![](https://csdnimg.cn/release/download_crawler_static/24668738/bg1.jpg)
山西电子技术
2019 年第 6 期
应用实践
收稿日期:2019 - 08 - 27
作者简介:罗 山(1979 ̄ )ꎬ男ꎬ四川乐至人ꎬ讲师ꎬ硕士ꎬ主要研究方向:图像处理与模式识别在智能交通中
的应用ꎮ
文章编号:1674 ̄4578(2019)06 ̄0031 ̄03
神经网络在交通图像压缩中的应用
罗 山
(攀枝花学院交通与汽车工程学院ꎬ四川 攀枝花 617000)
摘 要:利用神经网络的结构特征及良好的数据处理能力、在数据压缩领域拥有的先天优势ꎬ
采用性能优良的 BP 算法构建网络模型ꎮ 分析 BP 网络压缩的原理ꎬ搭建压缩系统模型ꎬ分别使用
自适应学习率梯度下降法和 BFGS 拟牛顿法训练网络ꎬ从而实现交通图像的压缩与重建ꎮ 实验结
果表明ꎬ基于 BFGS 拟牛顿法的 BP 神经网络收敛速度快ꎬ压缩性能优良ꎬ获得低压缩率的同时重建
图像视觉效果良好ꎮ
关键词:神经网络ꎻ 交通图像压缩ꎻ BP 算法ꎻ 自适应学习率梯度下降法ꎻ BFGS 拟牛顿法
中图分类号:TP391. 41 文献标识码:A
0 引言
经典的图像压缩算法如熵编码算法ꎬ行程编码
算法ꎬLZW 压缩算法
[1]
ꎬ矢量量化编码算法
[2]
ꎬDCT
压缩算法
[3]
ꎬ小波压缩算法
[4]
等存在某些方面的不
足ꎬ无法获得满意的压缩效果ꎮ 人工神经网络具有
强大的模式识别和数据拟合能力ꎬ在图像压缩领域
的应用日益广泛
[5]
ꎮ 它大大降低了处理大容量的
交通图像的复杂性ꎬ并且对图像中的噪声具有很好
的容错性ꎬ因此采用性能良好的神经网络进行交通
图像的压缩ꎮ
1 神经网络模型与原理
神经网络种类繁多ꎬ其中应用最为广泛的是 BP
(Back Propagation)神经网络
[6]
ꎬ具有非常强的非线
性映射能力ꎬ结构简单、易于实现ꎮ 三层 BP 网络的
典型结构如图 1 所示ꎮ
图 1 三层 BP 网络模型
BP 网络的核心是误差反向传播算法与梯度下
降算法ꎬ其基本原理是计算实际输出与期望输出的
误差ꎬ通过误差反向传播求得权值和阈值的梯度ꎬ利
用梯度下降法不断调整网络的权值和阈值ꎬ使网络
的误差平方和最小ꎮ BP 网络的学习分为信号正向
传播和误差反向传播两个过程ꎬ信号正向传播是输
入已知学习样本ꎬ通过构建的网络和前一次迭代的
权值和阈值ꎬ从网络的第一层向后逐层计算各神经
元的输出ꎻ误差反向传播是通过计算输出层输出与
期望值的误差ꎬ使误差沿原信号路径返回ꎬ通过梯度
下降法不断修改各层的连接权值和神经元节点阈
值ꎮ 训练网络时ꎬ这两个过程反复交替进行ꎬ直到误
差或训练次数满足要求为止ꎮ
2 基于 BP 神经网络的交通图像压缩
2. 1 BP 神经网络压缩原理
把一组输入模式通过少量的隐含层神经元映射
到一组输出模式ꎬ并使输出模式尽可能等于输入模
式ꎮ 因此ꎬ隐含层神经元的值和相应的权值向量可以
输出一个与原输入模式相同的向量ꎮ 当隐含层的神
经元个数少于输入层神经元个数时ꎬ就意味着隐含层
能用更少的数来表现输入模式ꎬ即实现了数据压缩ꎮ
从输入层到隐含层的映射相当于对图像压缩的
编码ꎬ从隐含层到输出层的映射相当于解码ꎬ对压缩
后的图像进行反变换实现图像重建ꎮ 输入模式经过
隐含层到达输出层ꎬ训练好的网络隐含层神经元值
则是图像压缩的结果ꎬ而输出层神经元值则是重建
评论0