàn)是很有效的【12】;神經(jīng)網(wǎng)絡(luò)中及其豐富的訓(xùn)練算法為設(shè)計(jì)高效的圖像壓縮編碼系統(tǒng)提供了新的途徑；大多數(shù)人工神經(jīng)網(wǎng)絡(luò)都具有相當(dāng)強(qiáng)的模式識(shí)別與模式分類能力，這給圖像編碼方案中模式分類問題的解決提供了一個(gè)強(qiáng)有力的工具；神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性和聯(lián)想記憶功能，任何局部的損壞不會(huì)影響整體結(jié)果，這一特性有助于對(duì)有噪圖像的數(shù)據(jù)壓縮及對(duì)壓縮后信息不全圖像的恢復(fù)；神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理能力及分布式結(jié)構(gòu)，為神經(jīng)網(wǎng)絡(luò)圖像編碼的實(shí)時(shí)

學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6實(shí)現(xiàn)創(chuàng)造了條件，這也是將神經(jīng)網(wǎng)絡(luò)用于圖像編碼的優(yōu)勢(shì)所在.目前，將人工神經(jīng)網(wǎng)絡(luò)理論與技術(shù)引入圖像編碼領(lǐng)域的研究工作十分活躍，發(fā)展相當(dāng)快，基于人工神經(jīng)網(wǎng)絡(luò)模型的圖像編碼方法已涉足圖像編碼研究的很多方面，所使用的神經(jīng)網(wǎng)絡(luò)模型已有近十種，對(duì)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)圖像編碼方法進(jìn)行歸納、總結(jié)，有助于了解神經(jīng)網(wǎng)絡(luò)方法的發(fā)展方向，使已取得的成果系統(tǒng)化，使尚未解決的問題明確化【13】。不少神經(jīng)網(wǎng)絡(luò)模型都有相當(dāng)強(qiáng)的數(shù)據(jù)壓縮能力，當(dāng)然，有些神經(jīng)網(wǎng)絡(luò)模型不能提供直接的數(shù)據(jù)壓縮，而是間接參與數(shù)據(jù)壓縮。如果以用于圖像編碼的神經(jīng)網(wǎng)絡(luò)模型為主線，對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)圖像編碼方法進(jìn)行分類，一方面可了解哪些神經(jīng)網(wǎng)絡(luò)模型具有壓縮能力，從而進(jìn)一步挖掘潛力，另一方面可了解神經(jīng)網(wǎng)絡(luò)與圖像壓縮技術(shù)結(jié)合的途徑，從而探討其它模型的壓縮能力，建立適合數(shù)據(jù)壓縮的新的模型，在進(jìn)行歸類的過程中,將那些常用的或者重要的神經(jīng)網(wǎng)絡(luò)模型和學(xué)習(xí)算法分別作為一個(gè)獨(dú)立的類別，而將那些很少使用或新近提出的神經(jīng)網(wǎng)絡(luò)模型劃入其它類別，按此原則，目前用于圖像編碼的神經(jīng)網(wǎng)絡(luò)模型和學(xué)習(xí)算法主要有以下幾類：多層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)算法為BP算法，所以又叫BP網(wǎng)絡(luò)；Kohonen自組織神經(jīng)網(wǎng)絡(luò)，包括頻率敏感競(jìng)爭(zhēng)學(xué)習(xí)(FSCL)網(wǎng)絡(luò)，其學(xué)習(xí)算法為自組織特征映射(SOFM)算法；Hpfield神經(jīng)網(wǎng)絡(luò)；模擬退火(SA)學(xué)習(xí)算法；(5)混合神經(jīng)網(wǎng)絡(luò)模型；其它神經(jīng)網(wǎng)絡(luò)模型，包括CPN，函數(shù)鏈神經(jīng)網(wǎng)絡(luò),Sophia聯(lián)想神經(jīng)網(wǎng)絡(luò)(SANNET)，改進(jìn)的Hebbian學(xué)習(xí)規(guī)則的系列應(yīng)用(SAMH)等。學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6第三章BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理數(shù)字圖像壓縮是以較少的比特?cái)?shù)有損或者無損地表示原來的像素矩陣的一種圖像處理技術(shù)，其目的是減少圖像數(shù)據(jù)中的時(shí)間冗余、空間冗余、頻譜冗余等一種或多種冗余信息而達(dá)到更加高效的存儲(chǔ)與傳輸數(shù)據(jù)。圖像壓縮系統(tǒng)無論采用什么具體的結(jié)構(gòu)或者技術(shù)方法，其基本過程卻是一致的，可概括為如圖2所示的流程圖，包括編碼、量化、解碼等三個(gè)環(huán)節(jié)【14】。圖錯(cuò)誤未定義書簽。圖錯(cuò)誤未定義書簽。圖像壓縮基本流程從理論上講，編解碼問題可以歸納為映射與優(yōu)化問題，而人工神經(jīng)網(wǎng)絡(luò)從數(shù)學(xué)上分析就是實(shí)現(xiàn)了從輸入到輸出的一個(gè)非線性映射關(guān)系，并具有高度并行處理能力、較高的容錯(cuò)性與魯棒性.分析圖像壓縮的基本原理、環(huán)節(jié)與BP的網(wǎng)絡(luò)結(jié)構(gòu)分布，可得出基于BP網(wǎng)絡(luò)的圖像壓縮原理如圖3所示.圖1圖1基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理在BP網(wǎng)絡(luò)中，輸入層到隱含層之間的映射關(guān)系相當(dāng)于編碼器，用于對(duì)圖像信號(hào)進(jìn)行線性或者非線性變換.而隱含層到輸出層之間的映射關(guān)系相當(dāng)于解碼器,通過對(duì)壓縮后的信號(hào)數(shù)據(jù)進(jìn)行反變換以達(dá)到重建圖像數(shù)據(jù)。壓縮比率S=輸入層神經(jīng)元節(jié)點(diǎn)數(shù)/隱含層神經(jīng)元節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)目從理論上應(yīng)該是一致的，而隱含層的神經(jīng)元數(shù)目比輸入輸出層地?cái)?shù)目要少的多。這樣理論上可通過調(diào)節(jié)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目可達(dá)到不同圖像壓縮比效果。BP網(wǎng)絡(luò)是目前最為常用的一種神經(jīng)網(wǎng)絡(luò)模型，它可以直接提供數(shù)據(jù)壓縮能力。最典型的例子是一種三層對(duì)稱的BP網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，隱含層的節(jié)點(diǎn)數(shù)要少于輸入節(jié)點(diǎn)數(shù)，輸入節(jié)點(diǎn)數(shù)與輸出節(jié)點(diǎn)數(shù)相同，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)是完全對(duì)稱的。學(xué)習(xí)時(shí)，圖像數(shù)據(jù)既送到輸入層又送到輸出層作為教師信號(hào)，所使用的學(xué)習(xí)算法為BP算

學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6法.網(wǎng)絡(luò)訓(xùn)練好以后，輸入層到隱含層為網(wǎng)絡(luò)的編碼過程，對(duì)圖像數(shù)據(jù)進(jìn)行線性或者非線性變換，從隱含層到輸出層為網(wǎng)絡(luò)的解碼過程，對(duì)經(jīng)過壓縮后的變換系數(shù)進(jìn)行線性或非線性反變換，恢復(fù)圖像的原始數(shù)據(jù)。這類方法稱為結(jié)構(gòu)壓縮法.N。Sonehara等人1989年探討了三層前饋神經(jīng)網(wǎng)絡(luò)的通用性與訓(xùn)練圖像數(shù)目以及迭代次數(shù)的關(guān)系，還探討了隱節(jié)點(diǎn)輸出值量化和初始權(quán)值的選擇對(duì)重建圖像質(zhì)量的影響，為了控制網(wǎng)絡(luò)規(guī)模，將圖像分成8x8的子塊，每一子塊分別送到相應(yīng)的子網(wǎng)絡(luò)進(jìn)行并行處理，因此學(xué)習(xí)速度相當(dāng)快，每學(xué)習(xí)一幅圖像僅一秒鐘.1990年，Z.He與H。Li將多層前饋神經(jīng)網(wǎng)絡(luò)用于圖像非線性預(yù)測(cè)編碼，結(jié)果表明：神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的非線性預(yù)測(cè)器優(yōu)于線性預(yù)測(cè)器，網(wǎng)絡(luò)的抗噪性強(qiáng)，通用性好。隨后，S。A。Dianat與張偉等人進(jìn)行了類似的研究，得出了相同的結(jié)論.BP算法流程如圖4所示。誤差反向傳播算法分為兩個(gè)階段：第一階段（正向傳播過程），給出輸入信息通過輸入層經(jīng)隱含層逐層處理并計(jì)算每個(gè)單元的實(shí)際輸出值；第二階段（反向傳播過程），若在輸出層未能得到期望的輸出值，則逐層遞歸求期望輸出和實(shí)際輸出值的偏差（即誤差），以便根據(jù)此誤差調(diào)節(jié)權(quán)值。權(quán)值的實(shí)際改變可由權(quán)值誤差微商一個(gè)模式一個(gè)模式的計(jì)算出來，即它們可以在這組模式集上進(jìn)行累加【15】。

學(xué)生姓名裴曉鵬課程名稱：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6誤差反向傳播算法的性能函數(shù)是均方誤差。對(duì)單層的線性網(wǎng)絡(luò)，誤差是網(wǎng)絡(luò)權(quán)值的顯式線性函數(shù)，其相對(duì)于權(quán)值的導(dǎo)數(shù)較為容易求得。在具有非線性傳輸函數(shù)的多層網(wǎng)絡(luò)中，網(wǎng)絡(luò)權(quán)值和誤差的關(guān)系就更為復(fù)雜.為了計(jì)算導(dǎo)數(shù)，需要使用微積分的鏈?zhǔn)椒▌t。采用BP算法的多層前饋網(wǎng)絡(luò)是至今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，在多層前饋網(wǎng)的應(yīng)用中，以圖5所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍【16】。一般習(xí)慣將單隱層前饋網(wǎng)稱為三層前饋網(wǎng)，所謂三層包括了輸入層、隱層和輸出層。圖3圖3三層BP網(wǎng)絡(luò)模型通常，圖像的數(shù)字編碼,其實(shí)質(zhì)是在一定質(zhì)量（信噪比要求或主觀評(píng)價(jià)得分）條件下，以最少比特?cái)?shù)來表示（傳輸）一幅圖像.為了比較各種壓縮編碼效率，需定義表示其壓縮效率的壓縮比，通用的壓縮比可定義為:壓縮比用于表示原始數(shù)據(jù)量與壓縮后存儲(chǔ)數(shù)據(jù)量之間的比值關(guān)系，衡量數(shù)據(jù)壓縮的程度.壓縮比越大丟棄的信息越多，重構(gòu)圖像質(zhì)量越差。壓縮比主要是用來評(píng)價(jià)圖像的壓縮性能，而另外還有一些評(píng)價(jià)重建圖像的質(zhì)量的性能參數(shù)，如峰值信噪比（PSNR），造成解壓后重構(gòu)圖像失真的就是壓縮過程中丟棄的那部分信息，這部分信息可以通過原始圖像與重構(gòu)圖像之間的函數(shù)關(guān)系來表示，PSNR能反映出這兩者間的關(guān)系。峰值信噪比定義為：PSNR的打死（QV/MSE）（必）本文的程序在附錄里有詳細(xì)說明，下面圖6展示了利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像壓縮的效果：學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6圖表錯(cuò)誤!未定義書簽。圖像壓縮結(jié)果學(xué)生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實(shí)現(xiàn)學(xué)號(hào)2015510298授課教師李國(guó)勇專業(yè)控制科學(xué)與工程考試時(shí)間2016.6總結(jié)本次壓縮的峰值信噪比PSNR：33。8075,壓縮比：2。3136,壓縮效果明顯，重構(gòu)圖像效果較好。但是它也有很多不完美的地方：己經(jīng)學(xué)習(xí)好的網(wǎng)絡(luò)的泛化問題，即能否逼近規(guī)律、能否正確處理大量沒有學(xué)習(xí)的樣本、是否有預(yù)測(cè)能力；基于BP算法的網(wǎng)絡(luò)的誤差面有三個(gè)特點(diǎn)：有很多局部最小的解；存在一些平坦區(qū)，在此區(qū)內(nèi)誤差改變很??；存在不少的局部最小點(diǎn)，在某些初值的條件下算法容易陷入局部最小點(diǎn)。由于第二和第三個(gè)缺點(diǎn)，造成網(wǎng)絡(luò)完全不能訓(xùn)練；初始的隨機(jī)加權(quán)的大小，對(duì)局部最小的影響很大；訓(xùn)練步長(zhǎng)的大小，直接影響訓(xùn)練時(shí)間的長(zhǎng)短，其選擇沒有理論指導(dǎo)。學(xué)習(xí)算法的收斂速度緩慢，且容易振蕩；網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)的個(gè)數(shù)的選取尚缺少統(tǒng)一而完整的理論指導(dǎo).針對(duì)這些問題，將在以后的研究中進(jìn)行改進(jìn)。學(xué)生姓名裴曉鵬 學(xué)號(hào)2015510298專業(yè)控制科學(xué)與工程課程名稱：智能控制及其MATLAR實(shí)現(xiàn) 授課教師李國(guó)勇 考試時(shí)間2016.6參考文獻(xiàn)張旭峰.基于壓縮感知的圖像壓縮研究[D].西北大學(xué)，2015徐大衛(wèi)?；谧值鋵W(xué)習(xí)的高光譜圖像壓縮算法研究[，.中國(guó)科學(xué)技術(shù)大學(xué),2015王丹楓。基于在線字典學(xué)習(xí)的高光譜圖像壓縮技術(shù)研究[D]。哈爾濱工業(yè)大學(xué),2015吳運(yùn)澤。基于小波變換的多級(jí)樹集合分裂圖像壓縮算法研究[D].沈陽工業(yè)大學(xué)，2015劉志翔.基于BP神經(jīng)網(wǎng)絡(luò)的汽車保險(xiǎn)需求預(yù)測(cè)研究[D]。暨南大學(xué),2015董程?；诟倪M(jìn)神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法的研究及仿真】D].哈爾濱理工大學(xué),2015羅毅.基于BP神經(jīng)網(wǎng)絡(luò)與智能算法的股價(jià)預(yù)測(cè)方法研究[D]。深圳大學(xué),2015XiaoHongHan;XiaoyanXiong;FuDuan。AnewmethodforimagesegmentationbasedonBPneuralnetworkandgravitationalsearchalgorithmenhancedbycatchaoticmapping[J].AppliedIntelligence,2015,No。4XuewuJi；JianWang;YouqunZhao；YahuiLiu；LiguoZang;BoLi。PathplanningandtrackingforvehicleparallelparkingbasedonpreviewBPneuralnetworkPIDcontroller[J].TransactionsofTianjinUniversity,2015,No。3XimingYou;XuewuCao。StudyofLiquidLithiumCoolantInteractionBasedonBPNeuralNetworkOptimizedbyGeneticAlgorithm[J].JournalofFusionEnergy,2015，No.4WeikuanJia；DeanZhao;TianShen；ShifeiDing；YuyanZhao;ChanliHu.AnoptimizedclassificationalgorithmbyBPneuralnetworkbasedonPLSandHCA[J].AppliedIntelligence,2015，No。1[12]Juncheng,Tao.AdaptivecombinationforecastingmodelforChina’slogisticsfreightvolumebasedonanimprovedPSO-BPneuralnetwork[J].Kybernetes:The學(xué)生姓名 裴曉鵬 學(xué)號(hào)2015510298專業(yè)控制科學(xué)與工程課程名稱：智能控制及其MATLAR實(shí)現(xiàn) 授課教師李國(guó)勇 考試時(shí)間2016.6InternationalJournalofSystems&Cybernetics,2015,No。4［13］Woodworth,JosephThomas.NumericalOptimizationMethodsforImageProcessingandMachineLearning［D］。UCLA,2016［14］ 叢爽編著。面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用］M］。2009［15］ 賀興華等編著.MATLAB7。x圖像處理［M］。2006［16］ 周潤(rùn)景，張麗娜著.基于MATLAB的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)】M］.2010學(xué)生姓名裴曉鵬 學(xué)號(hào)2015510298專業(yè)控制科學(xué)與工程課程名稱：智能控制及其MATLAR實(shí)現(xiàn) 授課教師李國(guó)勇 考試時(shí)間2016.6附錄1程序代碼bp_imageCompress。m%bp_imageCompress.m%基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮%%清理clcclearall%%壓縮率控制K=4；N=10；row=256;col=256；%%數(shù)據(jù)輸入%I=imread(’lena.bmp’)i=imread(’tyut2。jpg’);I=rgb2gray(i);%I灰度圖像%統(tǒng)一將形狀轉(zhuǎn)為row*colI=imresize(I,[row,col])；%%圖像塊劃分，形成KA2^N矩陣P=block_divide(I,K)；%%歸一化P=double(P)/255；%%建立BP神經(jīng)網(wǎng)絡(luò)net=feedforwardnet(N,’trainlm’)；T=P;net。trainParam.goal=0。001;net.trainParam。epochs=1000;ticnet=train(net,P,T)；學(xué)生姓名裴曉鵬 學(xué)號(hào)2015510298專業(yè)控制科學(xué)與工程課程名稱：智能控制及其MATLAR實(shí)現(xiàn) 授課教師李國(guó)勇 考試時(shí)間2016.6toc%%保存結(jié)果com.lw=net.lw{2};com。b=net.b{2};[?,len]=size(P)；%訓(xùn)練樣本的個(gè)數(shù)com。d=zeros(N,len);fori=1:lencom.d(:，i)=tansig(net。iw{1}*P(:，i)+net。b{1})；endminlw=min(com。lw(:));maxlw=max(com.lw(:))；com。lw=(com。lw—minlw)/(maxlw—minlw)；minb=min(com.b(：));maxb=max(com.b(:));com。b=(com。b-minb)/(maxb-minb)；maxd=max(com。d(:))；mind=min(com.d(:));com。d=(com。d-mind)/(maxd-mind);com.lw=uint8(com.lw大63);com.b=uint8(com.b*63)；com.d=uint8(com。d^63)；savecompcomminlwmaxlwminbmaxbmaxdmindbp_imageRecon.m%bp_imageRecon。m%%清理clear,clccloseall%%載入數(shù)據(jù)學(xué)生姓名 裴曉鵬 學(xué)號(hào)2015510298專業(yè)控制科學(xué)與工程課程名稱：智能控制及其MATLAR實(shí)現(xiàn) 授課教師李國(guó)勇 考試時(shí)間2016.6col=256;row=256；%I=imread(’lena.bmp’)；i=imread('tyut2。jpg')；I=rgb2gray(i)；%I灰度圖像I=imresize(I,[row,col])；loadcompcom.lw=double(com。lw)/63；com。b=double(com。b)/63;com。d=double(com.d)/63；com.lw=com.lw