王宁[1]（2013）在《基于小波变换的矢量量化图像编码系统的研究》文中指出数字图像信息的高效压缩不但可以促进数字图像的广泛应用，同时对互联网传输领域和互联网存储介质领域都有巨大的推动作用。因此，对于多媒体技术、网络技术、计算机软硬件技术，数字图像的有效的、高质量的压缩有着非常重要的意义。矢量量化技术与小波分解技术相结合，展现了一个新的图像压缩领域应用领域。MATLAB软件作为先进的软件开发平台，尤其是其GUI工具为软件设计友好界面提供了一个便捷的平台，本文将矢量量化技术、小波分解技术以MATLAB的GUI工具三者有机的结合到一起，设计出矢量量化小波图片的编解码系统，该系统具有操作方便、性能优良、以及友好的操作界面。本文首先详细的介绍了矢量量化小波图像编解码器的设计方案，给出每个模块的原理设计与功能实现，其中包括：整幅图片的9/7小波变换、基于LLL子带的归一化DPCM预测、高通子带的D n格量化、D n格码本设计、D n码字搜索、低频子带的霍夫曼编码、高通子带的编码方法，最后给出了本文的解码框架，以实现编解码系统的完整性。矢量量化小波图像编解码系统首先读入整幅图像，显示在编解码系统的可视化界面中，根据选择的小波变换方式和各子带的量化因子对图像进行压缩。经过三层小波变换后的10个小波子带分别采用不同的量化和编码方法。对于LLL子带采用DPCM预测差值，然后对差值进行霍夫曼编码，而对于高频子带采用D n格矢量量化方法结合定长编码和霍夫曼编码的方式对其进行压缩，最后编码器输出二进制码流文件。通过解码模块读取编码的二进制文件，最后进行峰值信噪比（PSNR）和码率（bpp）的计算，该编解码系统还提供图像旋转功能和日期、时间功能。实验结果显示，本文所述的矢量量化小波图像编解码系统在图像压缩方面的性能相对于传统的图像压缩算法的性能有了较大的提高，并且本文设计的系统具有友好操作界面，便于用户操作。系统已经实现了矢量量化小波图像编解码的全部模块，并且运用MATLAB的GUI工具实现了系统的友好界面设计，本文给出的整个编解码系统在性能上优于传统的标量量化编解码系统，在图像重构质量不降低的条件下，明显降低了图像的码率。
吴立彬[2]（2012）在《矢量量化技术及其在超光谱图像中的应用研究》文中研究表明矢量量化技术作为一种高效的数据压缩方法，由于它具有高压缩比、解码简单和失真较小的优点,被广泛的应用于模式识别,数字水印以及图像数据压缩等领域中。矢量量化的基本原理是在码书中搜索与输入矢量最匹配的码字，将对应的码字索引代替输入矢量进行传输和存储，而解码时只需要简单的查表操作。本文以矢量量化技术在图像处理中的应用作为研究目标，详细阐述了矢量量化的基本原理、相关概念及研究现状，着重探讨了矢量量化的两大关键技术——码书设计和码字快速搜索。在此基础上总结分析了现有典型的算法，并提出改进算法。1码书设计方面，在分析传统LBG算法的基础上，针对LBG算法自适应能力不强，对初始码书敏感以及运算复杂度高的缺点，本文提出一种改进算法：当训练矢量找到匹配码字后，实时调整胞腔的质心，提高算法的收敛速度。此外，在码书设计中引入快速搜索算法，快速排除大量的不匹配码字。仿真结果表明，改进算法明显的减少了计算量，而且提高了码书的性能。2码字快速搜索方面，在分析和研究几种基于最近邻域码字快速搜索算法的基础上，利用哈达玛变换运算简单以及子矢量能够降低搜索范围的特点提出了两种改进算法。通过基于子矢量特征值的排除不等式和哈达玛变换的有效结合，实现了更高效的码字排查效率。3针对超光谱图像数据量大，谱间相关性和空间相关性强的特点，将具有聚类特性的矢量量化技术应用到超光谱图像的压缩中，相比利用基本的LBG算法编码图像，改进算法将超光谱图像的所有波段数作为矢量的维数，对图像进行整体处理，同时在变换域中利用快速搜索算法降低计算复杂度，仿真结果表明，改进算法在保证压缩比的同时，在图像质量以及运算复杂度方面都得到了明显的提升。
阮洋[3]（2012）在《基于矢量量化的零树小波图像压缩方法》文中指出针对矢量量化方法往往存在的分块效应和EZW算法在高压缩比情况恢复的图像质量较差的问题，是否能加入某种模块而将矢量量化、EZW联系起来，寻找出一种低比特率高信噪比的压缩算法值得研究。本文首先基于SOFM-C算法引入辅助神经元（Auxiliary neurons）的概念提出了带有良心的辅助神经元自组织映射（ASOFM-C）算法，不仅拥有在码字利用更为均衡的优点，同时保持了该神经元的特性。然后针对ASOFM-C与SOFM神经网络失真测度定义的不同，提出适用于ASOFM-C的快速搜索获胜神经元的加速定理。最后本文提出一种基于矢量量化的嵌入式零树小波方法，基本原理是引入差值图像思想，差值图像经过小波分解以后会存在大量为0的小波系数，再利用EZW编码帮助提高重建图像质量。实验表明，相对于EZW和JPEG2000算法，本文算法的压缩比和编码质量均有显着提高。
周瑞雪[4]（2008）在《小波变换与矢量量化在图像压缩中的应用研究》文中指出在图像压缩技术中,小波变换是一种非常有效的数学工具。传统小波变换在分析非连续信号时,在跳变点两侧会产生大的小波系数,对非平滑图像处理效果较差。自适应小波变换有效地解决了这个问题,但目前的自适应小波变换均需要构造出一组小波,从这组小波中根据图像特点选取一个进行变换。就目前而言这些小波的压缩性能都不及JPEG2000中推荐使用的DB9/7小波,单独构造小波将导致算法与国际标准不能兼容。基于此,本文在DB9/7小波算法的基础上,给出了一种改进的自适应DB9/7小波算法。矢量量化作为一种高效的压缩技术,其突出的优点是压缩比大且编解码算法简单,在图像压缩领域中有着良好的应用前景。小波变换矢量量化图像压缩算法是近年来图像压缩领域中颇为流行的一种新型压缩算法。本文主要研究小波变换和矢量量化在图像压缩中的应用,并给出一种结合自适应小波变换和矢量量化算法的图像压缩技术。本文主要研究内容有:1.给出了一种改进的自适应DB9/7小波算法。由于该算法是在DB9/7小波变换的基础上构造的,能够与新一代静止图像压缩标准JPEG2000相兼容,将图像分为平滑图像和非平滑图像两类分别进行实验,从重构图像和峰值信噪比方面给出了该算法与改进前算法的对比。实验结果表明该算法能够有效地提高图像压缩性能,特别是对于非平滑图像,能够取得更好的压缩效果。2.研究了LBG、PSO、LVQ和PNN四种矢量量化算法。通过仿真实验,从失真和算法复杂度等方面对比分析了这几种算法的码书设计性能。将小波变换与这几种矢量量化算法结合,从重构图像和峰值信噪比（PSNR）等方面对比分析了这几种算法与小波变换结合后的图像压缩性能。3.将改进的自适应小波变换与矢量量化相结合,给出一种前端具有改进的自适应DB9/7小波变换,后端具有低失真、低复杂度的矢量量化算法的图像压缩技术。通过实验,对比该算法与传统DB9/7小波矢量量化算法的性能。结果表明该算法能有效地结合自适应小波变换和矢量量化的优势,在高压缩比下仍可以有效地恢复图像,取得了较好的压缩效果。
曾尚春[5]（2007）在《SAR数据压缩算法研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,简称SAR）是一种有源微波成像传感器,它采用脉冲压缩技术获得距离向的高分辨率;采用合成孔径技术获得方位向的高分辨率。合成孔径雷达具有常规雷达无可比拟的高分辨能力,是现代雷达系统的重要发展方向之一。同时,波长较长的微波具有穿透植被和地表层的能力,是其他遥感设备,例如可见光和红外线等所无法比拟的。合成孔径雷达广泛应用于地形测绘、洪涝灾害监测、海洋污染监测、矿产森林资源和农作物普查、军事侦察等国民经济和国防领域。合成孔径雷达原始数据量很大,给信号的传输和存储带来很大困难,为解决这一矛盾,必须采用数据压缩技术。本文从算法性能和计算复杂度之间的折衷出发,对SAR原始数据压缩算法进行了较全面而又有重点的研究。在这一领域的一些常用算法基础上,研究了一些改进算法,并提出了一些新算法。文中给出了这些算法的SAR实测原始数据实验结果,并分析了各种算法的性能和计算复杂度。第一章阐述了合成孔径雷达原始数据压缩的作用和意义,介绍了这一领域的发展历程。分析了SAR原始数据统计特性,给出了常用的性能评价参数。研究了实测SAR原始数据的熵、概率分布以及方差的变化规律。分析表明去冗余压缩不适合于SAR原始数据,只能采用有损压缩的方法。本章最后给出了本论文的主要研究内容。第二章研究了SAR原始数据压缩的标量量化和矢量量化算法。分析了最佳标量量化器设计方法,给出了初始码本生成算法和三种码本设计算法。在块自适应量化（BAQ）算法的基础上,提出了一种改进的BAQ算法,在计算量相当的条件下提高了性能。根据SAR原始数据的幅度和相位特性,研究了幅度网格编码量化-相位均匀量化（ATCQ-PUQ）算法,该算法对幅度采用网格编码量化（TCQ）,对相位采用均匀量化（UQ）,该算法性能优于改进BAQ算法。针对三种不同原理设计的码本,分析了块自适应矢量量化（BAVQ）算法,矢量量化大大提高了编码性能。本章最后针对一些特殊数据块跟高斯分布偏离较大这一情况,提出了一种混合量化算法:块自适应标量-矢量量化（BASVQ）算法,该算法当数据块满足高斯分布时,采用标量量化;当数据块不满足高斯分布时,采用矢量量化。矢量量化时为减小计算量,采用了二叉树搜索算法,在计算量增加不多的情况下提高了性能。第三章研究了SAR原始数据压缩的变换编码算法。在分析了快速傅立叶变换-块自适应量化（FFT-BAQ）算法的基础上,提出一种改进的FFT-BAQ算法,使频域比特分配策略更加合理,在计算量相同的条件下提高了性能。研究了离散余弦变换-最佳熵约束块自适应量化（DCT-OECBAQ）算法,最佳熵约束算法能设计任意码率的标量码本,该算法性能优于改进BAQ算法。提出了小波变换-矢量量化（WT-VQ）算法,在分析了二级小波变换后的系数特性基础上,提出了二级小波变换后对平滑子带作无失真编码、对一级及二级细节子带作不同码率的矢量量化的编码策略,该算法性能优于DCT-OECBAQ,但计算量较大。第四章研究了距离聚焦后的SAR数据压缩算法。本章突破了常规SAR原始数据压缩的限制,采用先对SAR原始数据进行距离聚焦处理,以增加方位向的相关性,从而使SAR数据变得易于压缩。本章先分析了距离聚焦后SAR数据的统计特性,在此基础上提出一种距离聚焦-线性预测-块自适应量化（RF-LP-BAQ）算法,该算法先对SAR原始数据作距离聚焦处理,再沿方位作线性预测,最后对预测残差作块自适应量化。接下来提出了一种距离聚焦-沃尔什-哈达玛变换-块自适应量化（RF-WHT-BAQ）算法,该算法先对SAR原始数据作距离聚焦处理,再作二维可分离WHT变换,在变换域采用块自适应量化,量化器采用的是Lloyd-Max量化器。本章最后研究了距离聚焦-可变速率块自适应矢量量化（RF-VRBAVQ）算法,该算法充分利用了距离聚焦后的SAR数据方位向较强相关性这一特点,采用沿方位向的狭长分块,并沿方位向取量化矢量,运用合理的比特分配策略,采用多个码本作变速率矢量量化。RF-LP-BAQ算法和RF-WHT-BAQ算法性能都低于RF-VRBAVQ算法,但计算量大大减小。第五章结束语给出了本文算法得出的一些结论以及有待进一步研究和探讨的问题。
李国刚[6]（2005）在《基于小波变换和误差竞争学习的矢量量化方法研究》文中进行了进一步梳理图像压缩作为通信及多媒体领域中的一项关键技术,对于信息技术的发展具有很强的现实意义。图像是人们生活中信息交流的最为重要的载体,也是蕴涵信息量最大的媒体。数字图像的数据量非常庞大,必须经过有效的压缩,才能满足数字图像的高速传输和存储。 近年来,随着多媒体技术和网络技术的飞速发展,已有一些压缩方法进入了使用阶段,国际上出现了一些数据压缩标准。这些压缩标准为数据压缩的广泛应用奠定了基础。这些年来关于小波变换图像压缩算法的研究和应用都十分活跃,各种迹象表明,小波变换方法优于其他的变换方法,在静态和动态图像压缩领域得到广泛的应用,并且已经成为某些图像压缩国际标准（如JPEG2000、MPEG—4）的重要环节。然而,采用何种策略对小波变换后的数据进行处理仍是图像压缩领域的一个研究热点。 在理论上上矢量量化的性能总是优于标量量化。但是矢量量化所需要的计算量较大,阻碍矢量量化推广的因素之一就是这种方法运算速度太慢。而人工神经网络是一种并行分布式系统,具有运算速度快的优点,能有效解决矢量量化这类高维数运算带来的大计算量问题。因此我们采用神经网络和矢量量化相结合的方法,来对矢量量化进行改良,从而实现快速矢量量化,并用快速矢量量化来对小波变换图像进行压缩。为此本文提出了基于小波变换和误差竞争学习的矢量量化（VQWDCL）。 VQWDCL是一种对小波图像数据用竞争网络进行矢量量化的压缩方法,它首先对数字图像进行3层小波分解,然后对小波变换后图像数据根据其各级子带
李国刚,姜威[7]（2004）在《基于小波变换和误差竞争学习的矢量量化》文中认为用神经网络实现图像矢量量化是一种非常有效的方法 ,而小波变换又是近年来迅速发展起来的新算法。文中提出一种改进的误差竞争学习算法 ,分析了图像在小波变换后数据的特点 ,提出了新的矢量构造方法 ,从而最终得到了基于小波变换和误差竞争学习的矢量量化图像压缩新算法 （以下简称VQWDCL） ,无论是在主客观效果上 ,还是在计算复杂度上 ,其性能都优于传统的基于小波变换和LBG算法的矢量量化。
陈善学,朱维乐[8]（2004）在《等误差竞争学习算法在矢量量化中的应用》文中指出提出了一种使各区域子误差相等的矢量量化算法,算法利用小波变换后各子带间的相关性,合理构造矢量。采用最优矢量量化器设计原则,通过调整学习过程中各子区域的误差,使之趋于相等,改善总的期望误差,获得更接近全局最优的码书。实验表明,这种算法获得的码本优于其它几种算法。
陈善学[9]（2004）在《矢量量化的等误差竞争学习算法》文中进行了进一步梳理提出了一种使各区域子误差相等的矢量量化算法,该算法利用小波变换后各子带间的相关性,合理构造矢量,采用最优矢量量化器设计原则,通过调整学习过程中各子区域的误差,使之趋于相等,改善总的期望误差,获得更接近全局最优的码书。实验表明,这种算法获得的码本优于其它几种算法。
陈善学[10]（2003）在《等误差竞争学习算法在矢量量化中的应用》文中研究指明本文提出了一种使各区域子误差相等的矢量量化算法,算法利用小波变换后各子带间的相关性,合理构造矢量。采用最优矢量量化器设计原则,通过调整学习过程中各子区域的误差,使之趋于相等,改善总的期望误差,获得更接近全局最优的码书。实验表明,这种算法获得的码本优于其它几种算法。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 小波变换图像压缩算法研究现状 |
| 1.3 矢量量化技术的发展和研究现状 |
| 1.3.1 矢量量化器发展研究现状 |
| 1.3.2 矢量量化码本设计算法的发展研究现状 |
| 1.3.3 矢量量化码字搜索算法的研究现状 |
| 1.4 本文研究内容与结构 |
| 1.5 本章小结 |
| 第二章 小波变换矢量量化理论 |
| 2.1 小波变换基本理论 |
| 2.1.1 离散小波变换 |
| 2.1.2 多分辨分析 |
| 2.1.3 Mallat 算法 |
| 2.1.4 小波图像特点 |
| 2.2 矢量量化的基本理论 |
| 2.2.1 矢量量化基本原理 |
| 2.2.2 矢量量化性能度量 |
| 2.3 图像质量的客观评价 |
| 2.4 本章小结 |
| 第三章 矢量量化小波图像编解码系统 |
| 3.1 矢量量化小波编解码系统分析与总体设计 |
| 3.1.1 编解码系统的需求分析 |
| 3.1.2 矢量量化小波编解码系统的设计原则 |
| 3.1.3 系统的总体设计 |
| 3.2 系统的详细设计 |
| 3.2.1 图像小波变换模块详细设计 |
| 3.2.2 低频子带归一化 DPCM 预测模块设计 |
| 3.2.3 高频小波子带 Dn 格量化模块设计 |
| 3.2.4 小波系数编码模块设计 |
| 3.2.5 低频子带霍夫曼编码模块设计 |
| 3.2.6 高频数据的矢量量化编码模块设计 |
| 3.2.7 解码模块设计 |
| 3.3 本章小结 |
| 第四章 编解码系统的实现与 GUI 设计 |
| 4.1 图形用户界面设计工具 MATLAB/GUI |
| 4.1.1 MATLAB 发展现状 |
| 4.1.2 MATLAB 的特点 |
| 4.1.3 MATLAB 的主要组成部分 |
| 4.1.4 MATLAB 的图像处理功能 |
| 4.1.5 MATLAB/GUI 简介 |
| 4.1.6 GUI 设计原则 |
| 4.1.7 GUI 设计流程 |
| 4.2 MATLAB 用户界面 |
| 4.2.1 图形句柄对象 |
| 4.2.2 界面构成和设计工具 |
| 4.3 矢量量化系统的界面实现 |
| 4.3.1 窗口界面的实现 |
| 4.3.2 文件模块实现 |
| 4.3.3 编码模块 |
| 4.3.4 解码模块 |
| 4.3.5 其它功能编辑模块 |
| 4.4 解码图像 PSNR 分析 |
| 4.5 编解码系统的测试 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 摘要 |
| Abstract |
| 目录 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究现状 |
| 1.2.1 矢量量化码书设计算法的研究现状 |
| 1.2.2 矢量量化快速码字搜索算法研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 第二章 矢量量化相关理论 |
| 2.1 矢量量化的理论基础 |
| 2.2 矢量量化的定义 |
| 2.3 矢量量化性能评价 |
| 2.3.1 编码速率和比特率 |
| 2.3.2 失真测度 |
| 2.3.3 矢量量化性能衡量指标 |
| 2.3.4 复杂度 |
| 2.4 本章小结 |
| 第三章 矢量量化码书设计算法 |
| 3.1 矢量量化码书设计最优条件 |
| 3.2 LBG 经典码书设计算法 |
| 3.3 竞争学习算法(CL) |
| 3.4 改进的码书设计算法 |
| 3.4.1 矢量的构造 |
| 3.4.2 初始码书生成 |
| 3.4.3 快速排除码字 |
| 3.4.4 算法步骤 |
| 3.5 仿真实验 |
| 3.5.1 收敛性比较 |
| 3.5.2 计算复杂度比较 |
| 3.5.3 编码质量比较 |
| 3.6 本章小结 |
| 第四章 矢量量化码字快速搜索算法 |
| 4.1 快速码字搜索算法的基本条件 |
| 4.2 现有的码字快速搜索算法 |
| 4.2.1 部分失真搜索算法(PDS) |
| 4.2.2 基于哈达玛变换的快速码字搜索算法(HTS) |
| 4.2.3 等均值最近邻域搜索算法(ENNS) |
| 4.2.4 等均值等方差最近邻域搜索算法(EENNS) |
| 4.2.5 基于范数不等式的最近邻域搜索算法(EEENNS) |
| 4.2.6 基于子矢量的特征值快速搜索算法 |
| 4.3 改进的结合哈达玛变换与子矢量和值的码字快速搜索算法 |
| 4.3.1 码字排除准则 |
| 4.3.2 算法步骤 |
| 4.3.3 仿真实验 |
| 4.4 改进的基于哈达玛变换与子矢量特征值的码字快速搜索算法 |
| 4.4.1 码字排除准则 |
| 4.4.2 算法步骤 |
| 4.4.3 仿真实验 |
| 4.5 本章小结 |
| 第五章 矢量量化技术在超光谱图像压缩中的应用 |
| 5.1 超光谱图像信号特征 |
| 5.1.1 空间相关性 |
| 5.1.2 谱间相关性 |
| 5.2 超光谱图像的压缩方法 |
| 5.2.1 基于预测的压缩方法 |
| 5.2.2 基于变换的压缩方法 |
| 5.2.3 基于矢量量化的压缩方法 |
| 5.3 改进的基于矢量量化的超光谱图像压缩算法 |
| 5.3.1 初始化阶段 |
| 5.3.2 训练阶段 |
| 5.3.3 算法步骤 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 结论 |
| 6.1 工作总结 |
| 6.2 发展展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间从事的科研工作及取得的研究成果 |
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文选题背景及主要内容 |
| 1.1.1 本文选题背景 |
| 1.1.2 主要内容 |
| 1.2 图像压缩背景知识 |
| 1.2.1 图像压缩分类 |
| 1.2.2 图像编解码模型 |
| 1.2.3 图像的编码质量评价 |
| 1.3 本文结构 |
| 2 矢量量化概述 |
| 2.1 矢量量化的定义及理论基础 |
| 2.2 矢量量化器的定义 |
| 2.3 矢量量化的相关概念 |
| 2.4 矢量量化的关键技术 |
| 2.5 人工神经网络用于图像压缩 |
| 2.6 本章小结 |
| 3 嵌入式零树小波图像编码介绍 |
| 3.1 小波变换基础 |
| 3.2 嵌入式零树小波图像编码 |
| 3.3 EZW 算法 |
| 3.4 JPEG2000 图像压缩标准 |
| 3.5 本章小结 |
| 4 基于矢量量化的零树小波图像压缩方法 |
| 4.1 Kohonen SOFM 神经网络 |
| 4.1.1 Kohonen SOFM 神经网络结构 |
| 4.1.2 算法描述 |
| 4.1.3 算法分析 |
| 4.2 Kohonen SOFM-C 神经网络及 FSOFM 神经网络 |
| 4.2.1 SOFM-C 神经网络 |
| 4.2.2 FSOFM 神经网络 |
| 4.3 ASOFM-C 神经网络 |
| 4.4 快速搜索算法 |
| 4.5 ASOFM-C 神经网络仿真实验 |
| 4.5.1 参数选取对实验影响的说明 |
| 4.5.2 ASOFM-C 性能仿真实验 |
| 4.5.3 应用于 ASOFM-C 的快速搜索算法仿真实验 |
| 4.6 基于矢量量化的零树小波图像压缩方法 |
| 4.6.1 原理 |
| 4.6.2 仿真实验 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 附录 部分代码段 |
| 作者简历 |
| 学位论文数据集 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 数字图像压缩简介 |
| 1.2 小波变换图像压缩算法研究现状 |
| 1.3 矢量量化算法研究现状 |
| 1.4 论文的主要研究工作 |
| 1.5 论文的结构 |
| 2 小波变换及其在图像压缩中的应用 |
| 2.1 小波变换 |
| 2.1.1 小波变换定义 |
| 2.1.2 Mallat算法与滤波器组 |
| 2.1.3 提升算法的实现 |
| 2.1.4 Daubechies 9/7 小波滤波器的提升实现 |
| 2.2 基于小波变换的图像压缩 |
| 2.2.1 图像压缩中小波基的选择 |
| 2.2.2 边界延拓算法设计 |
| 2.2.3 图像小波变换后的系数分布特点 |
| 2.2.4 小波变换层数的选择 |
| 2.3 本章小结 |
| 3 基于提升方案的自适应小波算法研究 |
| 3.1 自适应小波变换算法 |
| 3.2 改进的自适应DB9/7 提升小波算法 |
| 3.2.1 判决函数D 的构造 |
| 3.2.2 改进的自适应DB9/7 提升格式的实现 |
| 3.3 仿真实验分析 |
| 3.3.1 数字图像压缩的评价指标 |
| 3.3.2 平滑图像自适应小波图像压缩仿真 |
| 3.3.3 非平滑图像自适应小波图像压缩仿真 |
| 3.3.4 结论 |
| 3.4 本章小结 |
| 4 小波变换矢量量化图像压缩算法及性能分析 |
| 4.1 矢量量化算法 |
| 4.1.1 矢量量化基本原理 |
| 4.1.2 矢量量化码书设计算法 |
| 4.2 基于小波变换与矢量量化的图像压缩算法 |
| 4.3 仿真实验分析 |
| 4.3.1 矢量量化的评价指标 |
| 4.3.2 矢量量化算法码书设计性能对比分析 |
| 4.3.3 小波矢量量化算法性能分析 |
| 4.3.4 自适应小波变换矢量量化算法性能分析 |
| 4.3.5 结论 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 发表的学术论文 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 合成孔径雷达原始数据压缩的作用和意义 |
| 1.2 合成孔径雷达原始数据压缩的发展现状 |
| 1.3 合成孔径雷达原始数据统计特性 |
| 1.4 合成孔径雷达原始数据压缩算法性能评价参数 |
| 1.5 论文的主要内容 |
| 第二章 SAR 原始数据压缩的标量量化和矢量量化算法 |
| 2.1 引言 |
| 2.2 量化 |
| 2.3 最佳标量量化 |
| 2.4 矢量量化 |
| 2.4.1 矢量量化基本原理 |
| 2.4.2 初始码书生成算法 |
| 2.4.2.1 随机编码 |
| 2.4.2.2 删除算法 |
| 2.4.2.3 成对最近邻算法 |
| 2.4.2.4 乘积码技术 |
| 2.4.2.5 方差分类算法 |
| 2.4.3 LBG 码书设计算法 |
| 2.4.4 竞争学习矢量量化码书设计算法 |
| 2.4.4.1 学习矢量量化码书设计算法 |
| 2.4.4.2 竞争学习矢量量化码书设计算法 |
| 2.4.5 模糊c -均值码书设计算法 |
| 2.5 块自适应量化算法及其改进 |
| 2.5.1 块自适应量化算法 |
| 2.5.2 改进的块自适应量化算法 |
| 2.6 幅度网格编码量化-相位均匀量化算法 |
| 2.6.1 幅度和相位分布特性 |
| 2.6.2 幅度网格编码量化 |
| 2.6.3 相位均匀量化 |
| 2.7 块自适应矢量量化算法 |
| 2.8 块自适应标量-矢量量化算法 |
| 2.8.1 引言 |
| 2.8.2 算法过程分析 |
| 2.8.3 码字长度和码本大小 |
| 2.9 实验结果及算法性能分析 |
| 2.10 算法复杂度分析 |
| 第三章 SAR 原始数据压缩变换编码算法 |
| 3.1 引言 |
| 3.2 正交变换的能量集中特性 |
| 3.3 快速傅立叶变换-块自适应量化算法及其改进 |
| 3.3.1 快速傅立叶变换-块自适应量化算法 |
| 3.3.1.1 二维分离FFT |
| 3.3.1.2 比特分配 |
| 3.3.1.3 频域块自适应量化 |
| 3.3.2 改进的快速傅立叶变换-块自适应量化算法 |
| 3.4 离散余弦变换-最佳熵约束块自适应量化算法 |
| 3.4.1 DCT 变换及其特性 |
| 3.4.2 比特分配 |
| 3.4.3 最佳熵约束标量量化 |
| 3.5 小波变换-矢量量化算法 |
| 3.5.1 小波变换 |
| 3.5.2 比特分配 |
| 3.5.3 小波域不同码率的矢量量化 |
| 3.5.4 小波变换-矢量量化算法流程分析 |
| 3.6 实验结果及算法性能分析 |
| 3.7 算法复杂度分析 |
| 第四章 距离聚焦后的SAR 数据压缩算法 |
| 4.1 引言 |
| 4.2 预滤波 |
| 4.3 距离聚焦 |
| 4.4 距离聚焦后SAR 数据统计特性分析 |
| 4.4.1 距离聚焦后SAR 数据相关性 |
| 4.4.2 距离聚焦后SAR 数据概率分布特性 |
| 4.5 距离聚焦-线性预测-块自适应量化算法 |
| 4.5.1 方位向最佳线性预测 |
| 4.5.2 预测残差系列块自适应量化 |
| 4.6 距离聚焦-沃尔什-哈达玛变换-块自适应量化算法 |
| 4.6.1 沃尔什-哈达玛变换及其特性 |
| 4.6.2 比特分配 |
| 4.6.3 RF-WHT-BAQ 算法流程分析 |
| 4.7 距离聚焦-可变速率块自适应矢量量化算法 |
| 4.8 实验结果及算法性能分析 |
| 4.9 算法复杂度分析 |
| 第五章 结束语 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
| 中文摘要 |
| ABSTRACT |
| 前言 |
| 第一章 图像压缩的原理和发展 |
| 1.1 图象压缩原理 |
| 1.1.1 编码冗余 |
| 1.1.2 像素间冗余 |
| 1.1.3 心理视觉冗余 |
| 1.2 图像数据压缩编码的研究发展综述 |
| 1.3 图像压缩技术的分类 |
| 1.3.1 空间域编码 |
| 1.3.2 变换域编码 |
| 1.3.3 其他编码方法 |
| 1.4 小波变换用于图像压缩 |
| 1.5 矢量量化压缩方法 |
| 第二章 矢量量化及其压缩特性 |
| 2.1 矢量量化的定义与矢量量化器的构造 |
| 2.1.1 矢量量化的定义 |
| 2.1.2 失真测度 |
| 2.1.3 矢量量化器 |
| 2.1.4 无记忆信源编码定理 |
| 2.2 矢量量化器的设计算法 |
| 2.2.1 LBG算法 |
| 2.3 矢量量化的压缩特性 |
| 第三章 小波分析 |
| 3.1 小波变换 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.2 小波变换用于图像压缩 |
| 3.3 小波分析用于图像压缩应考虑的几个问题 |
| 3.3.1 小波基的选取 |
| 3.3.2 小波变换的层数(级数) |
| 第四章 神经网络与矢量量化 |
| 4.1 人工神经网络概念的提出 |
| 4.2 人工神经网络发展概况 |
| 4.3 神经网络图像数据压缩的基本思想和方法 |
| 4.3.1 人工神经网络的非线性预测编码 |
| 4.3.2 神经网络的矢量量化图像数据压缩 |
| 第五章 VQWDCL方案分析和试验结果分析 |
| 5.1 现有压缩方案 |
| 5.1.1 零树编码 |
| 5.1.2 EZW |
| 5.1.3 SPIHT |
| 5.1.4 BZTC |
| 5.2 小波变换矢量量化 |
| 5.2.1 小波系数的特点和肉眼视觉特性在矢量量化中的作用 |
| 5.3 VQWDCL压缩方案的提出 |
| 5.4 VQWDCL方案的实现 |
| 5.4.1 小波分解 |
| 5.4.2 构建跨频带矢量 |
| 5.4.3 量化策略 |
| 5.4.4 改进的误差竞争学习算法 |
| 5.4.5 快速搜索算法 |
| 5.4.6 矢量量化编码 |
| 5.4.7 进一步提高压缩比的可能性 |
| 5.4.8 图像的重建 |
| 5.5 VQWDCL计算机模拟结果及分析 |
| 5.5.1 实验环境 |
| 5.5.2 实验流程 |
| 5.5.3 实验结果及分析 |
| 5.6 结论和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表论文 |
| 学位论文评阅及答辩情况表 |
| 1 引言 |
| 2 矢量量化 |
| 3 改进的误差竞争学习算法 |
| 3.1 初始化 |
| 3.2 训练 |
| 3.3 迭代终止 |
| 3.4 K-means处理 |
| 4 基于小波变换和误差竞争学习的矢量量化 |
| 5 实验结果 |
| 6 结论 |
| 0 引 言 |
| 1 矢量的构造 |
| 2 等误差竞争学习算法[7-9] |
| (1) 随机选取N个初始码本Yi (0) , 设定第i个区域在迭代次数t=0 |
| (2) 训练, 对于训练矢量X (t) ∈X, 按下列6个步骤训练: |
| 3 实验内容 |
| 4 结 论 |
