基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮編碼

1、指導(dǎo)老師：關(guān)娜指導(dǎo)老師：關(guān)娜 學(xué)號：學(xué)號：201215701 姓名：牛兆華姓名：牛兆華 研究意義 研究內(nèi)容 仿真結(jié)果與分析 論文總結(jié) 1 2 3 4 1 研究意義研究意義 數(shù)據(jù)業(yè)務(wù)量 頻率資源 多媒體業(yè)務(wù)劇增對有限頻譜資源帶來嚴(yán)峻挑戰(zhàn)。圖 像壓縮技術(shù)是一種降低業(yè)務(wù)數(shù)據(jù)量的可行方法之一。 2 研究內(nèi)容研究內(nèi)容 基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮算法流程： 圖像數(shù)據(jù)預(yù)處理圖像數(shù)據(jù)預(yù)處理網(wǎng)絡(luò)模型建立網(wǎng)絡(luò)模型建立網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)訓(xùn)練 仿真仿真圖像重建圖像重建對比分析對比分析 BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)， 某神經(jīng)元的傳遞是S型函數(shù)，輸出量為的連續(xù)量，它可以實 現(xiàn)從輸入到輸出的任意非線性映射。

2、由于權(quán)值的挑中采用反 向傳播（Back Propagation）學(xué)習(xí)算法，也稱為BP網(wǎng)絡(luò)。 p 網(wǎng)絡(luò)模型建立： 1、神經(jīng)網(wǎng)絡(luò)的建立，采用MATLAB 神 經(jīng)網(wǎng)絡(luò)工具箱的feedforwardnet 函數(shù) 2、采用LM訓(xùn)練法 3、確定目標(biāo)誤差和最大迭代次數(shù) 4、調(diào)用 train 函數(shù)進行訓(xùn)練 p 網(wǎng)絡(luò)訓(xùn)練 步驟： 3 仿真結(jié)果與分析仿真結(jié)果與分析 當(dāng)隱含層神經(jīng)元的個數(shù)設(shè)置為 8個時的原始圖像和重建圖像。 此時的峰值信噪比為31.1015， 圖像壓縮比為25.12%. 當(dāng)隱含層神經(jīng)元的個數(shù)設(shè)置為 16個時的原始圖像和重建圖像。 此時的峰值信噪比為29.3982， 圖像壓縮比為46.94%. 當(dāng)隱含

3、層神經(jīng)元的個數(shù)設(shè)置 為30個時的原始圖像和重建 圖像。此時的峰值信噪比為 27.3330，圖像壓縮比為 78.47%. 分析：由上述實驗結(jié)果可以看出，隨著神經(jīng)元數(shù)目的增加， 圖像的壓縮比提高。但峰值信噪比下降，重建圖像的質(zhì)量變 差。 anmn 1 其中， 為隱含層神經(jīng)元的數(shù)目，m為輸入層神經(jīng)元 的數(shù)目，n為輸出層神經(jīng)元的數(shù)目,a為1-10之間的常數(shù)。 顯然得到的隱含層神經(jīng)元的個數(shù)為一個范圍，通過不 斷的實驗，可以得出最佳峰值信噪比和壓縮率下的隱 含層的個數(shù)。 1 n 隱含層神經(jīng)元個數(shù)的計算方法： 4 論文總結(jié)論文總結(jié) 1、本文利用BP神經(jīng)網(wǎng)絡(luò)對圖像進行壓縮，得出神經(jīng)元個 數(shù)和圖像壓縮率及圖像重建之間的關(guān)系。 2、不足之處：本文使用了最原始的基于BP神經(jīng)網(wǎng)絡(luò)的圖 像壓縮編碼，算法強行將圖像分割為4*4的塊，并分別