外文翻译中文---神经网络用于图像压缩(编辑修改稿)内容摘要：
预测矢量量化 （ APVQ） 使用 SOFM 算法进行码书 设计 的另一个优点 在 SOFM 的变体中表现出来，称为 地址预测矢量量化（ APVQ） [66]。 这种技术采用顺序码书，其中相邻码字间在某种意义上是相互联系的。 图象中相邻码字和相邻块之间的联系可被用于 DPCM 编码， 其中 输入信号就是码书地址。 这种技术可提高编码增益，允许有损地址编码。 与标准的 SOFM算法相比， 用 SOFM 与 APVQ 联合产生码书 ， 编码 图像仅需 小于 37%的比特数 [66]。 E． 有限状态矢量 量化 （ FSVQ） SOFM 算法也被成功地应用于 有限状态矢量量化 （ FSVQ） 的方案中 [67]。 在 FSVQ中，从当前状态 nS 的码书中选择码字索引 ni。 当前状态是前一状态 1nS 和前一码字索引 1ni 的函数。 如果状态转移函数是下一个输入的较好的预测器，那么每一个状态码书都将比无记忆量化器所需的码书少得多。 Liu 和 Yun[67]使用单个超码书的子集作为状态码书来代替每一状态的分离码书。 超级码书由 SOFM 算法得出 ， 并且状态码书在拓扑映射内是相邻的。 在图象中，当前状态码书仅在前一输入块与当前输入块相邻的码字周围。 他们发现， 对于给定的比特率，同时应用 FSVQ 和 SOFM 可使 信噪比（ SNR）较无记忆 VQ 增加 ；此外，对于相同的失真，比特率减少一半以上。 F． 学习矢量量化 （ LVQ） SOFM 算法计算出一组矢量 },{ 21 K ，这组矢量用作为矢量量化中的码字。 学习矢量量化是一种监督学习算法，如果有一组标记的训练数据，它可用来修正码书[57]。 对于一个输入矢量 x ，设最近的码字索引为 i ，输入矢量的类脚标为 j ，码字 iw按以下规则修正： 若类脚标与码字索引一致，即 ji ，则 )]()[()()1( twxttwtw iii (39) 若 类脚标与码字索引不一致，即 ji ，则。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。