论文部分内容阅读
图像压缩的目的是在保证一定的图像质量和满足任务要求的条件下,减少原始图像数据量,它可归结为一个复杂的优化问题。进化算法是解决复杂优化的有效手段,它属于进化计算应用领域。因此,本文研究将进化算法用于图象压缩问题。这种方法不仅使算法操作简单,而且数据处理对CPU和内存的要求也不高—用极少的比特数存储图像,提高图像的质量。本文采用遗传算法GA(Genetic Algorithm)、粒子群算法PSO (Particle Swarm Optimization)以及基于量子行为粒子群算法QPSO (Quantum-behaved Particle Swarm Optimization)三类群体智能算法来研究图像压缩问题。图像压缩是存储图像比特数对误差函数的最小化,由于误差函数常为多峰的,可能存在多个局部极值,因此一般的梯度算法往往找不到全局最优解。PSO算法和QPSO算法属全局搜索算法,所以用它们来优化数据存储量对于提高图像的质量具有重要意义。首先本文研究基于图像像素的遗传算法,从中得到一个有序的图像像素序列,然后结合固定聚类、固定类的动态聚类、不固定类的动态聚类、局部调整四种聚类方法来共同实现压缩。仿真结果表明,用局部调整聚类的GA进行图像压缩,精度更高,收敛速度更快。其次研究粒子群优化算法PSO应用到图像压缩处理中的可行性。为了提高粒子群算法的收敛速度,增强算法的全局搜索能力,在此基础上引入了一种基于量子行为的粒子群优化算法模型QPSO,主要是结合了量子物理的思想修改了PSO的“进化”方法(即更新粒子位置的方法),在更新粒子位置时重点考虑各个粒子的当前局部最优位置信息和全局最优位置信息。最后,将基于量子行为的粒子群优化算法应用于图像压缩中并将与遗传聚类算法对比,仿真结果证明,QPSO的收敛速度明显高于GA算法,且鲁棒性好。