基于BP神经网络的图像压缩--神经网络实验报告.doc

基于BP神经网络的图像压缩--神经网络实验报告.doc一、实验名称基于BP神经网络的图像压缩二、;;,分析仿真图像压缩效果。三、;,设计BP神经网络架构;;。四、实验步骤(一)分析原理,编写程序本实验主要利用BP神经网络多层前馈的模式变换能力,实现数据编码和压缩。采用输入层、隐含层、输出层三层网络结构。输入层到隐含层为编码过程,对图像进行线性变换,隐含层到输出层为网络解码过程,对经过压缩后的变换系统进行线性反变换,完成图像重构。其主要步骤有以下五步:,采用Levenberg-Marquardt方法,将训练图像的所有像素点作为压缩网络的输入,对图像进行划分。将原始图像分成4×4的互不重叠的像素块,并将每个像素快变形为16×1的列向量,将原始数据转化为16×1024的矩阵。对输入数据进行预处理,像素块矩阵进行尺度变换,即归一化处理。为了将网络的输入、输出数据限定在[0,1]的区间内,本实验采用均值分布预处理方法。将待处理图像的灰度范围[xmin,xmax],变换域为[ymin,ymax],设待处理的像素灰度值为xi,则对于所有过程的映射yi满足公式:yi=xminmaxmin)min)(max(???xxxiyy+xmin其主要程序为:P=[];%将原始数据转化为16*1024的矩阵fori=1:32forj=1:32I2=I((i-1)*4+1:i*4,(j-1)*4+1:j*4);i3=reshape(I2,16,1);-1-II=double(i3);P_1=II/255;%矩阵归一化处理P=[P,P_1];,设此网络图像压缩比为S,网络输入层节点数为ni,隐含层节点数为nh,则压缩比:S=nhni本实验将原始图像数据转化为16×1024的矩阵数据,网络输入层节点数为ni=64,隐含层节点数要求小于输入层节点数,则分别取nh为4、8、12、16进行实验。(每一列代表一个输入模式),并将此作为输出矩阵。根据采用Levenberg-Marquardt方法,在Matlab中调用训练算法,即调用newff函数开始训练网络,函数的输入参数BTF取值“trainlm”,TFi取值“tansig、logsig”,训练次数设定为500次,。=newff(minmax(P),[8,16],{'tansig','logsig'},'trainlm');=0..=500;,然后进行仿真。在Matlab中用sim函数进行仿真。,并进行尺度变换回原数据量值,即每个矩阵元素分别乘以255,将像素值从[0,1]恢复到[0,255]区间内,再将列向量变形成图像块,合成一副完整图像,完成图像重构。其主要程序为:Y_fz=,P);%对网络训练结果进行编码仿真Y_cg=[];%图像重构-2-fork=1