&RSITY必1902姓名：裴曉鵬學號：2015510298授課教師： 李國勇&RSITY必1902姓名：裴曉鵬學號：2015510298授課教師： 李國勇所在院系：信息工程學院TAIYUANUNrYEfiSITYOFTECHNOLOGY智能控制及其MATLAB實現(xiàn)題目： 基于BP神經網(wǎng)絡的圖像壓縮實現(xiàn)方法學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6基于BP神經網(wǎng)絡的圖像壓縮實現(xiàn)方法摘要在當今這個信息爆炸的時代，圖像傳輸和共享是一個很重要的環(huán)節(jié),但是圖像數(shù)據(jù)的海量性使其存儲和傳輸成為數(shù)字圖像處理領域的一大難題。研究發(fā)現(xiàn)，一幅圖像之所以占據(jù)內存大，是因為除了有效信息以外，還有許多冗余信息和相干信息。也正是因為圖像中存在著大量的冗余信息和相干信息，使得對圖像進行壓縮，即去除圖像中的冗余信息和相干信息，只保留圖像中的有效特征信息變得可行.所謂圖像壓縮是指用較少的數(shù)據(jù)量對冗余信息和相干信息進行有效的表征或直接去除?壓縮圖像為數(shù)字圖像提供了一種有效的表示方法，同時緩解了系統(tǒng)的存儲和傳輸?shù)葔毫?，在一定程度上能夠減少圖像存儲量和減輕圖像傳輸?shù)呢摀?，也能實現(xiàn)快速傳輸和實時處理。本文在圖像壓縮原理及幾種常用的圖像壓縮方法的研究基礎上，采用BP神經網(wǎng)絡實現(xiàn)圖像壓縮，能夠重構出高質量的圖像。在要求存儲量較少的同時還追求高質量的重構圖像的情況下，這種壓縮方法對數(shù)據(jù)的存儲和傳輸有一定的實踐指導作用。關鍵詞：圖像壓縮；快速傳輸；BP神經網(wǎng)絡學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6ImagecompressionmethodbasedonBPneuralnetworkAbstractTodayinformationexplodes,theimage'stransmissionandsharingisanimportantpartbuttheimagedatahugeamountsmakeitsstorageandtransportbecomeabigprobleminthefieldofdigitalimageprocessing.Thestudyfoundthatanimageistooccupymemoryisbig,becauseinadditiontothevalidinformation,therearealotofredundantinformationandirrelevantinformation.Ispreciselybecausetherearealotofredundantinformationintheimageandcorrelationinformation,maketheimageiscompressed,whichremovetheredundantinformationintheimageandcorrelationinformation,onlykeeptheeffectivefeatureinformationofimagesbecomefeasible。ImagecompressionreferstotheuseoflessamountofdatatotheredundantinformationandcoherentinformationforeffectivecharacterizationorremovedirectlyoCompressedimageastherepresentationmethodofdigitalimageprovidesaneffective,atthesametimereducethepressureonthesystemofstorageandtransmission,etc,toacertainextent,canreducetheimagestorageandreducetheburdenofimagetransmission,alsocanrealizefasttransmissionandreal—timeprocessingoBasedontheprincipleofimagecompressionandseveralcommonimagecompressionmethodbasedontheresearchofimagecompressionisrealizedbyusingtheBPneuralnetwork,toreconstructthehighqualityimages。Indemandinglessstoragecapacitybutalsothepursuitofhighqualityundertheconditionofreconstructedimages,thecompressionmethodfordatastorageandtransmissionhavecertainpracticeguidanceoKeywords:Imagecompression;Rapidtransmission;TheBPneuralnetwork學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6第一章引言在當今充滿各種類型信息的時代，圖像是人類感知世界、表達信息、獲取信息和傳遞信息的重要工具之一。隨著人類對圖像信息需求量的不斷增加，龐大圖像數(shù)據(jù)量的獲取、存儲、傳輸以及傳播等都面臨著巨大的挑戰(zhàn)?，F(xiàn)實應用中，一幅較大圖像數(shù)據(jù)的存儲通常需要占用比較大的內存，而真正用來表征圖像本質特征的數(shù)據(jù)往往相對較少，如果我們將整幅圖像數(shù)據(jù)全部保存，將無形中占用和浪費較大的內存資源,假如我們只保存表征圖像的有效數(shù)據(jù)，則能夠節(jié)約大量的存儲空間。因此，如何對圖像信號用少量的數(shù)據(jù)進行有效表征以減少存儲空間和縮短傳輸時間已成為圖像處理領域的研究熱點之一?！?】研究發(fā)現(xiàn)，一幅圖像之所以占據(jù)內存大，是因為除了有效信息以外，還有許多余信息和相干信息。通常把圖像中大量重復出現(xiàn)的這部分信息稱為冗余信息，對于那些可用其它信息表示的信息稱為相干信息，也正是因為圖像中存在著大量的冗余信息和相干信息，使得對圖像進行壓縮，即去除圖像中的冗余信息和相干信息，只保留圖像中的有效特征信息變得可行⑵?所謂圖像壓縮是指用較少的數(shù)據(jù)量對冗余信息和相干信息進行效的表征或直接去除。壓縮圖像為數(shù)字圖像提供了一種有效的表示方法，同時緩解了系統(tǒng)的存儲和傳輸?shù)葔毫?，也便于用有限的資源查看和處理大量的圖像信息。圖像壓縮技術歷經50多年的不斷發(fā)展，目前已經有一些比較成熟的方法。常用的圖像壓縮技術通常采用變換的方法來有效地去除圖像中的冗余信息?；谧儞Q編碼壓縮的方法，常用的主要有離散余弦變換(DiscreteCosineTransform，DCT)編碼〔81和離散小波變換(DiscreteWaveletTransform,DWT)編碼，，“。DCT變換將空間域的圖像信號變換到頻域，使得信號能量集中在一起，能夠用少量的有效數(shù)據(jù)來表征原始圖像。由于DCT變換基固定，并且能夠快速實現(xiàn)，使其在許多圖像壓縮技術中采用。如JPEG，MPEG，H。26x和AVS等標準均采用了DCT變換技術。如今，通信網(wǎng)絡技術的發(fā)展、數(shù)字圖像的閱覽和圖像數(shù)據(jù)的傳輸不斷要求圖像壓縮方法能夠提供高質量和高分辨率的解壓圖像，來滿足不同等級的需求，這些靈活性的要求往往與DCT的編碼結構很難結合起來，有待相關研究者進行更深入的研究【3】。1974年，小波變換(WaveletTransform,WT)理論出現(xiàn)，極大地促進了數(shù)據(jù)壓縮技術的進一步發(fā)展⑷。小波變換和DCT變換類似,可以將圖像從空間域變換到頻域，使圖像按頻率能量分布更為集中;小波變換通過對圖像進行多尺度分解，可以獲得不同程度上的近似圖像信號.80年代末，LuJian等人就將小波變換應用到圖像壓縮編碼中，其具體過程為:首先對圖像依據(jù)Mallat塔式快速小波變換算法進行多尺度分解;然后對每級的小波系數(shù)進行量化;再對量化后的小波系數(shù)進行編碼處理，最終獲得壓縮圖像。隨著小波變換理論的不斷發(fā)展，其在圖像數(shù)據(jù)壓縮領域已經被廣泛地應用，如2002年提出的圖像壓縮編碼方法JPEG2000就是基于DWT的一種新的靜止圖像壓縮標準【5】.1993年，MPEG—1正式成為視頻圖像壓縮標準(運動圖像壓縮標準)。MPEG—1主要面向數(shù)字存儲媒體，應用于多媒體計算機、電子出版物以及交互式電視等領域.隨

學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6著數(shù)字圖像技術的不斷發(fā)展,隨后的幾年中，陸續(xù)推出了MPEG-2,MPEG-4,MPEG—7等標準【6】。圖像壓縮編碼方法已經發(fā)展多年，并且日漸成熟，一系列的圖像壓縮標準也在不斷完善和發(fā)展，從靜止圖像壓縮標準JPEG到JPEG2000的發(fā)展使得圖像的壓縮比以及重構圖像質量都有很大的提升，尤其從動態(tài)圖像壓縮標準MPEG—X系列可以看出，基于圖像內容信息的壓縮編碼方法將是圖像壓縮發(fā)展的趨勢【7】。本文在闡述BP神經網(wǎng)絡的圖像壓縮原理基礎上，仿真實現(xiàn)了基于BP神經網(wǎng)絡的靜態(tài)灰度圖像壓縮.學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6第二章人工神經網(wǎng)絡簡介人工神經網(wǎng)絡從生理學角度模擬人腦大量神經元細胞的運行機理，通過不斷對鏈接權值進行修改，達到訓練、模擬、預測等目的。人工神經網(wǎng)絡經一段時間的低潮后，從20世紀80年代起，逐漸進入熱潮，并衍生出多種網(wǎng)絡鏈接方式，在工程、勘探、圖像、預測等方面應用廣泛【8】。1988年Hecht—Nielsen對人工神經網(wǎng)絡定義如下“人工神經網(wǎng)絡是一個并行、分布處理結構，它由處理單元及稱為連接的無向信號通道互連而成。這些處理單元具有局部內存，并可以完成局部操作。每個處理單元有一個單一的輸出鏈接,這個輸出可根據(jù)需要被分支多個并行鏈接，且這些并行連接都輸出相同的信號，即相應處理單元的信號及信號的大小不因分支的多少而變化。處理單元的輸出信號可以是任何需要的數(shù)學模型，每個處理單元進行的操作必須是完全局部的.也就是說，它必須僅僅依賴于經過輸入連接到達處理單元的所有輸入信號的當前值和儲存在處理單元局部的范圍值.”【9】1986年，Rumelhart和McCelland在ParallelDistributedProcessing一書中，提出BP學習算法。用得最廣泛的BP神經網(wǎng)絡一般采用三層，即一輸入層，一隱層，一輸出層。BP算法訓練時，由工作信號正向傳播和誤差信號反向傳播組成;工作時，采用訓練好的權值進行計算。工作信號正向傳播。神經網(wǎng)絡的輸入數(shù)據(jù)在輸入層經傳遞函數(shù)的計算，把結果傳向隱層;再經隱層傳遞函數(shù)的計算，結果傳向輸出層，在輸出層產生輸出。在此過程中，網(wǎng)絡權值不變，算法計算因輸入、網(wǎng)絡權重、閾值、傳遞函數(shù)等產生的輸出.誤差信號反向傳播.產生輸出結果后，根據(jù)輸出值和期望值之間的差異，把誤差回傳，根據(jù)不同的具體算法，從輸出層起，逐層調整網(wǎng)絡權值，至輸入層，目的是通過調整權值，使輸出的數(shù)據(jù)更接近期望值.然后再進行工作信號正向傳播，得出輸出層結果后，再調整網(wǎng)絡權值，如此循環(huán)。工作時,采用經多次調整的網(wǎng)絡權值，把輸入數(shù)據(jù)傳遞到輸出層，產生輸出。BP網(wǎng)絡是目前發(fā)展較為成熟的神經網(wǎng)絡模型之一，是一種利用非線性可微分函數(shù)進行權值修正與調整的多層前饋人工神經網(wǎng)絡，能通過嚴謹?shù)臄?shù)學理論進行推理驗證，在模式識別、函數(shù)逼近、數(shù)據(jù)壓縮等方面獲得了廣泛應用與認同.BP網(wǎng)絡算法的主要特點是輸入信號正向傳遞，誤差反向傳播.BP網(wǎng)絡的學習訓練算法的實質是把樣本集合的輸入輸問題變換為一個非線性優(yōu)化問題【1。】。其網(wǎng)絡結構分為輸入層、隱含層、輸出層等三層。一個典型的BP神經網(wǎng)絡模型結構如圖1。學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6懦入唇 稿含知 留出f?圖錯誤!未定義書簽。一個典型的BP網(wǎng)絡模型結構人腦在接受視覺感觀傳來的大量圖像信息后，能夠迅速做出反應，并在腦海中重現(xiàn)這些信息，這不僅與人腦的巨大信息儲存能力有關，還說明人腦具有較強的特征提取能力。人工神經網(wǎng)絡雖然是人腦的簡單模擬和抽象,但具有許多與人腦相似的信息處理能力，自然也具有較強的數(shù)據(jù)壓縮能力，一些神經網(wǎng)絡模型能直接提供數(shù)據(jù)壓縮就是一個很好的例子【11】。由于現(xiàn)實圖像內容變化的隨機性，對圖像的分割以及平穩(wěn)區(qū)域與非平穩(wěn)區(qū)域的數(shù)學描述還沒有找到一個有效的手段和方法，試圖用一種圖像模型來描述自然界千奇百怪的圖像是不現(xiàn)實的，而人工神經網(wǎng)絡在解決類似的黑箱上特別有效，故可以用神經學習圖像中規(guī)律性的東西，通過神經網(wǎng)絡自適應機制，如結構自適應、學習率參數(shù)的變化和連接權值的變化等進行調整。因此，可以利用神經網(wǎng)絡的特點對圖像信息進行有效的分解、表征和編碼，從而取得傳統(tǒng)方法無法比擬的結果。這就是將人工神經網(wǎng)絡用于圖像壓縮的基本思想和出發(fā)點。具體來講，與傳統(tǒng)的圖像壓縮方法相比，人工神經網(wǎng)絡具有如下一些優(yōu)勢：圖像信號的正交變換中，如果所選的基向量與圖像信號的協(xié)方差矩陣的特征向量接近，則變換域內圖像信號的相關性將明顯下降，能量相對集中，就能使圖像信號的帶寬得到較大壓縮，此時的變換比較接近最佳線性變換(KLT)。對于隨機性很強的圖像信號來說，很難找到一種與不同統(tǒng)計特性的圖像信號完全匹配的變換，因此變換矩陣中基向量的選擇不是固定的，這就給最佳變換編碼的實現(xiàn)帶來了困難，而神經網(wǎng)絡的強映射力和非線性特性，使它可以學習具有相當接近輸入信號特征空間基的能力，因此用來解決最佳變換的實現(xiàn)是很有效的【12】;神經網(wǎng)絡中及其豐富的訓練算法為設計高效的圖像壓縮編碼系統(tǒng)提供了新的途徑；大多數(shù)人工神經網(wǎng)絡都具有相當強的模式識別與模式分類能力，這給圖像編碼方案中模式分類問題的解決提供了一個強有力的工具；神經網(wǎng)絡有較強的容錯性和聯(lián)想記憶功能，任何局部的損壞不會影響整體結果，這一特性有助于對有噪圖像的數(shù)據(jù)壓縮及對壓縮后信息不全圖像的恢復；神經網(wǎng)絡的大規(guī)模并行處理能力及分布式結構，為神經網(wǎng)絡圖像編碼的實時

學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6實現(xiàn)創(chuàng)造了條件，這也是將神經網(wǎng)絡用于圖像編碼的優(yōu)勢所在.目前，將人工神經網(wǎng)絡理論與技術引入圖像編碼領域的研究工作十分活躍，發(fā)展相當快，基于人工神經網(wǎng)絡模型的圖像編碼方法已涉足圖像編碼研究的很多方面，所使用的神經網(wǎng)絡模型已有近十種，對現(xiàn)有的神經網(wǎng)絡圖像編碼方法進行歸納、總結，有助于了解神經網(wǎng)絡方法的發(fā)展方向，使已取得的成果系統(tǒng)化，使尚未解決的問題明確化【13】。不少神經網(wǎng)絡模型都有相當強的數(shù)據(jù)壓縮能力，當然，有些神經網(wǎng)絡模型不能提供直接的數(shù)據(jù)壓縮，而是間接參與數(shù)據(jù)壓縮。如果以用于圖像編碼的神經網(wǎng)絡模型為主線，對現(xiàn)有神經網(wǎng)絡圖像編碼方法進行分類，一方面可了解哪些神經網(wǎng)絡模型具有壓縮能力，從而進一步挖掘潛力，另一方面可了解神經網(wǎng)絡與圖像壓縮技術結合的途徑，從而探討其它模型的壓縮能力，建立適合數(shù)據(jù)壓縮的新的模型，在進行歸類的過程中,將那些常用的或者重要的神經網(wǎng)絡模型和學習算法分別作為一個獨立的類別，而將那些很少使用或新近提出的神經網(wǎng)絡模型劃入其它類別，按此原則，目前用于圖像編碼的神經網(wǎng)絡模型和學習算法主要有以下幾類：多層前饋神經網(wǎng)絡，其學習算法為BP算法，所以又叫BP網(wǎng)絡；Kohonen自組織神經網(wǎng)絡，包括頻率敏感競爭學習(FSCL)網(wǎng)絡，其學習算法為自組織特征映射(SOFM)算法；Hpfield神經網(wǎng)絡；模擬退火(SA)學習算法；(5)混合神經網(wǎng)絡模型；其它神經網(wǎng)絡模型，包括CPN，函數(shù)鏈神經網(wǎng)絡,Sophia聯(lián)想神經網(wǎng)絡(SANNET)，改進的Hebbian學習規(guī)則的系列應用(SAMH)等。學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6第三章BP神經網(wǎng)絡的圖像壓縮原理數(shù)字圖像壓縮是以較少的比特數(shù)有損或者無損地表示原來的像素矩陣的一種圖像處理技術，其目的是減少圖像數(shù)據(jù)中的時間冗余、空間冗余、頻譜冗余等一種或多種冗余信息而達到更加高效的存儲與傳輸數(shù)據(jù)。圖像壓縮系統(tǒng)無論采用什么具體的結構或者技術方法，其基本過程卻是一致的，可概括為如圖2所示的流程圖，包括編碼、量化、解碼等三個環(huán)節(jié)【14】。圖錯誤未定義書簽。圖錯誤未定義書簽。圖像壓縮基本流程從理論上講，編解碼問題可以歸納為映射與優(yōu)化問題，而人工神經網(wǎng)絡從數(shù)學上分析就是實現(xiàn)了從輸入到輸出的一個非線性映射關系，并具有高度并行處理能力、較高的容錯性與魯棒性.分析圖像壓縮的基本原理、環(huán)節(jié)與BP的網(wǎng)絡結構分布，可得出基于BP網(wǎng)絡的圖像壓縮原理如圖3所示.圖1圖1基于BP神經網(wǎng)絡的圖像壓縮原理在BP網(wǎng)絡中，輸入層到隱含層之間的映射關系相當于編碼器，用于對圖像信號進行線性或者非線性變換.而隱含層到輸出層之間的映射關系相當于解碼器,通過對壓縮后的信號數(shù)據(jù)進行反變換以達到重建圖像數(shù)據(jù)。壓縮比率S=輸入層神經元節(jié)點數(shù)/隱含層神經元節(jié)點數(shù)。BP神經網(wǎng)絡的輸入層與輸出層的神經元節(jié)點數(shù)目從理論上應該是一致的，而隱含層的神經元數(shù)目比輸入輸出層地數(shù)目要少的多。這樣理論上可通過調節(jié)隱含層神經元節(jié)點數(shù)目可達到不同圖像壓縮比效果。BP網(wǎng)絡是目前最為常用的一種神經網(wǎng)絡模型，它可以直接提供數(shù)據(jù)壓縮能力。最典型的例子是一種三層對稱的BP網(wǎng)絡，包括輸入層、隱含層和輸出層，隱含層的節(jié)點數(shù)要少于輸入節(jié)點數(shù)，輸入節(jié)點數(shù)與輸出節(jié)點數(shù)相同，整個網(wǎng)絡結構是完全對稱的。學習時，圖像數(shù)據(jù)既送到輸入層又送到輸出層作為教師信號，所使用的學習算法為BP算

學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6法.網(wǎng)絡訓練好以后，輸入層到隱含層為網(wǎng)絡的編碼過程，對圖像數(shù)據(jù)進行線性或者非線性變換，從隱含層到輸出層為網(wǎng)絡的解碼過程，對經過壓縮后的變換系數(shù)進行線性或非線性反變換，恢復圖像的原始數(shù)據(jù)。這類方法稱為結構壓縮法.N。Sonehara等人1989年探討了三層前饋神經網(wǎng)絡的通用性與訓練圖像數(shù)目以及迭代次數(shù)的關系，還探討了隱節(jié)點輸出值量化和初始權值的選擇對重建圖像質量的影響，為了控制網(wǎng)絡規(guī)模，將圖像分成8x8的子塊，每一子塊分別送到相應的子網(wǎng)絡進行并行處理，因此學習速度相當快，每學習一幅圖像僅一秒鐘.1990年，Z.He與H。Li將多層前饋神經網(wǎng)絡用于圖像非線性預測編碼，結果表明：神經網(wǎng)絡實現(xiàn)的非線性預測器優(yōu)于線性預測器，網(wǎng)絡的抗噪性強，通用性好。隨后，S。A。Dianat與張偉等人進行了類似的研究，得出了相同的結論.BP算法流程如圖4所示。誤差反向傳播算法分為兩個階段：第一階段（正向傳播過程），給出輸入信息通過輸入層經隱含層逐層處理并計算每個單元的實際輸出值；第二階段（反向傳播過程），若在輸出層未能得到期望的輸出值，則逐層遞歸求期望輸出和實際輸出值的偏差（即誤差），以便根據(jù)此誤差調節(jié)權值。權值的實際改變可由權值誤差微商一個模式一個模式的計算出來，即它們可以在這組模式集上進行累加【15】。

學生姓名裴曉鵬課程名稱：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6誤差反向傳播算法的性能函數(shù)是均方誤差。對單層的線性網(wǎng)絡，誤差是網(wǎng)絡權值的顯式線性函數(shù)，其相對于權值的導數(shù)較為容易求得。在具有非線性傳輸函數(shù)的多層網(wǎng)絡中，網(wǎng)絡權值和誤差的關系就更為復雜.為了計算導數(shù)，需要使用微積分的鏈式法則。采用BP算法的多層前饋網(wǎng)絡是至今為止應用最為廣泛的神經網(wǎng)絡，在多層前饋網(wǎng)的應用中，以圖5所示的單隱層網(wǎng)絡的應用最為普遍【16】。一般習慣將單隱層前饋網(wǎng)稱為三層前饋網(wǎng)，所謂三層包括了輸入層、隱層和輸出層。圖3圖3三層BP網(wǎng)絡模型通常，圖像的數(shù)字編碼,其實質是在一定質量（信噪比要求或主觀評價得分）條件下，以最少比特數(shù)來表示（傳輸）一幅圖像.為了比較各種壓縮編碼效率，需定義表示其壓縮效率的壓縮比，通用的壓縮比可定義為:壓縮比用于表示原始數(shù)據(jù)量與壓縮后存儲數(shù)據(jù)量之間的比值關系，衡量數(shù)據(jù)壓縮的程度.壓縮比越大丟棄的信息越多，重構圖像質量越差。壓縮比主要是用來評價圖像的壓縮性能，而另外還有一些評價重建圖像的質量的性能參數(shù)，如峰值信噪比（PSNR），造成解壓后重構圖像失真的就是壓縮過程中丟棄的那部分信息，這部分信息可以通過原始圖像與重構圖像之間的函數(shù)關系來表示，PSNR能反映出這兩者間的關系。峰值信噪比定義為：PSNR的打死（QV/MSE）（必）本文的程序在附錄里有詳細說明，下面圖6展示了利用BP神經網(wǎng)絡實現(xiàn)圖像壓縮的效果：學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6圖表錯誤!未定義書簽。圖像壓縮結果學生姓名裴曉鵬課程名稱：智能捽制及其MATLAB實現(xiàn)學號2015510298授課教師李國勇專業(yè)控制科學與工程考試時間2016.6總結本次壓縮的峰值信噪比PSNR：33。8075,壓縮比：2。3136,壓縮效果明顯，重構圖像效果較好。但是它也有很多不完美的地方：己經學習好的網(wǎng)絡的泛化問題，即能否逼近規(guī)律、能否正確處理大量沒有學習的樣本、是否有預測能力；基于BP算法的網(wǎng)絡的誤差面有三個特點：有很多局部最小的解；存在一些平坦區(qū)，在此區(qū)內誤差改變很??；存在不少的局部最小點，在某些初值的條件下算法容易陷入局部最小點。由于第二和第三個缺點，造成網(wǎng)絡完全不能訓練；初始的隨機加權的大小，對局部最小的影響很大；訓練步長的大小，直接影響訓練時間的長短，其選擇沒有理論指導。學習算法的收斂速度緩慢，且容易振蕩；網(wǎng)絡的隱含層節(jié)點的個數(shù)的選取尚缺少統(tǒng)一而完整的理論指導.針對這些問題，將在以后的研究中進行改進。學生姓名裴曉鵬 學號2015510298專業(yè)控制科學與工程課程名稱：智能控制及其MATLAR實現(xiàn) 授課教師李國勇 考試時間2016.6參考文獻張旭峰.基于壓縮感知的圖像壓縮研究[D].西北大學，2015徐大衛(wèi)?；谧值鋵W習的高光譜圖像壓縮算法研究[，.中國科學技術大學,2015王丹楓?；谠诰€字典學習的高光譜圖像壓縮技術研究[D]。哈爾濱工業(yè)大學,2015吳運澤?；谛〔ㄗ儞Q的多級樹集合分裂圖像壓縮算法研究[D].沈陽工業(yè)大學，2015劉志翔.基于BP神經網(wǎng)絡的汽車保險需求預測研究[D]。暨南大學,2015董程?；诟倪M神經網(wǎng)絡的車牌識別算法的研究及仿真】D].哈爾濱理工大學,2015羅毅.基于BP神經網(wǎng)絡與智能算法的股價預測方法研究[D]。深圳大學,2015XiaoHongHan;XiaoyanXiong;FuDuan。AnewmethodforimagesegmentationbasedonBPneuralnetworkandgravitationalsearchalgorithmenhancedbycatchaoticmapping[J].AppliedIntelligence,2015,No。4XuewuJi；JianWang;YouqunZhao；YahuiLiu；LiguoZang;BoLi。PathplanningandtrackingforvehicleparallelparkingbasedonpreviewBPneuralnetworkPIDcontroller[J].TransactionsofTianjinUniversity,2015,No。3XimingYou;XuewuCao。StudyofLiquidLithiumCoolantInteractionBasedonBPNeuralNetworkOptimizedbyGeneticAlgorithm[J].JournalofFusionEnergy,2015，No.4WeikuanJia；DeanZhao;TianShen；ShifeiDing；YuyanZhao;ChanliHu.AnoptimizedclassificationalgorithmbyBPneuralnetworkbasedonPLSandHCA[J].AppliedIntelligence,2015，No。1[12]Juncheng,Tao.AdaptivecombinationforecastingmodelforChina’slogisticsfreightvolumebasedonanimprovedPSO-BPneuralnetwork[J].Kybernetes:The學生姓名 裴曉鵬 學號2015510298專業(yè)控制科學與工程課程名稱：智能控制及其MATLAR實現(xiàn) 授課教師李國勇 考試時間2016.6InternationalJournalofSystems&Cybernetics,2015,No。4［13］Woodworth,JosephThomas.NumericalOptimizationMethodsforImageProcessingandMachineLearning［D］。UCLA,2016［14］ 叢爽編著。面向MATLAB工具箱的神經網(wǎng)絡理論與應用］M］。2009［15］ 賀興華等編著.MATLAB7。x圖像處理［M］。2006［16］ 周潤景，張麗娜著.基于MATLAB的模糊與神經網(wǎng)絡設計】M］.2010學生姓名裴曉鵬 學號2015510298專業(yè)控制科學與工程課程名稱：智能控制及其MATLAR實現(xiàn) 授課教師李國勇 考試時間2016.6附錄1程序代碼bp_imageCompress。m%bp_imageCompress.m%基于BP神經網(wǎng)絡的圖像壓縮%%清理clcclearall%%壓縮率控制K=4；N=10；row=256;col=256；%%數(shù)據(jù)輸入%I=imread(’lena.bmp’)i=imread(’tyut2。jpg’);I=rgb2gray(i);%I灰度圖像%統(tǒng)一將形狀轉為row*colI=imresize(I,[row,col])；%%圖像塊劃分，形成KA2^N矩陣P=block_divide(I,K)；%%歸一化P=double(P)/255；%%建立BP神經網(wǎng)絡net=feedforwardnet(N,’trainlm’)；T=P;net。trainParam.goal=0。001;net.trainParam。epochs=1000;ticnet=train(net,P,T)；學生姓名裴曉鵬 學號2015510298專業(yè)控制科學與工程課程名稱：智能控制及其MATLAR實現(xiàn) 授課教師李國勇 考試時間2016.6toc%%保存結果com.lw=net.lw{2};com。b=net.b{2};[?,len]=size(P)；%訓練樣本的個數(shù)com。d=zeros(N,len);fori=1:lencom.d(:，i)=tansig(net。iw{1}*P(:，i)+net。b{1})；endminlw=min(com。lw(:));maxlw=max(com.lw(:))；com。lw=(com。lw—minlw)/(maxlw—minlw)；minb=min(com.b(：));maxb=max(com.b(:));com。b=(com。b-minb)/(maxb-minb)；maxd=max(com。d(:))；mind=min(com.d(:));com。d=(com。d-mind)/(maxd-mind);com.lw=uint8(com.lw大63);com.b=uint8(com.b*63)；com.d=uint8(com。d^63)；savecompcomminlwmaxlwminbmaxbmaxdmindbp_imageRecon.m%bp_imageRecon。m%%清理clear,clccloseall%%載入數(shù)據(jù)學生姓名 裴曉鵬 學號2015510298專業(yè)控制科學與工程課程名稱：智能控制及其MATLAR實現(xiàn) 授課教師李國勇 考試時間2016.6col=256;row=256；%I=imread(’lena.bmp’)；i=imread('tyut2。jpg')；I=rgb2gray(i)；%I灰度圖像I=imresize(I,[row,col])；loadcompcom.lw=double(com。lw)/63；com。b=double(com。b)/63;com。d=double(com.d)/63；com.lw=com.lw