留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种基于支持向量机的小波图像压缩方法

李元诚 焦润海 李波

李元诚, 焦润海, 李波等 . 一种基于支持向量机的小波图像压缩方法[J]. 北京航空航天大学学报, 2006, 32(05): 598-602.
引用本文: 李元诚, 焦润海, 李波等 . 一种基于支持向量机的小波图像压缩方法[J]. 北京航空航天大学学报, 2006, 32(05): 598-602.
Li Yuancheng, Jiao Runhai, Li Boet al. Wavelet image compression based on support vector machines[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32(05): 598-602. (in Chinese)
Citation: Li Yuancheng, Jiao Runhai, Li Boet al. Wavelet image compression based on support vector machines[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32(05): 598-602. (in Chinese)

一种基于支持向量机的小波图像压缩方法

基金项目: 国防基础科研资助项目;国家863资助项目(2004AA783041); 新世纪优秀人才支持计划资助项目; 中国博士后科学基金资助项目(2004036196)
详细信息
    作者简介:

    李元诚(1970-), 男, 山东烟台人, 博士后, dflyc@163.com.

  • 中图分类号: TP 391.41

Wavelet image compression based on support vector machines

  • 摘要: 提出了一种结合支持向量机(SVM,Support Vector Machines)回归与小波变换的新的静态图像压缩方法.SVM回归方法可以学习原始数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,利用这一特性来逼近和约减小波系数,可以达到数据压缩的效果.首先采用小波变换把原始图像分解成不同尺度的多个子带,由于最低频子带系数非常重要,采用DPCM直接编码,然后对其它频带系数采用SVM回归进行压缩.由于不同尺度和方向的小波系数特征不同,为尽可能去除小波系数间的各种相关性,给出了适合SVM回归的小波系数的有效组织方式.最后研究了支持向量及其相应权重的混合编码方法.实验结果表明:与同类压缩方法相比,本算法获得的恢复图像的主客观质量有明显提高.

     

  • [1] Namphol A, Chin S H, Arozullah M. Image compression with a hierarchical neural network[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(1):326-338 [2] Chen O T C, Sheu B J, Fang W C. Image compression using self-organization networks[J]. IEEE Transactions on Circuits and Systems for Video Technology, 1994,4(5):480-498 [3] Amerijckx C, Verleysen M, Thissen P, et al. Image compression by self:organized Kohonen map[J]. IEEE Transactions on Neural Networks, 1998,9(3):503-507 [4] Vapnik V N. The nature of statistical learning theory[M]. New York:Springer-Verlag, 1995 [5] Robinson J, Kecman V. Combing support vector machine learning with the discrete cosine transform in image compression[J]. IEEE Transactions on Neural Networks, 2003, 14(4):950-958 [6] Smola A J, Scholkopf B. A tutorial on support vector regression .NeuroCOLT Tech,1998-030, 1998 [7] Drucker H, Burges C J C, Kaufmann L, et al. Support vector regression machines[M]. Cambridge,MA:MIT Press, 1997 [8] Vapnik V, Golowich S, Smola A J. Support vector method for function approximation, regression estimation, and signal processing Mozer M, Jor-dan M, Petsche T.Advances in Neural Information Processing Systems 9. Cambridge, MA:MIT Press,1997 [9] Mukherjee S, Osuna E, Girosi F. Nonlinear prediction of chaotic time series using support vector machines Proceedings of IEEE NNSP ’97.Amelia Island:FL,1997 [10] Antonini M, Barlaud M, Mathieu P, et al. Image coding using wavelet transform[J]. IEEE Transactions on Image Processing, 1992, 1(2):205-220 [11] Mallat S G. A theory for multiresolution signal decomposition:the wavelet representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7):674-693 [12] 汪雪林,韩华,彭思龙.基于小波域局部高斯模型的图像复原[J].软件学报,2004,15(3):433-450 Wang X L, Han H, Peng S L. Image restoration based on wavelet-domain local Guassian model [J]. Journal of Software, 2004, 15(3):433-450(in Chinese) [13] Chang Chih-Chung, Lin Chih-Jen. LIBSVM:a library for support vector machines . http://www.csie.ntu.edu.tw/cjlin/libsvm,2001
  • 加载中
计量
  • 文章访问数:  2889
  • HTML全文浏览量:  185
  • PDF下载量:  1095
  • 被引次数: 0
出版历程
  • 收稿日期:  2005-05-31
  • 网络出版日期:  2006-05-31

目录

    /

    返回文章
    返回
    常见问答