摘要：为了提高DCT编码的性能,本文提出了余弦变换域中的纹理分析方法,设计了五个纹理特征度量,从而构成基于模式识别原理的自适应DCT图象编码。由于设计中强调了对人眼非常敏感的纹理,所以重建图象可在0.3比特/象素时无明显失真。

摘要：本文用Kohonen的自组织特征映射神经网络设计图象矢量量化的码书,研究了网络的基本性质和学习算法的实现,提出了对学习算法的改进方法。实验结果表明,自组织特征映射神经网络能够有效地用于构造图象矢量量化的码书,算法简洁,实现快速,编码效果优良。

摘要：矢量量化用于图象编码的计算复杂度是矢量量化器设计的一个关键问题。本文针对搜索复杂度提出了两种新的快速算法。在保证不降低编码性能的前提下实现所求码矢是码书中的最佳匹配并大大提高了编码速度。计算机模拟结果表明:这两种算法无论在加法、乘法、还是比较操作上均比Gray的改进型算法节省许多。

摘要：本文提出一种基于人的视觉特性的自适应预测图象编码方法(APICM),该方法核心是通过引入噪声反馈滤波器实现噪声重新分布,以抑制图象敏感区频带内的重构噪声.同时,在不灵敏频带内(如图象边缘区)引入一定噪声以达到整个恢复图象的噪声平滑.因而,可以用更粗(量化电平更少)的非均匀量化器实现.此方法不仅设计复杂度低,且性能比传统的DPCM方法好.

摘要：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。

摘要：本文给出了一个基于二维小波（Ｗａｖｅｌｅｔ）分解来进行图象压缩编码的方法。这里是使用正交小波变换来由行图象分解（即在正交小波基上分解），得到一个图象的多分辨率表示，各频道分量对图象结构的把握是整体的，从更大程度上解除了图象象素之间的相关性，克服了由ＪＰＥＧ方法进行图象压缩编码而产生的块效应。对图象进行二维正交小波分解后，我们使用ＣＶＱ（ＣｌａｓｓｉｆｉｅｄＶｅｃｔｏｒＱｕａｎｔｉｚａｔｉｏｎ）对小波系数进行编码，得到了较高的编码效率和重建图象质量。

摘要：提供了一种基于神经网络的ＤＰＣＭ的编码方法。它通过基于图象实例的训练，可以处理一些线性预测方法所不能处理的高阶特征以及非线性相关性。并由此方法设计了一种典型的预测器—２Ｄ－ＮＮＡＤＰＣＭ预测器，且提出根据不同图象的信息和要求进行人为分块，以达到更好的编码效果。

摘要：主要介绍了用基于MATLAB的小波分析方法进行图象编码的原理,并对小波分解和重构及图象压缩和解压缩的必然关系进行了详细阐述。同时给出了较为具体的小波分解与重构实验设计报告。实验表明:对图象数据进行小波分解与重构,实际取得了图象压缩与压缩的效果。

摘要：神经网络已显示出对实时数据处理系统的重要性。本文介绍使用神经网络的自适应图象编码系统。系统设计以系统适应性是其效率和效能的关键这一事实为基础。建议用合成源数据模型作为图象数据的数学模型。以合成源模型为基础,编码系统首先对图象数据分类,然后用专用方案变换和编码数据类型。为用纹理分类的图象数据分类,推荐利用经验和透视的可靠的学习神经网络模型——LEP。开发了与两层线性-前馈网络特征值有关的按递降次序排列的学习Karhunen-Loeve(K-L)变换基方案。这两个学习机构用作为编码系统的基本部分,能大大提高系统的适应性。试验结果表明压缩后高质量图象的位比率低到0.1767位/象素。

摘要：本文提出了一种新的静态图象高压缩比编码方法——轮廓-纹理编码方法。首先利用模糊(Fuzzy)集合理论,对图象数据在频域与空域上作预处理,去掉部分冗余信息,提取并细化轮廓。然后利用FREEMAN链码对轮廓进行编码。设计了一种区域标号化的方法,对纹理图象进行编码,从而提高了压缩比。为验证算法的有效性,对USC-GIRL标准图象在IBM PC/AT机上进行了模拟实验,从恢复图象的质量与压缩比综合衡量,结果是令人满意的。