基于改进SOFM的矢量量化图像压缩

迷彩设计中基于SOFM的背景图像聚类方法
初苗;田少辉;喻钧;陈宏书;胡志毅
【期刊名称】《计算机应用与软件》
【年(卷),期】2009(026)010
【摘要】迷彩设计要求用简单的几种颜色模拟自然背景纹理,因此,通过分析背景的图像,利用图像分割技术提取背景信息从而进行迷彩图案的自动设计已是近年来伪装领域研究的热点课题.目前,最常用的图像分割方法是均值聚类法,而均值聚类法由于直接利用图像的灰度差信息,容易造成分割的细节不明显,从而导致模拟背景纹理失真.针对均值聚类法的不足,结合人工智能网络学习技术,提出基于SOFM的图像分割方法对背景进行聚类分割,较好地保留了图像的细节纹理,得到了较为理想的效果.
【总页数】4页(P218-221)
【作者】初苗;田少辉;喻钧;陈宏书;胡志毅
【作者单位】西安工业大学,陕西,西安,710032;总后勤部建筑工程研究所,陕西,西安,710032;西安工业大学,陕西,西安,710032;总后勤部建筑工程研究所,陕西,西安,710032;总后勤部建筑工程研究所,陕西,西安,710032
【正文语种】中文
【中图分类】TP3
【相关文献】
1.迷彩设计中背景图像聚类方法的比较分析 [J], 喻钧;初苗;田少辉;胡志毅
2.基于背景图像迷彩伪装颜色研究 [J], 苏荣华;陈玉华;高洪生;吴卫;王吉军;林伟
3.基于SOFM的人脸图像聚类方法比较 [J], 刘燕子;曾晓勤
4.一种改进的迷彩设计中背景图像分割方法 [J], 喻钧;王璨;胡志毅;田少辉
5.基于粗糙集理论和SOFM神经网络的聚类方法 [J], 刘慧;冯乃勤;南书坡;王伟因版权原因，仅展示原文概要，查看原文内容请购买。

LBG与SOFM应用于矢量量化的比较研究
王璐;胡海霞;王茂芝
【期刊名称】《四川理工学院学报（自然科学版）》
【年(卷),期】2010(023)004
【摘要】在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感.论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考.
【总页数】5页(P463-467)
【作者】王璐;胡海霞;王茂芝
【作者单位】成都理工大学信息管理学院,成都,610059;成都理工大学信息管理学院,成都,610059;数学地质四川省高校重点实验室,成都,610059
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.改进自适应LBG矢量量化算法在干涉高光谱图像压缩中的应用 [J], 温佳;马彩文;水鹏朗
2.自适应模糊聚类LBG矢量量化算法 [J], 孙燕
3.基于遗传LBG的图像矢量量化改进算法 [J], 陈倩
4.SOFM网络在矢量量化的应用 [J], 李静;富中华
5.一种改进的LBG矢量量化算法 [J], 顾俊凯;詹世富;王建雄
因版权原因，仅展示原文概要，查看原文内容请购买。

基于神经网络的多光谱遥感图像无损压缩
冯燕;何明一;魏江
【期刊名称】《遥感技术与应用》
【年(卷),期】2004(19)1
【摘要】分析并改进了利用自组织特征映射(SOFM)神经网络设计码书的方法,提出了一种基于改进SOFM算法设计码书的矢量量化和分类谱间预测相结合的多光谱图像无损压缩方法。

该方法对光谱信息进行矢量量化,根据分类信息生成残差图像以去除数据的空间相关性,构造分类谱间预测器去除数据的谱间结构和统计相关性。

对机载64波段多光谱遥感图像的试验结果表明,该方法无论是对训练集内图像还是训练集外图像,均取得了较好的压缩效果,平均无损压缩比达到3.2以上。

【总页数】5页(P42-46)
【关键词】多光谱遥感图像;无损压缩;SOFM神经网络;矢量量化;分类谱间预测【作者】冯燕;何明一;魏江
【作者单位】西北工业大学电子信息学院
【正文语种】中文
【中图分类】TP751
【相关文献】
1.基于改进预测树的超光谱遥感图像无损压缩方法 [J], 夏豪;张荣
2.基于搜索最优双预测波段的超光谱遥感图像无损压缩 [J], 霍承富;张荣
3.一种基于神经网络模型的遥感图像的快速无损压缩方法 [J], 张晓玲;毋立芳;沈兰
荪
4.基于误差补偿预测树的多光谱遥感图像无损压缩方法 [J], 吴铮;何明一;冯燕;贾应彪
5.基于自适应预测的高光谱遥感图像无损压缩算法 [J], 况军;罗建书;向露
因版权原因，仅展示原文概要，查看原文内容请购买。

基于自组织特征映射网络矢量量化图像压缩的研究与实现摘要：在介绍矢量化和自组织特征映射神经网络的基础上，针对基于自组织特征映射神经网络的矢量化算法，在初始码书生成、获胜神经元搜索以及学习速率调整等方面对图像压缩进行研究。

结果表明，采用矢量量化方法进行图像压缩，可以在获得较高压缩比的同时，得到较好的恢复图像质量。

关键词：自组织特征映射；矢量量化；码书；图像压缩1 自组织特征映射网络(SOFM)自组织特征映射网络（SOFM）是自组织网络中的一种，所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起。

SOFM能够根据输入信息找出规律及相应联系，并根据这些规律对网络做出相应的调节，使输出结果与之适应。

1.1 SOFM基本思想自组织特征映射(SOFM)最早是由芬兰赫尔辛基大学的Teuvo Kohonen于1981年提出的。

他认为神经元的有序排列可以反映出外界刺激的某些物理特性。

当神经网络接受外界输入模式时, 其会自动分成各个区域，这些区域对输入模式具有不同的响应特点。

各神经元权值具有一定的分布，对于那个获胜神经元g ,在其周围的Ng 区域内,神经元在不同程度上都得到兴奋,而在Ng以外的神经元都被抑制。

获胜神经元不但加强自身, 而且使邻近神经元也得到相应加强, 同时抑制较远的神经元。

这时与竞争层相应节点连接的权值向量就向输入模式的方向修正。

这样，通过不断地调整权值，使每一邻域的所有节点对某种输入具有类似的输出。

因此，SOFM网络的输出状况，不但能判断输入模式所属的类别并使输出节点代表某一模式，还能够得到整个数据区域的大体分布情况。

1.2 SOFM网络模型结构大多数生物的大脑皮层中,神经元的输入信号一部分来自同一区域的反馈信号,另一部分来自感觉组织或其他区域的外部输入信号。

每一神经元接收到的输入信号的加权起特征检测作用,而侧向反馈连接则根据其与神经元距离的不同产生激励或抑制作用。

基于自组织特征映射神经网络的矢量量化陆哲明;孙圣和【期刊名称】《中国图象图形学报》【年(卷),期】2000(005)010【摘要】近年来,许多学者已经成功地将Kohonen的自组织特征映射(SOFM)神经网络应用于矢量量化(VQ)图象压缩编码.相对于传统的LBG算法,基本的SOFM算法的两个主要缺点是计算量大和生成的码书性能较差,因此为了改善码书性能,对基本的SOFM算法的权值调整方法作了一些改进,同时为了降低计算量,又在决定获胜神经元的过程中,采用了快速搜索算法.在将改进的算法用于矢量量化码书设计后,并把生成的码书用于图象的压缩编码.测试结果表明,改进的算法使码书设计的计算量得到明显的降低,而且码书的性能得到了提高.相对于基本算法,码书设计的计算时间减少了约75%.在图象编码中,不论是训练集内的图象,还是训练集外的图象,相对于基本算法,编码质量均提高了0.80dB～0.90dB.【总页数】5页(P846-850)【作者】陆哲明;孙圣和【作者单位】哈尔滨工业大学自动化测试与控制系,哈尔滨,150001;哈尔滨工业大学自动化测试与控制系,哈尔滨,150001【正文语种】中文【中图分类】TN919.31【相关文献】1.基于自组织特征映射神经网络的矢量量化及其在图像压缩中的应用 [J], 马立新;王仁峰2.自组织特征映射神经网络的聚类特性在语音矢量量化快速... [J], 姚天任;王大有3.基于自组织特征映射神经网络的局部矢量量化算法 [J], 缪青;高大启4.语音自组织特征映射神经网络矢量量化算法 [J], 孙燕;姜占才;潘春花5.工程图矢量化中基于直线HOUGH变换的局部参数曲线矢量化方法 [J], 邹荣金;蔡士杰;张福炎因版权原因，仅展示原文概要，查看原文内容请购买。

SOFM网络在矢量量化的应用李静;富中华【期刊名称】《山西大同大学学报（自然科学版）》【年(卷),期】2015(000)004【摘要】Vector quantization as a highly efficient data compression technology has been widely used in voice and image com⁃pression coding and transmission. The key problem of VQ is codebook design, because codebook has direct impacts on voice and video encoding quality. There are two serious shortcomings about the classic method LBG algorithm. It is sensitive to the initial codebook and training time is long. To solve these two problems, the text mainly research SOFM algorithm property and point of these two aspects, the result confirms that the codebook designed by SOFM network suffers small impact from the initial code book, and it can self-organized proceed study discipline, and have very strong adaptability. So we can see it well improved LBG algorithm's shortcomings in these two aspects.%矢量量化作为一种高效的数据压缩技术，在语音和图像的编码、传输中都有广泛的应用，其关键在于码书设计。

使用进化策略的图像矢量量化
张高;余松煜;王进
【期刊名称】《上海交通大学学报》
【年(卷),期】2001(35)2
【摘要】在分析自组织特征映射 (SOFM)算法的基础上 ,把进化策略引入到矢量量化设计中 .在将SOFM算法作为基本聚类算法的前提下 ,基于等误差原则 ,利用最大最小原则改变各区域聚类点 ,使各子区域的误差趋于相等 .使用进化策略在子区域误差大的聚类点附近产生新的聚类点 ,从而调整各个区域的子误差 ,进一步改善总期望误差 .实验证明该方法可克服基本聚类算法落入局部最优的局限 .在对 Lena 图像进行量化的过程中 ,改善了码书矢量 ,提高了量化后图像的质量 .
【总页数】4页(P205-208)
【关键词】矢量量化;自组织特征映射;进化策略;神经网络;图像矢量
【作者】张高;余松煜;王进
【作者单位】上海交通大学图像通信与信息处理研究所
【正文语种】中文
【中图分类】TN919.81;TP183
【相关文献】
1.采用方向树结构矢量组合的小波图像分类矢量量化 [J], 郑勇;李德明;朱维乐
2.采用空间矢量组合的小波图像分类矢量量化 [J], 郑勇;胡小川;朱维乐
3.基于树结构矢量分类的小波图像网络编码矢量量化 [J], 郑勇;周正华;朱维乐
4.基于方向树结构矢量分类的小波图像网格编码矢量量化 [J], 郑勇;蒋文军;杨文考;朱维乐
5.基于空间组合矢量分类的小波图像网格编码矢量量化 [J], 郑勇;何宁;朱维乐
因版权原因，仅展示原文概要，查看原文内容请购买。

基于GSOFM的分形图像压缩方法郭建威辽宁工程技术大学（125105）E-mail：darkandwhite2002@摘要：本文针对分形图像压缩编码中编码时间长的特点，给出了一种结合神经网络和多尺度分析的分形编码方法。

通过多尺度的逐次逼近和KNN网络自组织分类，可以极大地缩减分形编码的时间。

这种新算法可通过高效的图像域分类算法来改善对图像扫描的速度，减少计算量，最终达到编码加速的目的。

此外，本文在自组织特征映射网络（SOFM）基础上结合灰关系分析，使用一种新型网络（GSOFM）,并作了计算机仿真实验。

实验仿真结果表明，本文提出的方法与普通的全搜索方法相比，可大大加速图像编码过程，而压缩率和图像质量仅有微小变化。

图像质量，压缩时间和压缩率这三个指标也优于fisher方法。

关键词：图像压缩，分形，神经网络，自组织特征映射网络1. 引言图像压缩技术已经研究了几十年，并取得了一些成绩，但还有许多的不足值得我们进一步探讨，压缩速度和质量依然是图像压缩中的主要问题和主要矛盾。

为了在不损失或尽可能少损失图像质量的前提下提高分形图像压缩的速度，本文在基于分形理论的图像压缩算法基础上，通过结合多尺度分析和神经网络的分形编码方法，以降低图像复杂度[1]-[3]，利用GSOFM[4]充分发挥分形压缩的高压缩比性能和神经网络的提高压缩速度的性能，将分形中遇到的某些近似相似的图像块归类，以少数有代表性的图像小块来代替与其相似的，减少分形中的总计算次数，从而减少分形压缩的时间。

在这个过程中，本文也使用了四叉树[5]和多尺度逼近[6]-[7]的方法，降低图像维数，进一步减少计算负担，大大提高分形方法的压缩速度。

在仿真实验中，我们用这种方法与全搜索方法及其Fisher方法[8]相比较，对比这三种方法的压缩图像时间，所得图像的质量和压缩比。

此方法在速度上应该比全搜索方法[5]有大的飞跃，比Fisher方法也各个方面也应有一定优势。