基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮--神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)報(bào)告6頁

1、一、實(shí)驗(yàn)名稱基于BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮二、實(shí)驗(yàn)?zāi)康?.熟悉掌握神經(jīng)網(wǎng)絡(luò)知識；2.學(xué)習(xí)多層感知器神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法和Matlab實(shí)現(xiàn)；3.進(jìn)一步了解掌握圖像壓縮的方式方法，分析仿真圖像壓縮效果。三、實(shí)驗(yàn)要求1.學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)；2.了解BP算法基本思想，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)架構(gòu)；3.利用BP算法解決圖像壓縮的質(zhì)量問題；4.談?wù)剬?shí)驗(yàn)體會與收獲。四、實(shí)驗(yàn)步驟（一）分析原理，編寫程序本實(shí)驗(yàn)主要利用BP神經(jīng)網(wǎng)絡(luò)多層前饋的模式變換能力，實(shí)現(xiàn)數(shù)據(jù)編碼和壓縮。采用輸入層、隱含層、輸出層三層網(wǎng)絡(luò)結(jié)構(gòu)。輸入層到隱含層為編碼過程，對圖像進(jìn)行線性變換，隱含層到輸出層為網(wǎng)絡(luò)解碼過程，對經(jīng)過壓縮后的變換系統(tǒng)進(jìn)行線性反變

2、換，完成圖像重構(gòu)。其主要步驟有以下五步：1.訓(xùn)練樣本構(gòu)造基于數(shù)值最優(yōu)化理論的訓(xùn)練算法，采用Levenberg-Marquardt方法，將訓(xùn)練圖像的所有像素點(diǎn)作為壓縮網(wǎng)絡(luò)的輸入，對圖像進(jìn)行劃分。將原始圖像分成4×4的互不重疊的像素塊，并將每個(gè)像素快變形為16×1的列向量，將原始數(shù)據(jù)轉(zhuǎn)化為16×1024的矩陣。對輸入數(shù)據(jù)進(jìn)行預(yù)處理，像素塊矩陣進(jìn)行尺度變換，即歸一化處理。為了將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限定在0，1的區(qū)間內(nèi)，本實(shí)驗(yàn)采用均值分布預(yù)處理方法。將待處理圖像的灰度范圍xmin,xmax,變換域?yàn)閥min,ymax,設(shè)待處理的像素灰度值為xi，則對于所有過程的映射yi滿

3、足公式：yi = +xmin其主要程序?yàn)椋篜 = ; %將原始數(shù)據(jù)轉(zhuǎn)化為16*1024的矩陣for i = 1:32 for j = 1:32 I2 = I(i-1)*4 + 1:i*4,(j-1)*4 + 1:j*4); i3 = reshape(I2,16,1); II = double(i3); P_1 = II/255; %矩陣歸一化處理 P = P,P_1; endend2.創(chuàng)建神經(jīng)網(wǎng)絡(luò)將圖像樣本集作為輸入和理想信號訓(xùn)練BP網(wǎng)絡(luò)，設(shè)此網(wǎng)絡(luò)圖像壓縮比為S，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為ni，隱含層節(jié)點(diǎn)數(shù)為nh，則壓縮比：S = 本實(shí)驗(yàn)將原始圖像數(shù)據(jù)轉(zhuǎn)化為16×1024的矩陣數(shù)據(jù)，網(wǎng)絡(luò)輸入

4、層節(jié)點(diǎn)數(shù)為ni =64，隱含層節(jié)點(diǎn)數(shù)要求小于輸入層節(jié)點(diǎn)數(shù)，則分別取nh 為4、8、12、16進(jìn)行實(shí)驗(yàn)。3.訓(xùn)練神經(jīng)網(wǎng)絡(luò)構(gòu)建輸入矩陣（每一列代表一個(gè)輸入模式），并將此作為輸出矩陣。根據(jù)采用Levenberg-Marquardt方法，在Matlab中調(diào)用訓(xùn)練算法，即調(diào)用newff函數(shù)開始訓(xùn)練網(wǎng)絡(luò)，函數(shù)的輸入?yún)?shù)BTF取值“trainlm”，TFi取值“tansig、logsig”，訓(xùn)練次數(shù)設(shè)定為500次，性能目標(biāo)為0.001。其主要程序?yàn)椋簄et = newff(minmax(P),8,16,'tansig','logsig','trainlm');

5、net.trainParam.goal = 0.001;net.trainParam.epochs = 500;4.編碼仿真根據(jù)給定的算法訓(xùn)練網(wǎng)絡(luò)，然后進(jìn)行仿真。在Matlab中用sim函數(shù)進(jìn)行仿真。5.圖像重構(gòu)對壓縮編碼后的數(shù)據(jù)進(jìn)行解碼，并進(jìn)行尺度變換回原數(shù)據(jù)量值，即每個(gè)矩陣元素分別乘以255，將像素值從0,1恢復(fù)到0,255區(qū)間內(nèi)，再將列向量變形成圖像塊，合成一副完整圖像，完成圖像重構(gòu)。其主要程序?yàn)椋篩_fz= sim (net,P);%對網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行編碼仿真Y_cg = ; %圖像重構(gòu)for k = 1:1024 Y_cg1 = reshape(Y_1(:,k),4,4); Y_cg

6、 = Y_cg,Y_cg1;endY_sc = ;for k = 1:32 Y_sc1 = Y_cg(:,(k-1)*128+1:k*128); Y_sc = Y_sc;Y_sc1;endY_scjg = uint8(Y_sc *255);（二）分析及仿真實(shí)驗(yàn)隱含層神經(jīng)元數(shù)對神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練有很重要的影響，當(dāng)神經(jīng)元數(shù)較少時(shí)，圖像壓縮較高，但重構(gòu)圖像質(zhì)量較差，實(shí)驗(yàn)選取一定的神經(jīng)元數(shù)，已滿足圖像重構(gòu)質(zhì)量和訓(xùn)練速度的要求。實(shí)驗(yàn)1：神經(jīng)元數(shù)nh = 4，S = 16，訓(xùn)練次數(shù)500；實(shí)驗(yàn)2：神經(jīng)元數(shù)nh = 8，S = 8，訓(xùn)練次數(shù)500；實(shí)驗(yàn)3：神經(jīng)元數(shù)nh = 12，S = 5.3，訓(xùn)練次數(shù)5

7、00；實(shí)驗(yàn)4：神經(jīng)元數(shù)nh = 16，S = 4，訓(xùn)練次數(shù)500。五、實(shí)驗(yàn)結(jié)果分析實(shí)驗(yàn)一結(jié)果：原始圖像S = 16壓縮比為16時(shí)的訓(xùn)練誤差性能曲線圖1 實(shí)驗(yàn)一圖像壓縮及誤差曲線圖TRAINLM, Epoch 500/500, MSE 0.00150597/0.001, Gradient 0.658157/1e-010TRAINLM, Maximum epoch reached, performance goal was not met.Elapsed time is 879.688000 seconds.沒有達(dá)到性能目標(biāo)；實(shí)驗(yàn)二結(jié)果：原始圖像壓縮比為8時(shí)的訓(xùn)練誤差性能曲線S = 8圖2 實(shí)驗(yàn)二

8、圖像壓縮及誤差曲線圖TRAINLM, Epoch 0/500, MSE 0.200195/0.001, Gradient 411.191/1e-010TRAINLM, Epoch 10/500, MSE 0.000817748/0.001, Gradient 36.1943/1e-010TRAINLM, Performance goal met.Elapsed time is 42.203000 seconds.達(dá)到性能目標(biāo)，重構(gòu)圖像質(zhì)量好，訓(xùn)練速度快。實(shí)驗(yàn)三結(jié)果：原始圖像壓縮比為5.3時(shí)的訓(xùn)練誤差性能曲線S = 5.3圖3 實(shí)驗(yàn)三圖像壓縮及誤差曲線圖TRAINLM, Epoch 0/500,

9、 MSE 0.195168/0.001, Gradient 448.976/1e-010TRAINLM, Epoch 10/500, MSE 0.000863373/0.001, Gradient 186.52/1e-010TRAINLM, Performance goal met.Elapsed time is 77.187000 seconds.達(dá)到性能目標(biāo)，重構(gòu)圖像質(zhì)量差，訓(xùn)練速度較快。實(shí)驗(yàn)四結(jié)果：原始圖像壓縮比為4時(shí)的訓(xùn)練誤差性能曲線S = 4圖4 實(shí)驗(yàn)四圖像壓縮及誤差曲線圖TRAINLM, Epoch 0/500, MSE 0.183762/0.001, Gradient 453.808/1e-010TRAINLM, Epoch 18/500, MSE 0.000511771/0.001, Gradient 284.423/1e-010TRAINLM, Performance goal met.Elapsed time is 226.625000 seconds.達(dá)到性能目標(biāo)，重構(gòu)圖像質(zhì)量好，訓(xùn)練速度較慢。綜合上述實(shí)驗(yàn)分析：當(dāng)隱含層元數(shù)選取8時(shí)，重構(gòu)圖像質(zhì)量和訓(xùn)