智能控制及其Matlab实现

智能控制及其MATLAB实现题目：基于BP神经网络的图像压缩实现方法姓名：裴晓鹏学号：2015510298授课教师：李国勇所在院系：信息工程学院太原理工大学2015级硕士研究生考试用纸学生姓名裴晓鹏学号2015510298专业控制科学与工程课程名称：智能控制及其MATLAB实现授课教师李国勇考试时间2016.6基于BP神经网络的图像压缩实现方法摘要在当今这个信息爆炸的时代，图像传输和共享是一个很重要的环节，但是图像数据的海量性使其存储和传输成为数字图像处理领域的一大难题。研究发现，一幅图像之所以占据内存大，是因为除了有效信息以外，还有许多冗余信息和相干信息。也正是因为图像中存在着大量的冗余信息和相干信息，使得对图像进行压缩，即去除图像中的冗余信息和相干信息，只保留图像中的有效特征信息变得可行。所谓图像压缩是指用较少的数据量对冗余信息和相干信息进行有效的表征或直接去除。压缩图像为数字图像提供了一种有效的表示方法，同时缓解了系统的存储和传输等压力，在一定程度上能够减少图像存储量和减轻图像传输的负担，也能实现快速传输和实时处理。本文在图像压缩原理及几种常用的图像压缩方法的研究基础上，采用BP神经网络实现图像压缩，能够重构出高质量的图像。在要求存储量较少的同时还追求高质量的重构图像的情况下，这种压缩方法对数据的存储和传输有一定的实践指导作用。关键词：图像压缩；快速传输；BP神经网络太原理工大学2015级硕士研究生考试用纸学生姓名裴晓鹏学号2015510298专业控制科学与工程课程名称：智能控制及其MATLAB实现授课教师李国勇考试时间2016.6ImagecompressionmethodbasedonBPneuralnetworkAbstractTodayinformationexplodes,theimage’stransmissionandsharingisanimportantpartbuttheimagedatahugeamountsmakeitsstorageandtransportbecomeabigprobleminthefieldofdigitalimageprocessing.Thestudyfoundthatanimageistooccupymemoryisbig,becauseinadditiontothevalidinformation,therearealotofredundantinformationandirrelevantinformation.Ispreciselybecausetherearealotofredundantinformationintheimageandcorrelationinformation,maketheimageiscompressed,whichremovetheredundantinformationintheimageandcorrelationinformation,onlykeeptheeffectivefeatureinformationofimagesbecomefeasible.Imagecompressionreferstotheuseoflessamountofdatatotheredundantinformationandcoherentinformationforeffectivecharacterizationorremovedirectly.Compressedimageastherepresentationmethodofdigitalimageprovidesaneffective,atthesametimereducethepressureonthesystemofstorageandtransmission,etc,toacertainextent,canreducetheimagestorageandreducetheburdenofimagetransmission,alsocanrealizefasttransmissionandreal-timeprocessing.BasedontheprincipleofimagecompressionandseveralcommonimagecompressionmethodbasedontheresearchofimagecompressionisrealizedbyusingtheBPneuralnetwork,toreconstructthehighqualityimages.Indemandinglessstoragecapacitybutalsothepursuitofhighqualityundertheconditionofreconstructedimages,thecompressionmethodfordatastorageandtransmissionhavecertainpracticeguidance.Keywords:Imagecompression;Rapidtransmission;TheBPneuralnetwork太原理工大学2015级硕士研究生考试用纸学生姓名裴晓鹏学号2015510298专业控制科学与工程课程名称：智能控制及其MATLAB实现授课教师李国勇考试时间2016.6第一章引言在当今充满各种类型信息的时代，图像是人类感知世界、表达信息、获取信息和传递信息的重要工具之一。随着人类对图像信息需求量的不断增加，庞大图像数据量的获取、存储、传输以及传播等都面临着巨大的挑战。现实应用中，一幅较大图像数据的存储通常需要占用比较大的内存，而真正用来表征图像本质特征的数据往往相对较少，如果我们将整幅图像数据全部保存，将无形中占用和浪费较大的内存资源，假如我们只保存表征图像的有效数据，则能够节约大量的存储空间。因此，如何对图像信号用少量的数据进行有效表征以减少存储空间和缩短传输时间已成为图像处理领域的研究热点之一。【1】研究发现，一幅图像之所以占据内存大，是因为除了有效信息以外，还有许多余信息和相干信息。通常把图像中大量重复出现的这部分信息称为冗余信息，对于那些可用其它信息表示的信息称为相干信息，也正是因为图像中存在着大量的冗余信息和相干信息，使得对图像进行压缩，即去除图像中的冗余信息和相干信息，只保留图像中的有效特征信息变得可行【2】。所谓图像压缩是指用较少的数据量对冗余信息和相干信息进行效的表征或直接去除。压缩图像为数字图像提供了一种有效的表示方法，同时缓解了系统的存储和传输等压力，也便于用有限的资源查看和处理大量的图像信息。图像压缩技术历经50多年的不断发展，目前已经有一些比较成熟的方法。常用的图像压缩技术通常采用变换的方法来有效地去除图像中的冗余信息。基于变换编码压缩的方法，常用的主要有离散余弦变换(DiscreteCosineTransform,DCT)编码〔81和离散小波变换(DiscreteWaveletTransform,DWT)编码，，‘“。DCT变换将空间域的图像信号变换到频域，使得信号能量集中在一起，能够用少量的有效数据来表征原始图像。由于DCT变换基固定，并且能够快速实现，使其在许多图像压缩技术中采用。如JPEG,MPEG,H.26x和AVS等标准均采用了DCT变换技术。如今，通信网络技术的发展、数字图像的阅览和图像数据的传输不断要求图像压缩方法能够提供高质量和高分辨率的解压图像，来满足不同等级的需求，这些灵活性的要求往往与DCT的编码结构很难结合起来，有待相关研究者进行更深入的研究【3】。1974年，小波变换(WaveletTransform,WT)理论出现，极大地促进了数据压缩技术的进一步发展【4】。小波变换和DCT变换类似，可以将图像从空间域变换到频域，使图像按频率能量分布更为集中;小波变换通过对图像进行多尺度分解，可以获得不同程度上的近似图像信号。80年代末，LuJian等人就将小波变换应用到图像压缩编码中，其具体过程为:首先对图像依据Mallat塔式快速小波变换算法进行多尺度分解;然后对每级的小波系数进行量化;再对量化后的小波系数进行编码处理，最终获得压缩图像。随着小波变换理论的不断发展，其在图像数据压缩领域已经被广泛地应用，如2002年提出的图像压缩编码方法JPEG2000就是基于DWT的一种新的静止图像压缩标准【5】。1993年，MPEG-1正式成为视频图像压缩标准(运动图像压缩标准)。MPEG-1主要面向数字存储媒体，应用于多媒体计算机、电子出版物以及交互式电视等领域。随着太原理工大学2015级硕士研究生考试用纸学生姓名裴晓鹏学号2015510298专业控制科学与工程课程名称：智能控制及其MATLAB实现授课教师李国勇考试时间2016.6数字图像技术的不断发展，随后的几年中，陆续推出了MPEG-2,MPEG-4,MPEG-7等标准【6】。图像压缩编码方法已经发展多年，并且日渐成熟，一系列的图像压缩标准也在不断完善和发展，从静止图像压缩标准JPEG到JPEG2000的发展使得图像的压缩比以及重构图像质量都有很大的提升，尤其从动态图像压缩标准MPEG-X系列可以看出，基于图像内容信息的压缩编码方法将是图像压缩发展的趋势【7】。本文在阐述BP神经网络的图像压缩原理基础上，仿真实现了基于BP神经网络的静态灰度图像压缩。太原理工大学2015级硕士研究生考试用纸学生姓名裴晓鹏学号2015510298专业控制科学与工程课程名称：智能控制及其MATLAB实现授课教师李国勇考试时间2016.6第二章人工神经网络简介人工神经网络从生理学角度模拟人脑大量神经元细胞的运行机理，通过不断对链接权值进行修改，达到训练、模拟、预测等目的。人工神经网络经一段时间的低潮后，从20世纪80年代起，逐渐进入热潮，并衍生出多种网络链接方式，在工程、勘探、图像、预测等方面应用广泛【8】。1988年Hecht-Nielsen对人工神经网络定义如下“人工神经网络是一个并行、分布处理结构，它由处理单元及称为连接的无向信号通道互连而成。这些处理单元具有局部内存，并可以完成局部操作。每个处理单元有一个单一的输出链接，这个输出可根据需要被分支多个并行链接，且这些并行连接都输出相同的信号，即相应处理单元的信号及信号的大小不因分支的多少而变化。处理单元的输出信号可以是任何需要的数学模型，每个处理单元进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入连接到达处理单元的所有输入信号的当前值和储存在处理单元局部的范围值。”【9】1986年，Rumelhart和McCelland在ParallelDistributedProcessing一书中，提出BP学习算法。用得最广泛的BP神经网络一般采用三层，即一输入层，一隐层，一输出层。BP算法训练时，由工作信号正向传播和误差信号反向传播组成；工作时，采用训练好的权值进行计算。工作信号正向传播。神经网络的输入数据在输入层经传递函数的计算，把结果传向隐层；再经隐层传递函数的计算，结果传向输出层，在输出层产生输出。在此过程中，网络权值不变，算法计算因输入、网络权重、阈值、传递函数等产生的输出。误差信号反向传播．产生输出结果后，根据输出值和期望值之间的差异，把误差回传，根据不同的具体算法，从输出层起，逐层调整网络权值，至输入层，目的是通过调整权值，使输出的数据更接近期望值．然后再进行工作信号正向传播，得出输出层结果后，再调整网络权值，如此循环。工作时，采用经多次调整的网络权值，把输入数据传递到输出层，产生输出。BP网络是目前发展较为成熟的神经网络模型之一，是一种利用非线性可微分函数进行权值修正与调整的多层前馈人工神经网络，能通过严谨的数学理论进行推理验证，在模式识别、函数逼近、数据压缩等方面获得了广泛应用与认同。BP网络算法的主要特点是输入信号正向传递，误差反向传播。BP网络的学习训练算法的实质是把样本集合的输入输问题变换为一个非线性优化问题【10】。其网络结构分为输入层、隐含层、输出层等三层。一个典型的BP神经网络模