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。     

一种新的矢量量化码书设计算法

提出了一种针对码书优化的图像矢量量化算法。首先设定矢量距离的初始门限值,基于空间划分对训练矢量聚类,找到矢量个数小于平均胞腔矢量数的胞腔;提取其聚类矢量后删除该胞腔,然后缩小距离门限值再次聚类提取,依次循环直到聚类矢量个数达到要求。将提取的聚类矢量作为初始码书,进行LBG算法码书设计,有效地改善了传统LBG算法依赖于初始码书而容易陷入局部最优的缺点,采用改进算法生成的码书更接近全局最优,加快了收敛速度。仿真结果证明了该方法的有效性。     

矢量量化的渐进构造模糊聚类算法

为了设计最优码书,提出了一种新的渐进构造模糊聚类（ＰＣＦＣ）算法,并将其应用到图像的矢量量化中．通过与其他矢量量化算法（如ＬＢＧ和ＦＣＭ）的比较,证明该算法不论在生成码书的质量还是在计算速度上都具有很强的优势．这种模糊矢量量化算法为进一步改善图像压缩的矢量量化性能提供了新途径     

SFCM模糊聚类在语音矢量量化中的应用

提出了一种模糊聚类分析算法ＳＦＣＭ,并将其用于语音特征的矢量量化,最终形成码本尺寸为２５６的码本。用ＳＦＣＭ算法得到的码本分布合理,没有空类,采用此码本的语音识别实验表明了这种量化方法对语音识别的有效性。     

一种基于聚类算法的自适应图象矢量量化方法

提出了一种形成数据压缩码本的自适应图象矢量量化算法，在收敛速度和码本质量上较经典算法ＬＢＧ为优     

降低波形码书搜索复杂性的新方法

本文提出一种新方法,对已由ＬＢＧ方法设计好的波形码书进行改进,降低了语音编码中波形码书搜索复杂性,同时保持较高的合成语音质量。测试结果证明了该方法的有效性。     

基于模拟退火技术的多级矢量量化编码方案

研究了矢量量化最优码书的形成条件，以多级矢量量化和模拟退火技术为基础，提出一种基于模拟退火技术的多级矢量量化编码方案。实验证明，该算法不仅降低了计算的复杂度和码书存储量，而且在较高压缩比下可获得较好的图像恢复。     

一种基于预测的矢量量化图像编码方法

为了提高图像编码效率,提出了一种基于预测的矢量量化图像编码方法．在编解码端设置维数和大小各不相同的两种码书．对于平滑区域,用较小的码书对输入矢量进行编码,从而加快图像编码速度和降低比特率;对于边缘区域,用较大的码书去量化当前输入矢量以保证图像质量．文中还提出了一种有效的码书设计方法以提高生成的码书的质量．仿真结果表明,相对于其它方法,文中所提出的矢量量化图像编码方法运算速度更快,在同样图像质量下降低了传输过程中所需的比特率．     

码书分类重排矢量量化方法及其应用

矢量量化可有效降低语音编码速率,但目前已有的多级分裂矢量量化、转换分类分裂矢量量化方法等都存在存储需求、计算复杂度以及解码语音质量等不能达到良好折衷的缺陷。该文提出了一种码书分类重排矢量量化方法。该方法通过将设计好的码书进行分类重排以降低码书搜索范围。并将该方法与多级分裂矢量量化结合,提出了码书分类重排多级分裂矢量量化方法。在量化比特及码书大小不变的前提下,实验结果表明:该方法可达到透明量化效果,量化时的计算复杂度最大降幅可达到多级分裂矢量量化方法的90.24%。     

基于改进粒子群算法的矢量量化码书设计研究

提出一种粒子群分组并行寻优码书设计算法,应用于图像的矢量量化编码中.可以得到性能较好的码书.利用同一种群两个分组分别进化,同时相互监督,某一个分组或者两个分组都陷入局部最优时,它能够通过相互作用跳出局部最优;然后通过对训练矢量进行排序,合理选择初始码书,使码字的分布更加合理,增强搜索多样性;最后通过仿真实验验证了该改进算法的合理性.     

一种模糊核聚类的彩色图像量化算法

提出了一种基于模糊核聚类的彩色图像量化算法。首先用中位切割算法对图像进行初始量化,然后依据NBS距离与人类视觉对颜色差别的定量关系确定初始聚类中心,最后结合模糊核聚类方法对Munsell空间的每个像素进行聚类以实现对颜色的修改,从而完成图像的量化。仿真结果表明:所提算法在量化数目相同的情况下,量化效果明显优于中位切割算法和模糊C均值算法。     

一种矢量量化中的码本优化方法

在语音压缩编码中,矢量量化占有很大比重和计算量．码本的好坏与方法的选择有很大的关系．笔者介绍了一种方法,将神经网络和隐含马尔可夫过程应用于矢量量化,从而产生了更为优良的码本．     

一种新的基于分裂法的矢量量化算法

提出了一种新的适合于矢量量化技术的码书设计算法，它的主要思想是依据等误差准则和分区域收敛性质，对满足迭代终止条件的质心区域进行标记，以后不再对已标记区域进行迭代，每一步迭代执行基于分裂码字的改进LBG算法。该算法简单，能极大地提高训练速度，并得到较低的失真，而且不适合于并行计算。理论分析和实验结果表明本文提出的算法是有效的并优于其它算法。     

利用图论设计图像压缩中的向量量化聚类算法

向量量化是图像压缩中的重要内容,而码书生成是向量量化的关键.提出了一个全新的、简单的码书生成算法,其基本思想是以向量量化聚类性质为基础,应用图论建立数据之间的离散关联设计算法.该算法与传统的算法相比,优势在于不需要初始码书,不需要在实际应用中几乎不可能知道的高维向量集合的概率分布,不需要Voronoi划分,同时它避免了一般算法局部最优问题.     

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。     

模糊聚类法实现初始码书的优化

应用模糊数学理论,在限定条件下,从训练矢量的空间分布出发,对训练矢量空间进行胞腔划分,通过动态控制λ截集水平,调整截集数量和相应胞腔大小,然后求出相应的形心作为代表矢量构成一个优良的初始码书。采用该初始码书作为LBG矢量量化算法的叠代初值比分裂法、随机法更优。     

使用进化策略的图像矢量量化

在分析自组织特征映射（SOFM）算法的基础上,把进化策略引入到矢量量化设计中,在将SOFM算法作为基本聚类算法的前提下,基于等误差原则,利用最大最小原则改变各区域聚类点,使各子区域的误差趋于相等。使用进化策略在子区域误差大的聚类点附近产生新的聚类点,从而调整各个区域的子误差,进一步改善总期望误差。实验证明该方法可克服基本聚类算法落入局部最化的局限。在对Lena图像进行量化的过程中,改善了码书矢量,提高了码书矢量,提高了量化后图像的质量。     

模糊聚类算法的优化设计

文章阐述了模糊C-均值聚类算法(FCM)原理及存在的缺点,通过将粒子群优化算法思想应用到模糊聚类算法中,对模糊聚类算法进行了优化设计.实验证明,改进的算法具有较好的全局最优解,克服了传统模糊C聚类算法的不足,聚类效果优于单一使用FCM算法.