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．     

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性，提出了一种基于小波变换的矢量量化图像数据压缩方法，基本思路是利用小 变换实现图像的多分辨率分解，用矢量量化（VQ）对分解后的图像进行编码，利用神经网络做矢量量化编码器，从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力，结果表明，该方法提高了整个系统的性能，最终提高了重构图像的质量。     

一种基于SPIHT的图像压缩方法研究

提出了一种基于层树分级鳊码（SPIHT）的图像压缩方法。该方法压缩过程首先将图像数据进行小波变换,然后对低频小波系数进行调整,对高频的小波系数进行量化,以提高图像的压缩比,最后采用SPIIiT编码。解压缩过程通过sPIHT解码和小波逆变换恢复重构图像。仿真结果表明,在不同的峰值信噪比下,得到了较大的压缩比。     

一种基于小波变换的图像压缩方法

提出了一种基于小波变换的灰度图像数据压缩方法,采用双正交小波对像进行分解,作分解后系数的矢量量化。使用频率敏感自组织特征映射算法生成码书。这可避免直接矢量量化时的块效应,且相对于正交小波,恢复图像的质量也有所提高。     

基于小波和阈值的图像压缩方法及实现

主要探究基于haar小波分析的图像的分解与重构，并用MATLAB6．5数学软件工具设计了不同阈值下的小波变换和重构图像过程，从中得出，选择合适的小波变换及其阈值的设置是一个至关重要的问题．小波选取的阈值越大，重构图像的失真程度越高，在相同阈值下，haar小波重构图像要比db9小波的重构图像文件小得多，因此haar小波是一种较为有效的图像压缩方法。     

基于Harr小波提升格式的图像压缩方法

提出了一种哈达玛变换,离散余弦变换和小波变换相结合的混合型编码,即先采用哈达玛变换对图像压缩,再对处理后的图像用离散余弦进行压缩,最后采用提升Haar小波格式对图像进行了压缩,并引入零树小波分析,得到最优小波树.仿真结果表明,所提出的方法在灰度图像压缩效果方面优于一些传统的压缩方法.     

一种基于小波变换的图像压缩方法

提出了一种基于小波变换的图像压缩方法。先对图像数据进行二维离散小波变换，对变换后的低频系数进行离散余弦变换；再对ＤＣＴ系数进行Ｚ形扫描，游程编码。舍弃最新频系数，对于次高频系数根据人眼的视觉特性采用不同的量化器进行量化，然后进行可变长度编码。实验表明，在图像质量和压缩倍数方面都取得了较好的结果。     

基于小波变换的能量和方差分析图像压缩方法

在对图像进行小波包分解的基础上实现图像压缩.根据小波系数的分布特点严格推导得出:可以用能量和方差作为衡量小波系数重要性的标准,并据此对系数矩阵块进行选择分组,自适应地进行量化,而且不同的量化方式可以共用码表;对低频部分扰动足够小的区域取均值,结合提出的存储方法,在不引入误差的情况下减少了编码负担,在保证图像质量的同时有效提高了压缩比.     

基于Harr小波提升格式的图像压缩方法

提出了一种哈达玛变换,离散余弦变换和小波变换相结合的混合型编码,即先采用哈达玛变换对图像压缩,再对处理后的图像用离散余弦进行压缩,最后采用提升Haar小波格式对图像进行了压缩,并引入零树小波分析,得到最优小波树。仿真结果表明,所提出的方法在灰度图像压缩效果方面优于一些传统的压缩方法。     

一种基于小波变换的图像压缩方法

提出了一各基于小波变换的灰度图像数据压缩方法.采用双正交小波对图像进行分解,作分解后系数的矢量量化.使用频率敏感自组织特征映射算法生成码书.这可避免直接矢量量化时的块效应,且相对于正交小波,恢复图像的质量了有所提高.     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

基于小波变换的图像分级压缩算法

综合已有图像压缩算法优势，提出一种新的图像压缩算法——基于小波变换的图像分级压缩算法。将待压缩图像按频率高低分成若干子图像，根据各子图像包含能量的多少将它们分成3个等级，分别采用了不同的压缩算法。包含能量最多的低频子图像称为第1级，采用无损差分脉冲编码调制方式；包含能量较少的高频子图像称为第2级，采用嵌入式零树编码方式；包含能量极少的更高频子图像称为第3级，因其包含的能量极少，不再编码。其优点是压缩比高、算法简单、传输和下栽速度快，在传输过程中可随时结束编码而不影响图像质量。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

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．     

基于小波变换和ICA的新型有噪混合图像盲分离方法

独立分量分析虽能有效地对无噪信号实现分离,但是直接应用于有噪信号时效果较差.论文针对这个问题,给出了一个消噪-分离-消噪策略,并将之用于有噪混合图像盲分离且给出了具体的分离方案.在该方案中,首先利用小波变换对有噪图像进行消噪,然后再使用独立分量分析对消噪后的图像进行分离,最后再一次利用小波变换对分离后的图像再次消噪,从而获得较为清晰的图像.仿真实验表明,该方法能有效提高有噪混合图像分离结果的峰值信噪比和相关系数,效果良好.     

小波神经网络在人脸识别中的应用

人脸识别是一个涉及生理学、心理学、图像处理、计算机视觉、模式识别和数学等多个学科的前沿课题。小波神经网络是在小波分析研究获得突破的基础上提出的一种前馈性网络,避免了BP网络等结构设计上的盲目性,网络训练过程从根本上避免了局部最优等非线性优化问题,有较强的函数学习能力和推广能力。基于小波神经网络,文中提出了一种新的人脸识别算法。该算法利用小波多分辨特性和神经网络的鲁棒性和记忆性,同时结合了加速网络收敛速度的小波神经网络步长调整算法。实验证明该算法有高的检测率和有效性。