量量化网络(LVQ)的基本思想源于SOFM网络,区别在于LVQ是一种有监督的网络[18],[20],[21]。这两种神经网络都可用在矢量量化中的关键步骤——码书设计中,用于训练并生成码书。因此,研究基于人工神经网络的矢量量化图像压缩理论与方法在学术价值和实际应用方面都具有极其重要的意义。同时,这项十分新颖且处于探索阶段的技术,也给研究者带来了更大的挑战和更广阔的研究空间。1.2各种图像压缩方法介绍在开始进行图像压缩的工作之前,有必要先了解已有的图像压缩方法及其分类。图像压缩方法的研究已经经历了历代研究者的努力,有人称1948年~1988年主要研究的图像编码方法为经典方法,同时把有重要发展前景的图像编码方法称为现代方法[3]。根据解码后图像与原始图像的比较,图像压缩编码的方法一般可以分为两大类型:无损压缩和有损压缩[3],[5],[7],[23]。无损压缩是利用数据的统计特性来进行数据压缩的,典型的无损压缩方法有:行程编码(Run-Length)法、霍夫曼(Huffman)编码法、字典压缩方法[23]和算术编码方法等。有损压缩不能完全恢复数据,而是利用人的视觉特性使解压缩后的图像看起来和原始图像一样。典型的有损压缩方法有:预测编码、变换编码[23]、矢量量化编码[4]等。伴随着数学理论,如小波变换、分形几何理论、数学形态学等以及相关学科,如模式识别、人工智能、神经网络、感知心理学等的深入发展,新颖高效的现代压缩方法相继产生。其中主要包括小波变换编码、分形编码、模型基编码、神经网络编码等。图像压缩编码技术的发展和广泛应用促进了有关标准的制定,这些标准的制定工作主要是由ISO(国际标准化组织)和ITU(国际电信联盟,ITT)进行[3],[5],[7]。这些标准根据需要处理的图像类型分为二进制图像压缩标准、静止灰度和彩色图像压缩标准、运动(连续)灰度和彩色图像压缩标准。这些标准实际
全文预览
