用模糊聚类神经网络设计图象矢量量化码书

讨论了一种模糊聚类神经网络模型，给出了将该模型用于图象矢量量化码书设计的学习算法。实验结果表明，模糊聚类神经网络可以为图象矢量量化压缩编码提供一种新的码书设计方法。     

基于小波变换及四元树矢量量化的图象数据压缩算法

小波变换在时域和频域具有良好的局部化性能,因而在图象压缩编码中得到广泛应用.矢量量化则因为其压缩比大,原理和算法相对简单,成为图象压缩的又一重要方法.采用小波变换与四元树矢量量化相结合对二维图象进行编码.结果表明,该方法可以获得较高的压缩比及PSNR.     

神经网络-空间方向小波四叉树压缩编码

将空间方向小波四叉树编码与自组织特征映射神经网络相结合，提出了一种新的多尺度系数矢量量化压缩策略。首先通过小波分解得到三个方向的高频多尺度系数矢量，分别利用自组织特征映射神经网络对三个方向的多尺度系数矢量进行加权矢量量化压缩编码。仿真实验结果表明本文提出的算法是合理可行的。     

数字电视图象压缩编码

本文对各类电视图象压缩编码方法的原理、特点和进展作了较系统的综述。包括变换编码、预测编码、矢量量化编码、运动补偿编码和电视图象信号的亚奈奎斯特取样。对图象信号的特点、视频信号的数字化和电视图象压缩编码在综合业务数字网中的重要作用也作了简述。     

一种基于小波变换的矢量量化方法

该文提出了一种基于又正交小波的矢量量化编码方法。该方法充分利用了不同尺度间小波系数的相关性并采用自组织特征映射神经网络进行矢量量化。实验表明,该方法获得了较高的编码效率和重构图象质量。     

基于小波变换和混合神经网络的图像压缩算法

提出了一种将空间方向小波零树编码与混合神经网络相结合，新的多尺度系数矢量量化策略．该算法在对图像进行多级小波变换后，利用3个方向上各自小波系数之间的相关性，构造符合图像特征的跨频带矢量，依据矢量能量和零树矢量的思想进行矢量分类，分别利用主元分析和自组织特征映射神经网络对3个方向的多尺度系数矢量进行基于视觉的加权矢量量化压缩编码．仿真实验结果表明该算法是合理可行的．     

采用格形矢量量化的小波图象编码方法

研究了以格形矢量量化方法进行小波图象的压缩编码。以两种经典的格形矢量量化算法乘积码塔形矢量量化（ＰＣＰＶＱ）和分块均匀格点矢量量化为例，分析了两种算法中非均匀矢量格点的分布与输入信号源的概率密度分布函数的关系，指出在保持矢量格点具有规则分布的前提下，格点分布难以与不规则的输入矢量概率分布实现良好的匹配。提出了一种均匀格点分布与熵编码相结合的矢量量化图象编码方法，该方法与以上两种算法对信号源输入矢量的概率分布具有更灵活的适应能力。给出了该算法和ＰＣＰＶＱ的实验结果的比较。     

基于双正交小波的快速矢量量化算法

提出了一种用于图象压缩的矢量量化算法．该算法通过构造符合图象小波变换系数特征的跨频带矢量,利用小波系数之间的相关性,提高了图象的编码效率和重构质量．同时,该算法又采用了两种新的矢量量化技术——非线性插补矢量量化（ＮＬＩＶＱ）和渐进构造聚类（ＰＣＣ）,提高了矢量量化的速度和码书质量．实验结果证明,该算法在比特率为０．１７２ｂｐｐ的条件下仍能获得ＰＳＮＲ＞３４ｄＢ的高质量重构图象．研究图象小波变换系数的固有特性是提高矢量量化性能的关键,而提高矢量量化速度是这类算法得以实用的重要前提．     

灰度图象的快速矢量量化

本文改进了矢量量化的码书设计方法和编码的搜索过程，大大提高了矢量码书的训练效率 和编码速度，获得了满意的压缩速度和效果，通过对标准测试图象的测试，速度平均提高了２．６倍，而信噪比却下降很少。     

基于矢量量化和Huffman编码的图像压缩方法

实现一种数字图像压缩编码方法。该方法首先应用LBG算法对数字图像进行矢量量化编码,然后对矢量量化编码所得的最佳码书的索引进行Huffman编码。该方法的图像压缩比可以达到17.2：1。     

一种基于小波分解的图象分层分类矢量量化方法

作者提出了一种基于小波分解及采用自组织特征映射神经网络进行分层分类矢量量化的静态图像压缩编码方法。首先对图象进行了小波分解。利用不同分辩率级间小波子图的相似性,将最低分辩率层子图的矢量编码信息作为整幅图象的解码数据,并将其矢量分类和解码索引地址信息用于高分辩率层子图的码书训练。实验表明,和其他文献提出的方法相比,作者提出的方法在获得较好重构图象质量的前提下,提高了压缩比和编解码速度。     

LBG与SOFM应用于矢量量化的比较研究

在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感。论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考。     

基于混合神经网络的图像分类矢量量化方法

介绍了一种基于自组织特征映射（SOFM）神经网络图像压缩的传统算法．通过对传统压缩算法的分析，提出了一种新的简单易行的分类矢量量化方法．新方法采用边缘检测，主元分析（PCA），自组织特征映射来设计码书，大大提高了图像的客观指标和主观视觉效果．实验表明，此方法效果明显优于传统的SOFM图像压缩算法．     

序列图像编码的一种神经网络方法

根据Kohonen自组织特征映射(SOFM)算法的特点,提出了一种分阶段SOFM的边缘保持码书的设计算法.将帧间块匹配、帧内块匹配与多级矢量量化有机地结合,给出了序列图像编码的快速实现算法.计算机模拟实验结果表明,在相同块大小的前提下,本算法各方面性能较优,主观质量好,无误差累积效应,快速简单,实用性强.     

基于SOFM神经网络的图象矢量量化的研究

分析了自组织特征映射（ＳＯＦＭ）算法,讨论了按加权函数控制邻域半径的方法,并对ＳＯＦＭ算法应用于图象矢量量化进行了系统的仿真实验研究,为实际应用提供了实验依据和基础。     

一种自适应图象压缩编码算法

提出了一种自适应图象压缩编码算法（ＡＣＣ）,该算法将绝对矩方块截断编码算法（ＡＭＢＴＣ）、内插法和四叉树技术有机结合起来,根据图象的局部特性调节编码算法．仿真结果表明ＡＣＣ算法与文献［５］中自适应算法相比,在相同的压缩倍数下,能得到更好的编码性能．     

医学图像小波变换系数的统计分析

通过利用小波变换对医学超声图像进行分解，研究其小波变换系数的均值、标准差、图像的能量等统计特征，为医学图像压缩编码和图像去噪进一步研究提供参考．     

基于ASAM注意力机制的光场图像压缩方法

为了研究光场图像的空间信息和相似角度信息之间的差异性,提高光场图像的传输效率,提出了一种基于端到端网络的角度空间注意力模型（ASAM）注意力机制的光场图像压缩方法 .以卷积块注意力模型（CBAM）的注意力机制为基础,增强了相对角度特征,提高了压缩编码效率.稀疏图像采用H.266/VVC视频编解码器进行压缩,通过子孔径图像（SAI）网络恢复编码后的图像.结果表明,与现有的光场图像压缩方法相比,所提出的光场图像压缩方法具有较高的图像压缩性能,Bj?ntegaard-Delta比特率（BD-BR）降低了52.30%,Bj?ntegaard-Delta峰值信噪比（BD-PSNR）提高了3.33 dB.     

子波变换图象压缩编码技术进展

从１９８８年Ｍａｌｌａｔ将子波变换用于信号处理提出多分辨率分析概念，给出了信号或图象分解为不同频率通道的算法和重构算法。开创了子波变换在图象处理中的应用，子波变换在时域和频域同时具有良好的局部化性能，使子波变换成为视频图象压缩编码的主要技术，专家预计，在１９９６年符合高清晰度电视标准的子波变换视频图象压缩技术将推出问世，本文综述子波变换图象压缩编码技术当前的进展。     

A Compression Algorithm of Hyperspectral Remote Sensing Image Based on 3-D Wavelet-Fractal Coder

In this paper, the 3-D Wavelet-Fractal coder was used to compress the hyperspectral remote sensing image, which is a combination of 3-D improved set partitioning in hierarchical trees (SPIHT) coding and 3-D fractal coding. Hyperspectral image date cube was first translated by 3-D wavelet and the 3-D fractal compression coding was applied to lowest frequency subband. The remaining coefficients of higher frequency snb-bands were encoding by 3-D improved SPIHT. We used the block set instead of the hierarchical trees to enhance SPIHT's flexibility. The classical eight kinds of affine transformations in 2-D fractal image compression were generalized to nineteen for the 3-D fractal image compression.The new compression method had been tested on MATLAB. The experiment results indicate that we can gain high compression ratios and the information loss is acceptable.