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.     

论向量量化器与自相合随机向量的关系

通过比较向量量化器和自相合随机向量，发现取欧氏距离时，构造局部最优向量量化器问题可转化为求自相合随机向量问题，从而可借助向量量化理论研究主曲线．     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．     

以熵序列收敛作算法停止判据的码书训练算法

以LBG算法为代表的传统码书训练算法基本上都用量化失真序列收敛作算法停止条件。提出了一种简单、快速的新算法。该算法的基本思想为 ,不必计算量化失真 ,直接用区域序列对应的熵序列收敛作停止条件。与经典的LBG算法相比 ,该算法结构更简单、速度更快、更容易理解。我们用典型的测试图像Lena、Barbara作实验 ,实验结果表明 ,该算法的PSNR与著名的LBG算法相差小于 0 1dB ,但它的运行速度比LBG快两倍以上。     

用人工神经网络方法评估桥梁缺损状况

针对现有桥梁评估方法存在的不足,介绍了一种应用神经网络进行桥梁缺损状况评估的方法,并对几种常见的人工神经网络模型的评估效果进行了比较．利用广东省内1018座桥梁的养护数据,对神经网络进行训练和测试,发现使用神经网络对桥梁进行评估,能够取得比较好的评估效果．使用神经网络方法对桥梁“等级”进行评估,其;位确率超过60％．平均每座桥的评估误差为0．25个等级。     

针对向量量化的一种新的计算机体系结构

图像压缩需要快速编码，并行处理技术是一种高效的图像压缩技术。向量量化是一种很有前途的压缩方法，并且非常适合并行处理。提出了一种新的向量量化并行处理结构，该结构能明显减少通信延迟。     

向量量化图象中的信息搭载

让信息承载者增载另一种信息的方式称为信息搭载，它是为实现信息隐蔽而提出的。基于相似性的搭载模型是实现信息隐蔽的一般框架。由于图象通常以压缩格式存储和传输，因此把数据压缩与信息搭载结合是使其实用化的关键技术。针对向量量化这种常用的图象压缩方法，设计了两类信息搭载方案，并对参数取值的不同情况进行了实验比较。说明了信息搭载的可行性。     

一种基于约束线性编码的图像分类改进算法

针对图像分类中量化编码的问题,提出了一种简单而且高效编码方法,叫做局部约束线性编码(Locality-Constrained Linear Coding)算法;并将其应用在传统空间金字塔模型(Spatial Pyramid Matching)的向量量化(Vector Quantization)中。通过使用局部约束,LLC先将图像描述子映射到它的局部坐标系统,然后再将这些映射后的坐标经过Max-pooling整合成最终的图像表示。传统的基于词袋模型(Bag-of-World)的空间金字塔需要使用非线性分类器才能获得较好的分类效果,而LLC通过使用线性分类器获得了比传统非线性SPM更好的分类效果。     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.