论文部分内容阅读
在该论文中,研究者主要研究了采用自组织特征映射SOFM实现矢量量化的方法,另外 还将该方法与"基于图像的视点合成"插补算法相结合应用于对图像序列的纵向体元素的矢量量化压缩编码中,以实现象在网络上的传递多媒体信息所要求的进行甚低码率传输的压缩编码.在对于传统的建立在领域更新规则基础上的SOFM算法性能的讨论中,研究者分析了SOFM算法和GLA算法的矢量量化性能的对比,总结出SOFM算法所具有的特点和优点.探讨了两 类SOFM算法的改进形式,即结构上进行的频度敏感竞争学习规则FSCL,并且还分析了自组织特征映射的时间序列特性.该论文还着重研究了两类具有全局更新性质的软学习方法,即模糊学习机制和软竞争学习机制.该论文则创造性地分别提出两种模糊指数和软竞争ζ参数的选择机制,即基于自组织特征映射能量Gibbs分布的模糊指数选择机制和构造最优自组织特 征映射条件类熵的软竞争ζ参数的选择机制.为了充分考虑到自组织映射在码率约束条件下的率失真性能,在该论文中还提出了一类基于自组织映射实现熵约束矢量量化ECVQ的方法.该方法通过最小化一种熵约束情况下的失真度量来设计码书进行编码.由于矢量量化的性能好坏最终需要一定的标准来衡量,因而该论文中还研究了度量矢量量化性能的若干方法.该论文所探讨的实现自组织特征映射矢量量化的算法还成功地应用于对图像序列的纵向体元素的压缩编码中,其中矢量量化器采用的是软竞争学习机制的熵约束自组织特征映射.另外,在该论文中还创新性地提出了将基于图像的视点合成插补机制应用于图像序列压缩中的新型编码思想,它能更加有效地实现图像序列的压缩与复原.相比于传统的图像序列压缩编码算法,该论文的方法具有压缩效率高,方块效应小,误码影响小,编解码迅速和易于实现不同压缩质量标准下的图像序列重放等优点.随着神经网络并行结构补充的VLI技术的发展和基 于图像的视点合成算法的完善,采用神经网络实现矢量量化并进行插补的图像序列压缩编码方法必将会取得更加迅速的发展.