基于BP神经网络实现印刷图像压缩重建的研究大标题

鲍蓉

(兰州石化职业技术学院 印刷出版工程系,甘肃 兰州 730060)



基于BP神经网络实现印刷图像压缩重建的研究大标题

鲍蓉

(兰州石化职业技术学院 印刷出版工程系,甘肃 兰州 730060)

针对印刷图像压缩重建问题，构建BP神经网络模型，采用LM算法提高了运算速度。在印刷图像压缩重建训练过程中，对隐含层神经元个数设定进行了类比分析，峰值信噪比和压缩比率均达到预期效果。对印刷图像压缩重建后出现块效应效果进行了分析，提出了修正模型方法。

BP神经网络；神经元；印刷图像；压缩重建；信噪比；MATLAB

0 引 言

目前印刷行业已广泛运用数字技术存储和传输图像，图像信息数字化后，具有信息量大、带宽宽等特点。如何在有限的时间和空间里有效地处理、存储和传输更多图像信息以减少成本，成为日益尖锐的问题。如果增加信道的资源，但信道的增加永远赶不上信息的爆炸式增长，况且还要受到环境等因素的制约,那就只能尽量减少表示图像的数据量，以达到压缩图像数据的目的，因此印刷图像的压缩是非常有必要的。

图像压缩的算法多种多样，如JPG/JPEG图像使用JPEG压缩标准，JPEG压缩标准使用了变换编码与熵编码的方式。此外还有基于小波变换的图像压缩算法、分形压缩编码、矢量量化压缩编码等。本文采用BP神经网络对印刷图像进行压缩，在保证较好峰值信噪比(Psnr)的情况下，达到了较高的压缩比(Rate)[1-2]。

1 神经网络

BP神经网络至少包含一个隐含层，因此整体构成了一个三层的网络。把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。因此，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。当隐含层的神经元个数较少时，就意味着隐含层能用更少的数来表现输入模式，这就是BP压缩原理。

图1 BP压缩原理

第一层为输入层，中间层为隐含层，网络的映射功能依赖隐含层实现。输入层到隐含层的变换相当于压缩的编码过程，而从隐含层到输出层的变换则相当于解码过程，如图1所示[3]。

网络的输入层和输出层均由M个神经元组成，隐含层包含K(K

设定输入图像为N×N像素大小，被细分为n×n个图像块，图像块中每一个像素点与一个输入或输出神经元相对应，如图3所示[4]。

图2 BP压缩加压过程

图3 BP图像压缩编码

图4 BP计算模型

在图像中，每个图像被量化为m比特，共2m个。按线性关系转换为0～1之间的数值作为网络的输入和期望输出。网络随机抽取图像中的图像块作为学习模式。使用反向传播算法进行学习，通过调整网络中神经元之间的连接权值，使训练集图像的重建误差E=f-g的均值达到最小。训练好的网络隐含层神经元矢量即数据压缩结果，而输出层神经元矢量即重建数据如图4所示。

模型输入层与隐含层之间连接权值矩阵为wij，隐含层j个神经元的阙值表示为bj；输出层和隐含层之间连接权值矩阵为wji，输出层i个神经元的阙值表示为bi(1≤i≤N,1≤j≤K)。

通过不断训练网络，调整网络权重，使得网络权重的输入和输出的均方差达到最小，最终将N维向量压缩为K维向量。

其中f(·)为隐含层传递函数，一般为Sigmoid函数，g(·)为输出层传递函数，一般采用线性函数[5]。

2 经网络压缩实现

BP神经网络图像压缩过程如图5所示。

图5 BP神经网络压缩解压缩过程

2.1 压缩步骤

(1) 图像块划分。以图6为研究对象：图像大小为256×256像素，大小为68 KB,位深度为8,格式为BMP。网络输入神经元节点个数设为16个，图像划分为4 096个4×4大小的图像块，数据样本为16×4 096矩阵。

图6 原始图像

(2) 归一化。将神经网络输出的样本进行归一化处理，使用mapminmax归一化函数，存储每一行数据的最大值和最小值，使得压缩数据必须包含这一部分数据，使得压缩率下降。

(3) 建立BP神经网络。运用MATLAB工具箱Feedforwardnet创建BP神经网络，经多次模拟，采用LM算法，隐含层神经元个数设N=4,确定目标误差为0.001，最大迭代次数1 000次。训练过程如图7所示。

图7 BP神经网络训练图

训练时间12.398 106 s，迭代次数为22次，动量值为1.00e-7，梯度为0.000 313，性能指标均方误差为0.001 83，最小均方误差出现在第16次迭代，值为0.001 729 8。

(4) 存储数据。训练完成后，压缩结果为每个输入模式对应的隐含层神经元向量值，网络权值和阈值。为提高压缩效率，首先对矩阵进行归一化，再乘以25～28取整量化为比特整数。隐含层神经元值为yc=wij+b。

2.2 解压缩步骤

(1) 调取数据。读取压缩存储数据。

(2) 数据反归一化。数据除以25～28，映射到数据原区间。

(3) 重建。输入神经网络隐含层神经元输出值，与隐含层和输出层之间矩阵相乘。

(4) 图像反归一化。将每份数据乘以像素峰值255即可。

(5) 图像块回复。图像块以4×4划分，将每列抽取重新排列为4×4矩阵，对各个4×4矩阵按行排列即可恢复原图像。

3 印刷图像重建

图8 重建图像N=4

运用MATLAB进行编程，构建BP网络进行训练，计算网络输出值，并显示压缩后重建图像，隐含层神经元个数N=4时重建图像如图8所示。图像峰值信噪比为34.08，压缩比率为14.56%。

从图8可以看出，算法将图像分割为4×4图像块，利用BP神经网络进行训练，图像在某种程度上出现块效应现象，块与块之间差异较大[6-8]。

修改BP网络印刷图像算法的参数可以调节图像压缩质量，观察图9 (a)重建图像N=2时图像压缩比率为8.45%，重建质量最差。

针对BP神经网络重建印刷图像模型，调整隐含层神经元个数N=1到N=10进行训练，结果见表1训练数据。

图9 BP网络(a)、(b)、(c)、(d)重建图像

隐含层神经元个数/个迭代次数/次训练时间/s性能指标值梯度值动量值峰值信噪比压缩比率最小均方误差最小误差迭代次数/次NEpochTimePerformanceGradiengtMuPsnrRateBestValidationPerformance11000577．5716990．006142．75e-061．00e-1131．55220．04940．0058193100021000405．1643340．003753．07e-061．00e-1132．18130．08450．003969210003199．8563810．002400．0001571．00e-0633．55550．11880．00218441342212．3981060．001830．0003131．00e-0734．07510．14560．00172981651000676．9360670．001322．78e-061．00e-1134．43980．18530．0013543100061817．6664110．0009940．0006011．00e-0635．97870．20960．001221118797．8115950．0009160．002161．00e-0536．09870．24510．000955239866．039460．0009830．003731．00e-0536．93940．27340．000989616966．5528850．0008490．004231．00e-0535．38770．27950．0008898361056．1821030．0009100．006211．00e-0533．96790．32730．000968925

4 结束语

BP神经网络是目前应用最为广泛和成功的神经网络之一。它是一种多层前馈型网络，可实现从输入到输出的任意非线性映射，权值的调节采用反向传播算法。随着学习的不断进行，最终误差会越来越小。BP算法的主要缺点是：收敛速度慢、局部极值，难以确定隐层节点的个数。BP模型采用LM算法是高斯—牛顿法的改进形式，既具有高斯—牛顿法的全局特性又具有梯度法的局部特性有效的优化算法[9]。

BP神经网络对印刷图像进行压缩，可以对图像分块进行分类、采用不同的隐含层节点数进行训练等方法提高模型的运算速度。

[1] 彭放.数学建模方法[M].武汉:科学出版社,2007.

[2] 韩力群.人工神经网络理论设计及应用[M].北京：化学工业出版社，2002.

[3] 许锋,卢建刚,孙优贤.神经网络在图像处理中的应用[J].信息与控制,2003,32(4)：344-351.

[4] 陈明.MATLAB神经网络原理与实例讲解[M].北京:清华大学出版社,2013.

[5] 张庆红,程国建.基于遗传算法的神经网络性能优化[J].计算机技术与发展，2007,17(12):125-127.

[6] 肖锋.基于BP神经网络的数字图像边缘检测算法的研究[J].西安科技大学学报.2005,25 (3):372-375.

[7] 赵弘,周瑞祥,林廷圻.基于Levenberg-Marquardt算法的神经网络监督控制[J].西安交通大学学报，2002, 36(5):523-527.

[8] 周建华.共轭梯度法在BP网络中的应用[J].计算机工程与应用，1999,35(3):17-18,49.

[9] 王鸿斌,张立毅.新型神经网络的发展及其应用[J].忻州师范学院学报，2007,23(2):50-53.

A Research on the Implementation of Compression Reconstruction of Printing Images Based on the BP Neural Network

Bao Rong

(Department of Printing and Publishing Engineering, Lanzhou Petrochemical Vocational Technical College,Lanzhou Gansu 730060, China)

With respect to compression reconstruction of printing images, this paper establishes a BP neural network model and adopts LM algorithm to raise the computing speed. In the training process of printing image compression reconstruction, analogy analysis is made on the setting of number of neurons of the hidden layer, and both the peak signal-to-noise ratio and compression ratio achieve the expected effect. The blocking effect appearing after printing image compression reconstruction is analyzed, and model correction methods are given.

BP neural network; neuron; printing image; compression reconstruction; signal to noise ratio; MATLAB

甘肃省高等学校科研项目2015A - 185，兰州石化职业技术学院重点教研项目JY2014-04。

10.3969/j.issn.1000-3886.2016.04.012

TN911.73

A

1000-3886(2016)04-0036-03

鲍蓉(1984-)，女，江苏仪征人，硕士，讲师，主要从事印刷技术和数值分析方面的研究。

定稿日期: 2015-12-05