粒子群优化算法在图像矢量量化码书设计中的应用

鉴于经典的LBG码书设计算法易陷入局部最优解,首次采用粒子群优化算法来设计图像矢量量化的最优码书,并提出了粒子群矢量量化（PSO-VQ）算法和粒子一致性操作（PCO）。在PSO-VQ算法中,每个粒子表示一个码书,以粒子群进化的方式对初始码书进行迭代而获得最优码书,PCO操作对各初始码书中的码矢量按其灰度均值排序,使不同码书的内部结构基于码矢量灰度均值达到基本一致,确保了结果向全局最优解收敛。实验证明,PSO-VQ算法在解码图像的PSNR值和主观效果上都优于LBG算法,同时拓展了粒子群优化算法的应用领域。     

基于主分量分析和遗传算法的码书设计算法

提出了一种高效的矢量量化码书设计算法．首先采用主分量分析对训练矢量排序以减少计算复杂度，然后充分利用遗传算法的全局优化能力计算得到接近全局最优的矢量量化码书．实验结果表明：该算法的计算时间少于经典的LBG算法，而且当码书大小不超过64时，所生成的码书性能比LBG算法有明显提高．     

动态模糊矢量量化算法

由于传统的Ｋ－均值算法在用于矢量量化时强烈依赖初始码书的选取,如果初始码书选取不好,则很容易陷入局部最小点;而Ｂｅｚｄｅｋ的模糊Ｋ－均值算法由于计算量很大,也很少用于矢量量化的设计码书,因此人们一直在寻找收敛速度和收敛效果两者性能较好的算法,在研究Ｎｉｃｏｌａｏｓ等人提出的模糊矢量量化（ＦＶＱ）算法基础上,针对ＦＶＱ算法收敛过程存在的总理２,并从收敛结构和收敛策略出发,提出了一种动态的法在收敛速度     

基于自组织特征映射网络的模糊矢量量化算法

自组织特征映射（SOFM）是一种常用的矢量量化算法，它具有设计码书不依赖于初始码书等优点。模糊矢量量化算法（FVQ）将模糊关系引入码书的设计，训练矢量与码矢之间的模糊关系用隶属函数表示。本文提出了一种基于自组织特征映射网络的模糊矢量量化算法（FSOFM），FSOFM算法将SOFM网络的调节节点邻域看作训练矢量的模糊集，网络权值学习步长的选择依赖于隶属函数。由于设计码书的评价一般采用最小均方误差准则，而隶属函数是训练矢量与码矢之间距离的函数，FSOFM算法保证了网络的全局成优化和网络权值的局部调整一致；因此，FSOFM算法能够优化码书的设计，改善设计码书的性能。此外，FSOOFM算法还具良好的适应性，当网络的将LBG、SOFM、FVQ和FOSOFM算法用于一组具有不同边缘特性的图像的矢量量化中，我们发现采用FSOFM算法进行矢量量化的所有图像都具有最高的峰值信噪比PSNR。     

一种基于时变信道的自适应矢量量化方法

提出了一种信道自适应加权矢量量化（CAWVQ）算法。采用对处于两种不同状态的典型码书进行加权的算法，获得与信道状态相匹配的码书，并且只使用较少的存储空间。将该算法应用于噪声信道中，能够有效的提高矢量量化器的性能。仿真实验表明该算法能够比其他算法得到更高的信噪比。     

均值与矢量量化复合快速图像编码算法

矢量量化是一种有效的数据压缩技术,由于其算法简单,具有较高的压缩率,因而被广泛应用于数据压缩编码领域。通过对图像块灰度特征的研究,根据图像的平滑与否,提出了对图像进行均值和矢量量化复合编码算法,该算法对平滑图像块采用均值编码,对非平滑块采用矢量量化编码。这不仅节省了平滑码字的存储空间,提高了码书存储效率,并且编码速度大大提高。同时采用码字旋转反色（2R）压缩算法将码书的存储容量减少到1/8,并结合最近邻块扩展搜索算法（EBNNS）对搜索算法进行优化。在保证图像画质的前提下,整个系统的图像编码速度比全搜索的普通矢量量化平均提高约7.7倍。     

模糊C-均值聚类新算法在说话人辨认中的应用

该文提出了一种将模糊C-均值聚类法的各种改进算法与矢量量化法相结合的说话人辨认的新方法。首先从语音信号中提取MFCC特征矢量,其次利用矢量量化来设计码书,最后用改进算法对待识语音进行辨认。新算法的辨认率达到95%以上,抗噪性能也优于矢量量化法。     

基于改进CPN的快速矢量量化

对向传播神经网络(CPN)可以作为矢量量化器用于图像压缩，但CPN学习算法在进行码书设计时存在两个明显的缺陷。本文对CPN学习算法进行改进，提出了一种新的码书设计算法——快速竞争学习及误差修正算法(FCLECA)和一个基于改进CPN的快速矢量量化器模型，并讨论了FCLECA中的重要步骤和重要参数。仿真实验结果表明，FCLECA在生成高质量码书的同时大幅减少了训练时间，可以有效地实现快速矢量量化。     

基于改进人工蜂群的图像矢量量化码书设计算法

为了进一步提高图像矢量量化的码书质量,提出了一种新的图像压缩矢量量化码书设计算法。该算法采用均方误差(MSE)作为码书设计的适应度函数,利用改进的人工蜂群算法进行适应度函数的优化求解,增强了算法的自组织性和收敛性,大大减少了陷入局部收敛的可能性。将一种基于和值特性的快速码字搜索思想引入到码书设计算法中,使算法计算量明显降低。仿真结果表明,该算法具有计算时间短、收敛速度快的优点,并且生成的码书质量好、稳定性强。     

自适应补偿矢量量化

提出了一种基于ＬＢＧ码书设计的新的图像矢量量化算法。该算法利用图像信号在正交矢量空间中的能量集中性,有效地减小了码书的搜索范围,加快了矢量量化速度。同时利用原始图像和重建图像之间的差值进行了自适应补偿,在保证较高压缩比的同时,有效地克服了矢量量化的致命缺陷,即重建图像存在严重的方块效应。     

Optimal adaptive k-means algorithm with dynamic adjustment oflearning rate

Adaptive k-means clustering algorithms have been used in several artificial neural network architectures, such as radial basis function networks or feature-map classifiers, for a competitive partitioning of the input domain. This paper presents an enhancement of the traditional k-means algorithm. It approximates an optimal clustering solution with an efficient adaptive learning rate, which renders it usable even in situations where the statistics of the problem task varies slowly with time. This modification Is based on the optimality criterion for the k-means partition stating that: all the regions in an optimal k-means partition have the same variations if the number of regions in the partition is large and the underlying distribution for generating input patterns is smooth. The goal of equalizing these variations is introduced in the competitive function that assigns each new pattern vector to the "appropriate" region. To evaluate the optimal k-means algorithm, the authors first compare it to other k-means variants on several simple tutorial examples, then the authors evaluate it on a practical application: vector quantization of image data.     

基于K-MEANS算法的语境相关矢量量化

研究用于连续语音识别的语境相关矢量量化技术.提出采用k-means(k-均值)算法 逐一地调整决策树叶子所包含的各个语境,实现对音素模型的混合密度的优化.实验结果表 明,采用k-means算法的语境相关矢量量化得到的平均分布密度比简单合并决策树叶子所得 到的平均分布密度提高4％～10％.     

K均值优化算法综述

k-means算法源于信号处理中的一种向量量化方法,现在则更多地作为一种聚类分析方法流行于数据挖掘领域。在数据挖掘技术中常常使用聚类方法,而k-means算法作为最典型、最常见、实用度最广的一种聚类算法,具有简单易操作等优点。但此算法需要人工设定聚类中心的数量,初始聚类中心,容易陷入局部最优,使得算法的时间复杂度变得较大,得到的聚类结果易受到k值与设定的初始聚类中心的影响,针对这些问题,本文介绍了k-means算法的改进方法,分析其优缺点并提出了优化算法的下一步研究方向。     

一种融合变异系数的k-mean聚类分析方法

K-means聚类算法的性能依赖于距离度量的选择,k-means算法将欧几里德距离作为最常用的距离度量方法。欧氏距离认为所有属性在聚类中作用是相同的,但是这种距离度量方法并不能准确反映样本间的相异性。针对这种不足,提出了融合变异系数的k-means聚类分析方法（CV-k-means）,利用变异系数权重向量来减少不相关属性的影响。实验结果表明,该方法的聚类结果优于k-means算法。     

基于量化误差与分形理论的高计算效率无监督聚类研究*

已有的矢量聚类算法需学习较多的复杂数据方可获得较好的聚类效果,而对于多维的大数据性能较弱,对此,提出一种基于量化误差与分形理论的高计算效率无监督聚类算法。首先,为数据集建立量化误差的参数化模型,基于数据集的空间结构获得数据集的率失真曲线;然后,通过对率失真曲线的估算,获得数据空间的有效维度;最终,利用分形理论,通过搜索数据集的量化模型参数获得目标数据集的最优类簇数量。实验结果表明,本文的量化误差参数化模型可较好地估算数据集的有效维度,同时,本算法对数值型数据集的最优类簇估算与计算效率优于已有的矢量聚类算法。     

Fuzzy declustering-based vector quantization

Vector quantization is a useful approach for multi-dimensional data compression and pattern classification. One of the most popular techniques for vector quantization design is the LBG (Linde, Buzo, Gray) algorithm. To address the problem of producing poor estimate of vector centroids which are subjected to biased data in vector quantization; we propose a fuzzy declustering strategy for the LBG algorithm. The proposed technique calculates appropriate declustering weights to adjust the global data distribution. Using the result of fuzzy declustering-based vector quantization design, we incorporate the notion of fuzzy partition entropy into the distortion measures that can be useful for classification of spectral features. Experimental results obtained from simulated and real data sets demonstrate the effective performance of the proposed approach.     

修正的广义学习向量量化算法

讨论了Pal等的广义学习量化算法(GLVQ)和Karayiannis等的模糊学习量化算法(FGLVQ)的优缺点，提出了修正广义学习量化(RGLVQ)算法。该算法的迭代系数有很好的上下界，解决了GLVQ的“Scale”问题，又不像FGLVQ算法对初始学习率敏感。用IRIS数据集对算法进行了测试，并应用所给算法进行了用于图像压缩的量化码书设计。该文算法与FGLVQ类算法性能相当，但少了大量浮点除法，实验过程表明节约训练时间约l0％。     

一种基于Tabu搜索的模糊学习矢量量化图像编码算法

模糊学习矢量量化算法（FLVQ）虽然解决了硬的竞争学习对初始码本的依赖性问题,但收敛速度变慢,且仍无法克服陷入局部最小。为此在分析模糊学习矢量量化图象编码原理的基础上,探讨了FLVQ算法的几种优化途径,进而进出了一种基于Tabu搜索（TS）的模糊学习矢量量化的新算法（TS－FLVQ）,并给出了该算法的具体实现方法及步骤。该算法首先利用TS技术产生一个面向全局搜索的寻优列表,然后再进行模糊学习以得到最优解,实验结果表明,该算法在收敛速度及编码效果上均较FLVQ有较大的提高。。     

基于Fisher判据的自适应彩色图像量化算法

提出了一种基于Fisher判据的自适应彩色图像量化算法。首先用八叉树算法把原始图像量化为256种颜色,然后根据人类的视觉特性,参照NBS距离与人类视觉对颜色差别的定量关系,自动确定初始聚类中心及聚类数目,在此基础上,用Fisher判据自动确定出初始类中心的一个同组,从而实现图像的量化。实验结果表明所提算法无需事先给定颜色量化数目,在量化数目相同的情况下,量化效果明显优于八叉树算法和k均值算法。     

基于模糊矢量量化图象编码的研究

分析了模糊矢量量化（ＦＶＱ）图象编码的原理，给出了ＦＶＱ设计三要素。提出了用于图象编码的指数型模糊矢量量化算法（ＦＶＱＥ）。实验结果表明，ＦＶＱＥ的图象编码性能与ＦＶＱ相当，但收敛速度要略快于ＦＶＱ算法。