SOM神经网络的矢量量化算法

四、实验结果及分析
• 领域的选取
1、无邻域
无邻域 PSNR=33.2699
四、实验结果及分析
• 领域的选取
2、邻域恒定
邻域Ng恒定不变 Ng PSNR/DB 2 30.2147 1 32.7347 0.5 33.3227 0.25 33.3792
Ng
四、实验结果及分析
• 领域的选取
3、变化的邻域： N g = N g 0 ⋅ e - lo g ( r ) ⋅ t / R P T
• 研究背景：
目前已有多种图像压缩方法，如行程编码、 预测编码、变换编码等。
二、 SOM神经网络和矢量量化简介
• SOM神经网络
··· · · · ··· ··· · · ·
SOM (Self-Organizing Feature Maps) 神经网 络由输入层（N个输 入神经元）和竞争层 （m×m个输出神经 元 ）组成。
矢量量化后的图像 矢量量化后的图像 矢量量化后的图像 矢量量化后的图像 PSNR=29.6545 PSNR=32.0325 PSNR=32.8256 PSNR=30.7052
CR=5.5120，1图像+1码本 CR=7.7707，4图像+1码本
四、实验结果及分析
• 图像序列的压缩
100帧的Akiyo序列
五、结论
• 本算法优点：
1、基于SOM神经网络的矢量量化算法是一种 有效的图像压缩方法，能用比较少的聚类中 心映射有着类似模式的原始数据； 2、能够很好的反映原始图像的整体效果； 3、在保持相同失真率的情况下，压缩比更高； 4、较强的容错性和抗干扰能力； 5、具有很强的自适应学习能力；
谢 谢！
电0609 刘超美
二、 SOM神经网络和矢量量化简介
• 矢量量化
从输入矢量空间到码本空间的映射
• 总体思路：
三、基于SOM神经网络的矢量量 化算法介绍
码本B
索引号j*
利用SOM神经网络的学习特性来训练码本； 结合矢量量化的原理将图像进行压缩
• 算法的实现
三、基于SOM神经网络的矢量量 化算法介绍
1、数据预处理 2、 码本的初始化 3、训练码本
2、变化的步长
RP a== a 0 ⋅ × elolo g((r6 )) ⋅×tt// R P TT 0 .3 e - - g a
PSNR=33.2334
a0 =0.3，r =3
PSNR=33.2509
a0 =0.3，r =6
PSNR=32.9659
a0 =0.2，r =4
四、实验结果及分析
• 多幅图像的压缩
码本初始化：平均法； 子块大小：3×3； 邻域： N g = 1 ⋅ e - lo g (1 0 0 0 ) ⋅ t / R P T 步长： a = 0 .3 × e - lo g ( 6 ) × t / R P T
同一码本 可压缩多幅 图像？
四、实验结果及分析
• 多幅图像的压缩
训练图像为HS4
LENA原图像 CR原图像 MISS原图像 GIRL原图像
Akiyo部分原序列
矢量量化后的相应序列
PSNR=34.6369 CR=8.5663
五、结论
• 所做工作：
1、依据SOM神经网络原理，以图像各子块作为输入，
对码本进行了训练； 2、用训练出的码本，对训练用的图像，以及其余图 像、图像序列作了压缩，并分别求出各自的峰峰信噪 比； 3、对程序中各参数，如子块大小、邻域、步长等通 过实验确定了最优数值。
N g 0 =1， =100 =1000 NN0g 0=1， r r =20 =2， =20 g =1， r Ng0 r
四、实验结果及分析
•学习步长的选取
1、恒定步长
步长 a 恒定不变
a
PSNR/DB
0.3 32.8526
0.2 33.0911
0.1 32.6818
四、实验结果及分析
•学习步长的选取
训练码本流程：
三、基于SOM神经网络的矢量量 化算法介绍
参数的确定
三、基于SOM神经网络的矢量量 化算法介绍
修改码字公式：
W j (tk + 1) = W j (tk ) + a (tk ) X (k ) − W j (tk ) , j ∈ N j (tk )
(1) 邻域 N j (tk ) 决定需要修改的范围 (2) 步长 a (tk ) 决定修改的幅度大小
P15
三、基于SOM神经网络的矢量量 化算法介绍
4、压缩比与图像质量评价 压缩比
压缩前数据量大小 CR= 压缩后数据量大小
峰峰信噪比
百度文库
2552 , MSE为原图像与矢 PSNR = 10 ln 量量化图像之间 MSE 的均方误差
PSNR越高，压缩图像与原图像越相似，误差越小
四、实验结果及分析
码本初始化方式的选取 子块大小的选取 领域参数的选取 学习步长参数的选取 多幅图像的压缩 图像序列的压缩
基于SOM神经网络的矢量量化 算法及其应用研究
大连理工大学创新班 刘超美 2010.5
目录
• • • • • 一、研究意义和背景 二、 SOM神经网络和矢量量化简介 三、基于SOM神经网络的矢量量化算法 四、实验结果及分析 五、结论
一、研究意义和背景
• 研究意义：
图像和视频数据进行传输或存储时数据量 巨大，而信道和存储空间是有限的，数字图 像的压缩成为多媒体应用中的关键问题之一。
四、实验结果及分析
• 码本初始化方式的选取
平均法效 果较好！
随机法 PSNR=28.4005
等间隔法 PSNR=31.7502
平均法 PSNR=33.0318
四、实验结果及分析
• 子块大小的选取
3×3效果 较好！
3×3 PSNR=33.1854
4×4 PSNR=31.5883
5×5 PSNR=30.3635
N g 的变化由 N g 0与 r共同决定
四、实验结果及分析
•领域的选取
NN g ==N g 0 -⋅ lo g-(1 0g0( 0 ) ⋅t / R P T 1 ⋅ e e lo r g
N gN g 0 N g 0N 0
g0
PSNR=33.2334 PSNR=33.1904 PSNR=32.0801 PSNR=33.1737