異構(gòu)神經(jīng)網(wǎng)絡圖像量化算法研究.pdf

1、現(xiàn)代人類對周邊信息的獲取越來越依賴于圖形和圖像的處理。隨著計算機技術和半導體技術的進步，還有當下移動互聯(lián)網(wǎng)的興起，圖像的分辨率越來越大導致圖像包含的信息量越來越大，進而需求圖像的量化、壓縮和傳輸技術的革新。
　　起源于哺乳動物視覺皮層的脈沖耦合神經(jīng)網(wǎng)絡模型(Pulse Coupled Neural Networks Model)在21世紀初已開始廣泛應用于圖像處理的各個領域，如圖像分割、目標識別、特征提取等。然而其在圖像量化領域沒

2、有太多的應用，因此很有必要對其在量化方面進行深入的研究，結(jié)合其在人眼視覺方面的良好特性，繼而得到更符合人眼視覺系統(tǒng)的圖像量化方案。
　　本文在分析 PCNN的基本原理和異構(gòu)神經(jīng)網(wǎng)絡的基礎上，結(jié)合兩個模型提出了異構(gòu)脈沖耦合神經(jīng)網(wǎng)絡量化算法(HPCNN)，它包括圖像分割和圖像量化兩部分。使用 Berkeley分割數(shù)據(jù)集和國際標準圖像庫進行算法測試，得到了較好的效果。本論文的主要工作如下：
　　1、簡述圖像量化的研究背景和意義。從

3、圖像量化和神經(jīng)網(wǎng)絡兩方面綜述其發(fā)展，同時介紹 PCNN和異構(gòu)神經(jīng)網(wǎng)絡的基本原理。
　　2、介紹常用的圖像量化算法：均勻量化算法、μ率 A率量化算法、K-means聚類量化算法，并對比這些量化算法和 PCNN量化算法、HPCNN量化算法之間的異同。實驗結(jié)果表明，HPCNN量化算法在整體上具有最優(yōu)的效果。
　　3、利用 ARM硬件平臺 S3C2440搭建開發(fā)環(huán)境，將 HPCNN圖像量化算法移植到 ARM開發(fā)平臺上，滿足移動互聯(lián)網(wǎng)