[发明专利]用于图像重构的二步学习矢量量化码书生成方法

摘要

本发明公开一种用于图像重构的二步学习矢量量化码书生成方法，主要解决现有学习矢量量化算法对网络初始状态依赖性强易陷入局部最优的问题。其实现步骤是：首先对图像进行分块，利用学习矢量量化算法更新与输入矢量之间失真误差最小的获胜神经元权值矢量；然后将获胜神经元w与所有神经元对比寻找满足纠正条件的神经元r，纠正神经元w和r的权值矢量，使其神经元的权值矢量不断移向被正确划分的输入矢量，而远离被错误划分的输入矢量；最后判断终止条件是否满足，如满足则把神经元的权值矢量作为最优的码书输出，否则进入下一次迭代。本发明增加了纠正学习策略，及时有效的调整了竞争神经网络，进而获得了最优的码书，可应用于数字图像信号的处理。

主权项

1.一种用于图像重构的二步学习矢量量化码书生成方法，包括如下步骤：（1）输入一幅图像X，将其划分为N个互不重叠、大小为n×n的图像小块，并将这些图像小块转换为K维训练矢量x_k，K＝n×n；（2）初始化一个具有M个神经元的竞争神经网络，从N个互不重叠的图像小块中随机选择M个图像小块作为神经元的权值矢量v₁,v₂,...,v_M，M＞0；（3）初始化参数，设置初始学习率α₀＝0.5、初始去学习率η₀＝0.2、初始补偿学习率β₀＝0.01、总迭代次数T＝20×N、初始迭代次数t＝0；（4）更新学习率α(t)＝α₀(1-t/T)，确定并记录K维训练矢量x_k在竞争神经网络中的输出o_i(x_k):oi(xk)=1ifi=argmaxj{(xkTvj)-12(vjTvj)},i,j∈[1,M]0otherwise.]]>其中，x_k表示输入的K维训练矢量，表示输入K维训练矢量的转置，v_j表示第j个神经元的权值矢量，表示第j个神经元权值矢量的转置，表示f(x_i)取最大值时所对应i的值；（5）更新第i个神经元在第t+1次迭代时的权值矢量为：v_i(t+1)＝v_i(t)+α(t)(x_k-v_i(t))o_i(x_k)，i∈[1,M]其中，α(t)表示第t次迭代时的学习率，v_i(t)表示第t次迭代时第i个神经元的权值矢量，当o_i(x_k)＝1，称第i个神经元为获胜神经元，并将其标记为w,w∈[1,M]；（6）更新去学习率η(t)和补偿学习率为β(t)分别为：η(t)＝η₀(1-tT)，β(t)＝β₀(1-t/T)；（7）对K维训练矢量x_k获胜神经元w的权值矢量进行纠正学习：（7a）将x_k在步骤（5）中的获胜神经元w与所有神经元对比，查询是否存在满足条件的神经元r，r∈[1,M]，其中，Δ_w,j表示对于输入的训练矢量x_k，将其从训练矢量集合C_w移到训练矢量集合C_j中时竞争神经网络失真误差的变化量，其值根据有监督的学习矢量量化算法确定，C_i表示所有以第i个神经元为获胜神经元的训练矢量集合；（7b）如果存在神经元r，用如下公式对步骤（5）中获胜神经元w的权值矢量进行去学习操作，使获胜神经元w的权值矢量远离训练矢量x_k：v_w(t)′＝v_w(t)-η(t)(x_k-v_w(t))，式中，η(t)为第t次迭代时的去学习率，v_w(t)为第t次迭代时神经元w的权值矢量，v_w(t)′为中间变量；（7c）用如下公式对满足条件神经元r的权值矢量进行补偿学习操作，使神经元r的权值矢量逼近训练矢量x_k：v_r(t)′＝v_r(t)+β(t)(x_k-v_r(t))，式中，β(t)为第t次迭代时的补偿学习率，v_r(t)为第t次迭代时神经元r的权值矢量，v_r(t)′为中间变量；（7d）将满足条件的神经元r和获胜神经元w的权值矢量v_w(t)、v_r(t)分别更新为各自的传递矢量v_w(t)′、v_r(t)′：v_w(t)=v_w(t)′v_r(t)＝v_r(t)′，（7e）返回步骤（6）更新去学习率η(t)和补偿学习率为β(t)，然后对下一个获胜神经元权值矢量进行纠正学习直到满足终止条件t＞T；（8）将在步骤（4）和（5）中经过学习、更新的后神经元权值矢量v₁′,v₂′,...,v_M′,作为码书输出，用于进行图像重构，其中，M＞0。