《一种新的基于分类模式识别的图像编码算法.pdf》由会员分享，可在线阅读，更多相关《一种新的基于分类模式识别的图像编码算法.pdf（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2 0 0 8-1 04 4(5)北京师范大学学报(自然科学版)J o u r n a lo fB e i j i n gN o r m a lU n i v e r s i t y(N a t u r a lS c i e n c e)4 9 1一种新的基于分类模式识别的图像编码算法刘波李达黎洪松(北京师范大学信息科学与技术学院，1 0 0 8 7 5，北京)摘要提出了一种新的基于分类模式识别的图像编码方案。基本思想是：1)先利用模式识别对图像进行预测，然后进行D C T 编码i2)将图像分为高频和低频2 个区域分别进行模式库的训练，以提高图像预测效果，实验表明，与基于未分类模式识别的图像编
2、码算法相比，所提算法具有更好的预测编码性能，在压缩比为3 0 l 时，重建图像的平均峰值信噪比P 蜊R 有1 3d B 的改善关键词自组织特征映射；图像模式识别；图像编码图像编码及其相关理论的研究是当今信息科学领域的热点课题之一当前的主流图像编码算法是变换编码，其本质是采用一组与图像特征相匹配的基函数对图像进行分析，获得图像的稀疏表示，从而使压缩在变换域内更容易实现。但是不同类别的基函数适合表示的图像类型不同，例如小波基适合表示平滑图像，自适应局部余弦基适合分析局部纹理振荡，这是变换编码的不足基于模式识别的图像编码算法 1-3 是一种新的图像编码思路，能够较好地克服变换编码适应性不足的缺点本文
3、提出一种基于分类模式识别的图像编码方案，首先利用自组织特征映射(S O M)算法对图像的高频区域和低频区域分别训练模式库，编码时，对不同的图像区域使用不同的模式库进行预测，预测误差图像再使用D C T 变换编码1 基于分类模式识别的图像编码方案图1 给出了基于分类模式识别的图像编码方案的框图，具体步骤如下：高频模式库模式识别卜叫模式类别编码瓢卧卤伊螂L“=卜际司_+压词丽模式识别卜_ 叫模式类别编码低频模式库输出缓存图1 基于分类模式识别的图像编码方案步骤1：对大量典型图像进行分块，根据方差将图收稿日期：2 0 0 8 0 3 1 7像块分为高频块和低频块步骤2：利用S O M 算法对分类后的
4、图像块序列分别进行训练，以获得最优的高频和低频模式库步骤3：输入待编码图像，根据方差对每个图像块进行分类，分别使用高频和低频模式库完成模式识别，获得图像块的预测矢量步骤4：输入图像块与预测模式矢量相减，得到预测误差矢量步骤5：对预测误差矢量进行D C T 变换、量化和熵编码L 2 ，模式类别矢量进行二进制编码2 分类模式库训练基于模式识别的图像编码方案中，模式库的训练是关键针对S o M 算法的存在的码矢利用率不高等缺点，提出一种分类S o M 算法2 1S O M 算法作为一种非常有效的聚类方法，K o h o n e n 提出的自组织特征映射算法(S O M)在矢量量化和模式识别中得到了广
5、泛的研究和应用 4 曲 N a s r a b a d i 和F e n g 1 0 将自组织特征映射算法(S O M)应用到图像编码，得到了S O M 算法优于L G B 算法的结论应用于模式识别的S O M 算法训练 协1 1 的具体步骤如下：步骤1：设置自组织神经网络大小为(N，M)，其中，N 为模式矢量(即竞争层神经元)的数目，M 为每个模式矢量(即神经元权值)的大小选定 X()，t 一0，1，L 一1)为L 个训练样本；初始化模式库 W；(o)，i 一0，1，N 一1)；设置初始邻域参数N E i(0)，i 一0，1，N 一1；设定迭代次数一0 步骤2：输入训练矢量X()步骤3：按某
6、种失真准则，计算输入训练矢量与模 万方数据4 9 2北京师范大学学报(自然科学版)第4 4 卷式库中各模式矢量的失真d，(t)，选择具有最小失真的模式矢量w；作为获胜模式矢量，即d f()一m i nd f()(1)0 f ，_ 1步骤4：按式(2)调整获胜模式矢量眦及其拓扑邻域N E；(f)内的模式矢量：r W i()+口()x()一W i()W i(+1)一i i。，N E i()，(2)【W i()其他式中，口()为学习函数步骤5：返回步骤2，直到完成所有L 个训练样本的训练2 2 分类S O M 算法S O M 算法训练过程中，差别大的训练矢量之间存在着相互的负面影响，这是无效码矢产生
7、的一个重要原因针对该问题，分类S O M 算法首先利用方差对训练矢量分类，然后对各个子类分别应用S O M 算法训练得到分类模式库，具体步骤如下：步骤1：将训练图像分割为8 8 的图像块，得到总的训练矢量集 X()，t=0，1，L 一1 步骤2：计算所有训练矢量x()的方差c r 2()，按下式进行分类：码的P s N n 提高越明显当压缩比为3 0；1 时，分类模式识别的P s 改善约为1 3d B 压缩比图2 编码性能比较4结论作为一种新的探索，本文提出了一种基于分类模式识别算法的图像编码方案，实验结果表明该算法具有更好的编码性能下一步的工作是将该算法应用于立体图像编码和视频编码中，并结合
8、具体应用做更深入的研究：；：三置!；：三T h(3)5参考文献X【x()2c r 2()T h 7。7、1 其中T h 为高频区域和低频区域方差的判定门限值，x，和为分别表示高频区域和低频区域的训练矢量集步骤3：对x，和置两个训练集分别使用S O M算法训练得到高频区域和低频区域的模式库C B。和C 踢，两个模式库的大小分别为N，和N：3实验结果3 1 实验条件模式库的训练和图像编码均采用L e n a5 1 2b i t 5 1 2b i t 8b i t 亮度测试图像，高频模式库和低频模式库大小之和为10 2 4 失真测度采用均方差准则，即d j()一IX(f)一W i()l2 一M：Iz
9、 t()一t()I2(4)i 一0式中，M 为子图像块的大小，M 一8b i t 8b i t 图像质。亡亡2量评价采用峰值信噪比P s N R=1 0l g 等旦二，其中E M。为L M S原始图像与重建图像之间的均方差3 2 实验结果图2 给出了不同压缩比下分类模式识别编码和未分类模式识别编码的性能比较由图2可知，在不同压缩比下，分类模式识别编码算法均优于未分类模式识别编码；且压缩比越大，分类模式识别编黎洪松，李达一种新的基于自学习神经网络的静止图像编码方案 J 3 北京师范大学学报：自然科学版，2 0 0 6，4 2(5)：4 9 8李达，黎洪松一种改进的立体图像编码算法F J 北京师范
10、大学学报：自然科学版，2 0 0 7，4 3(1)：5 0黎洪松一种新的自组织神经风格算法 J 北京师范大学学报：自然科学版，2 0 0 5，4 1(5 0：4 9 6S uX。W a hB M u l t i d e s c r i p t i o nv i d e os t r e a m i n gw i t ho p t i m i z e dr e c o n s t r u c t i o nb a s e dD C Ta n dn e u r a ln e t w o r ko m p e n s a t i o n s J I E E ET r a n s I m a g eP
11、 r o c e s s i n g，2 0 0 1，3(1)：1 2 3K o h o n e nT A ni n t r o d u c t i o nt on e u r a lc o m p u t i n g J N e u r a lN e t w o r k s，1 9 8 8，1；3G a f i y c h u kVV，D a t s k oBY，I z m a y l o v aJ A n a l y s i so fd a t ac l u s t e r so b t a i n e db ys e l f-o r g a n i z i n gm e t h o d
12、s J P h y s i c aA-s t a t i s t i c a lM e c h a n i c sa n dI t SA p p l i c a t i o n s，2 0 0 4，3 4 1(i 0)：5 4 7F a n gWC，S h e uBJ AV L S In e u r a lp r o c e s s o rf o ri m a g ed a t ac o m p r e s s i o nu s i n gs e l f-o r g a n i z i n gn e t w o r k s J I E E ET r a n s o nN e u r a lN
13、e t w o r k s，1 9 9 2，3(5)：1 1 1 2S h i g e iN，M i y a j i m aH，M a e d aM N u m e r i c a le v a l u a t i o no fi n c r e m e n t a lv e c t o rq u a n t i z a t i o nu s i n gs t o c h a s t i cr e l a x a t i o n J I E I C ET r a n s O i lF u n d a m e n t a l so fE l e c t r o n i c sC o m m u
14、n c a t i o n sa n dC o m p u t e r，2 0 0 4，8 7(9)：2 3 6 4|=l口I 竺JI!l口豳口：竺：万方数据第5 期刘波等：一种新的基于分类模式识别的图像编码算法4 9 3 9 T a nXY，C h e nSC，Z h o uZH R o b u s tf a c er e c o g n i t i o nf r o mas i n g l et r a i n i n gi m a g ep e rp e r s o nw i t hK e r n e l-b a s e dS O M f a c e J A d v a n c e si
15、 nN e u r a lN e t w o r k s-I S N N2 0 0 4，1 1 P T lL e c t u r eN o t e si nC o m p u t e rS c i e n c e，2 0 0 4，3 1 7 3：8 5 8 1 0 T a s r a b a d iNM，F e n gY V e c t o rq u a n t i z a t i o no fi m a g e sb a s e du p o nt h eK o h o b n e ns e l f-o r g a n i z i n gf e a t u r em a p s C I n
16、t e r n a t i o n a lJ o i n tC o n f e r e n c eo nN e u r MN e t w o r k s，S a nD i e g o。C A，1 9 8 8，1：1 0 1 1 1 8C h r i s t o p h eA m e r i j c k xM i c h e lV e r l e y s e n。P h i l i p p eT h i s s e n I m a g ec o m p r e s s i o nb ys e l f-o r g a n i z e dk o h o n e nm a p s J I E E ET
17、 r a m s o nN e u r a lN e t w o r k s，1 9 9 8，9(5)：1 2 8 7AN E WI M A G EC o D I N GA L G o R I T H MB A S E Do NC L A S S I F I E DP A T T E R NR E C o G N I T I o NL I UB oL ID aL IH o n g s o n g(C o l l e g eo fI n f o r m a t i o nS c i e n c ea n dT e c h n o l o g y，B e i j i n gN o r m a lU
18、 n i v e r s i t y，1 0 0 8 7 5，B e i j i n g，C h i n a)A b s t r a c tAn e wi m a g ec o d i n ga l g o r i t h mb a s e do nc l a s s i f i e dp a t t e r nr e c o g n i t i o ni sp r o p o s e d I tu s e sp a t t e r nr e c o g n i t i o nt op r e d i c ti n p u ti m a g e，t h e nd o s eD C Tc o d
19、 i n go nt h ep r e d i c t i n ge r r o ri m a g e T oi m p r o v ep e r f o r m a n c eo fp r e d i c t i o n，ac l a s s i f i e dS O Ma l g o r i t h mf o rp a t t e r nl i b r a r yt r a i n i n gi sp r o p o s e d E x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep o r p o s e da l g o r i
20、 t h mh a sb e t t e rc o d i n gp e r f o r m a n c et h a nb a s i cc o d i n ga l g o r i t h mb a s e do np a t t e r nr e c o g n i t i o n。w i t hc o m p r e s s i o nr a t i oi s3 0：1，i m p r o v e m e n to fP S N Ri sa b o u t1 3d Bu s i n gL e n ai m a g e K e yw o r d ss e l f _ o r g a n
21、i z i n gf e a t u r em a p；p a t t e r nr e c o g n i t i o n；i m a g ec o d i n g生物标志物筛选与S E L D I 技术全国研习班在我校成功举办我校高等学校蛋白质组学研究院(简称U C I P)与B i o-R a d 公司协同组织的“生物标志物筛选与S E L D I技术”全国性高级研习班于2 0 0 8 年7 月1 2 日在我校举办并获得圆满成功这也是U C I P 与B i o-R a d 去年1 0 月签约成立的合作实验雪的第一次全国性交流培训活动来自全国各地应用S E L D I 技术开展生物标志物
22、研究或相关工作的研究人员及B i o-R a d 公司技术专家等共5 0 余人参加了研习班7 月1 日，研习班在京师大厦进行了学术交流何大澄教授在报告中首先回顾了S E I。D I 技术自2 0 0 0 年由何教授引进中国以来的发展历程应用这一技术开展研究的单位已扩展到3 0 余家，尤其对十几种肿瘤的检测总数已超过1 万例，发表了一批有价值的论文他指出生物标志物的研究已成为国际蛋白质组学的前沿热点，这为S E L D I 技术的发展提供了空前广阔的空间何教授以高等学校蛋白质组学研究院的研究实例阐述了利用S E L D I 及互补技术进行肿瘤标志物筛选，并进一步深人到对其细胞和分子机制的研究的重
23、要技术环节和总体策略，引起了新老用户的极大兴趣和热烈讨论中科院生物物理所、浙江大学肿瘤研究所、复旦大学生物医学研究院、上海疾控中心和福建省肿瘤研究所等单位也相继就他们的研究进展、成果和经验做了学术交流报告参加人员一致反映通过这次研习班，进一步明确了研究思路，增强了信心，学到了技术，增长了经验高校蛋白质组学研究院多位研究生同学不仅在前期检测程序标准化方面做了大量工作，还在研习班开始前认真进行了准备工作和预实验，翻译了相关资料，并承担了各小组的实际操作指导，受到了大家的好评会议还决定将于明年5 月举办下一届专题研习班暨学术交流会(肖喜)万方数据一种新的基于分类模式识别的图像编码算法一种新的基于分类
24、模式识别的图像编码算法作者：刘波，李达，黎洪松，LIU Bo，LI Da，LI Hongsong作者单位：北京师范大学信息科学与技术学院,100875,北京刊名：北京师范大学学报（自然科学版）英文刊名：JOURNAL OF BEIJING NORMAL UNIVERSITY(NATURAL SCIENCE)年，卷(期)：2008,44(5)参考文献(11条)参考文献(11条)1.Shigei N;Miyajima H;Maeda M Numerical evaluation of incremental vector quantization usingstochastic relaxatio
25、n 2004(09)2.Tan X Y;Chen S C;Zhou Z H Robust face recognition from a single training image per person withKernel-based SOM-face 20043.Fang W C;Sheu B J A VLSI neural processor for image data compression using self-organizingnetworks 1992(05)4.Gafiychuk V V;Datsko B Y;Izmaylova J Analysis of data clu
26、sters obtained by self-organizing methods 2004(10)5.Kohonen T An introduction to neural computing 19886.Su X;Wah B Multidescription video streaming with optimized reconstruction based DCT and neuralnetwork ompensations 2001(01)7.黎洪松 一种新的自组织神经风格算法期刊论文-北京师范大学学报(自然科学版)2005(50)8.李达;黎洪松 一种改进的立体图像编码算法期刊论文
27、-北京师范大学学报(自然科学版)2007(01)9.Christophe Amerijckx;Michel Verleysen;Philippe Thissen Image compression by self-organized kohonenmaps 1998(05)10.Tasrabadi N M;Feng Y Vector quantization of images based upon the Kohobnen self-organizingfeature maps 198811.黎洪松;李达 一种新的基于自学习神经网络的静止图像编码方案期刊论文-北京师范大学学报(自然科学版)2
28、006(05)本文读者也读过(6条)本文读者也读过(6条)1.陈德权.赵宇明.万长明 基于区域和边缘分开编码可伸缩彩色图像编码期刊论文-红外与激光工程2004,33(6)2.李新.曾敏.田甜.张从力.LI Xin.ZENG Min.TIAN Tian.ZHANG Cong-li 基于小波多尺度变换局部放电图像模式识别的研究期刊论文-变压器2008,45(11)3.徐金东.秦文华.杨尚国.吴冬梅.Xu Jindong.Qin Wenhua.Yang Shangguo.Wu Dongmei 基于模式识别的图像编码期刊论文-电子技术2008,45(11)4.田华.石圣羽.宗晓萍.TIAN Hua.SHI Sheng-yu.ZONG Xiao-ping 基于不变矩特征及BP神经网络的图像模式识别期刊论文-河北大学学报（自然科学版）2008,28(2)5.郝雷.石圣羽.宗晓萍.淮小利.HAO Lei.SHI Sheng-yu.ZONG Xiao-ping.HUAI Xiao-li 基于ART-2神经网络及不变矩特征的图像模式识别期刊论文-计算机工程与应用2007,43(30)6.陈应松.谢志萍.吴丽红.CHEN Ying-song.XIE Zhi-ping.WU Li-hong 数字图像在柔性制造系统中的开发和应用期刊论文-计算机工程与设计2007,28(16)本文链接：http:/