人工神經網路在圖像壓縮方面的套用越來越引起人們的注意，和一些傳統的壓縮方法相比，人工神經網路技術具有良好的容錯性、自組織性和自適應性，因此在圖像壓縮過程中，不必藉助於某種預先確定的數據編碼算法，神經網路能夠根據圖像本身的信息特點，自主地完成圖像編碼和壓縮。
基本介紹
- 中文名：神經網路編碼
- 用途：用於圖像壓縮
神經網路編碼的分類,BP網路,自組織映射神經網路,總結,
神經網路編碼的分類
目前，在神經網路編碼中，使用較多的是三層BP網路和自組織映射神經網路。
BP網路
採用BP網路實現數據壓縮好比是強迫數據通過細腰型網路的瓶頸，並期望在網路的瓶頸處能獲得較緊湊的數據表示。圖1-1給出了BP網路進行數據壓縮的原理，將圖像先分層n個小塊，對應於輸入的n個神經元，壓縮後的數據對應於隱含層m個神經元，m≦n。通過訓練算法在網路學習過程中調整網路的權重，使訓練集圖像的重建誤差E=||X-Z||均值達到最小（X為輸入層樣本集，Z為輸出層樣本集），或者說使重建圖像在均方誤差意義上儘可能地相似於原始圖像。經過訓練後的BP神經網路便可以用來進行圖像壓縮。
圖1-1BP神經網路圖像壓縮
圖1-1BP神經網路圖像壓縮自組織映射神經網路
自組織映射神經網路中的神經元可以自動根據外部刺激的興奮點調整自己在由外界信號決定的參數空間中的位置。以一種雙層神經網路為例，其中輸入層神經元（x1，x2，…,xn）簡單眼映外部刺激。在輸出層中，M個神經元排布成二維網路，其中每個神經元j接收兩類輸入：來自輸入層神經元i的輸入xi(權重為wij)和來自輸出層神經元的固定權重。對每一個外界輸入矢量x=( x1，x2，…,xn),只有一個同該輸入的距離di=f(x,wj),wj=(w1j,w2j,…,wnj)為最小的神經元j才被激發。其中，距離函式f(x,wj)反映了在某一準則（一般為平方誤差準則）下，矢量x與wj之間的距離。在網路的訓練中只需要提供輸入矢量x,通過調整從公共的外部輸入到每個神經元j的連線權重wj，權重矢量將逐漸指向輸入矢量空間的聚類。從而實現了輸入空間的維數壓縮，完成了類似於矢量量化的功能。
總結
除了把神經網路直接用於圖像壓縮之外，還可以把神經網路同傳統的圖像壓縮編碼算法相結合，構成許多間接套用神經網路的圖像編碼方法。但是，目前人工神經網路的工作原理還不清楚，神經網路的圖像編碼方法的研究目前僅處於一個初級階段，需要解決的問題還很多，如完善人工神經網路的理論體系，弄清楚神經網路的工作原理，找到適合圖像數據的高效壓縮，充分利用視覺信息處理機制的神經網路模型和學習算法。
