臺灣博碩士論文加值系統

向量量化具有高壓縮比及解壓縮快速之優點，但向量量化在產生編碼簿以及編碼過程中必須進行全域搜尋，使得編碼過程冗長。若能有效減少編碼簿產生以及編碼的搜尋範圍，便能減少編碼簿產生及編碼耗費的時間。另一方面傳統向量量化所使用於產生編碼簿的LBG演算法，初始向量選擇非常重要，若是初始向量選取太集中，所訓練出的編碼簿便不具有足夠代表性。
由於自組織映射圖網路(Self-Organizing Map)的特性，優勝神經元與鄰近區域之神經元之間會有相似之特徵，只要訓練次數足夠，以及更新權重得宜，便能產生十分優秀的編碼簿。本論文希望能提出利用自組織映射圖網路為基礎產生編碼簿，藉由不同更新權重的方式，並結合向量量化(Vector Quantization)，實驗其訓練效能，再改善編碼簿產生，並且維持影像品質。

Vector quantization has the advantages of high compression ratio and fast decompression, but in a codebook generation and encoding process must be a global search, making the coding process lengthy. If we can effectively reduce the search range of the codebook generation and encoding will be able to reduce the time spent by the codebook generation and encoding. On the other hand, the traditional vector quantization to generate codebook method that is using the LBG algorithm. The initialization of codebook is very important. What if the initialization is selected to focus too much on the codebook training they would not have adequate representation.
The characteristics of self-organizing map that is between neurons of the winning neuron and surrounding area will have similar characteristics, as long as sufficient number of training, as well as to update the weightings properly, and we can have a good codebook. This study intend to propose the use of the codebook based on self-organizing map, by means of different update of weightings, combined with vector quantization, and then improve the codebook generation and maintain image quality.

目錄I
圖目錄II
表目錄III
摘要V
ABSTRACT VI
第1章 研究動機與文獻探討1
第2章 向量量化3
2.1 向量量化流程3
2.2 編碼簿的產生4
2.3 重建影像之評估方法6
第3章 自組織映射圖網路7
3.1 自組織映射圖網路之概念7
3.2 自組織映射圖網路之結構7
3.3 自組織映射圖網路之建構流程8
第4章 傳統向量量化實驗觀察結果11
4.1 實驗方法11
第5章 自組織映射圖網路於向量量化21
5.1 自組織映射圖網路產生編碼簿21
5.2 產生編碼簿之流程21
5.3 實驗結果22
第6章 結論31
參考文獻32
圖 2.1、向量量化編碼示意圖3
圖 2.2、向量量化解碼示意圖3
圖 2.3、編碼簿產生示意圖4
圖 3.1、自組織映射架構圖7
圖 3.2、自組織映射圖網路的訓練流程9
圖 4.1、區域編碼簿四張測試影像11
圖 4.2、以Lena產生區域編碼簿對原圖做編解碼測試12
圖 4.3、以Lena圖產生區域編碼簿對Baboon編解碼測試14
圖 4.4、四張測試影像16
圖 4.5、以全域編碼簿對Lena圖做編解碼測試17
圖 4.6、以全域編碼簿對Barbara圖做編解碼測試19
圖 5.1、傳統SOM實驗結果23
圖 5.2、η = 0.05，radius = 1，迭代次數100，LBG演算法與SOM產生區域編碼簿之比較。左為LBG，右為SOM 24
圖 5.3、迭代次數為100，左邊為更新範圍為3，右邊為更新範圍為5，學習率分別為0.005、0.001以及0.0005 26
圖 5.4、迭代次數為100，左邊為更新範圍為3，右邊為更新範圍為5，學習率分別為0.005、0.001以及0.0005 28
圖 5.5、迭代次數為100，左邊為更新範圍為1，右邊為更新範圍為2，學習率分別為0.005、0.001以及0.0005 30
表 4.1、Baboon影像產生區域編碼簿並編解碼之實驗結果13
表 4.2、F16影像產生區域編碼簿並編解碼之實驗結果13
表 4.3、Pepper影像產生區域編碼簿並編解碼之實驗結果13
表 4.4、以Lena影像產生區域編碼簿之實驗結果15
表 4.5、以Baboon影像產生區域編碼簿之實驗結果15
表 4.6、對訓練集影像編解碼之實驗結果18
表 4.7、對非訓練集影像編解碼之實驗結果20
表 5.1、η = 0.05，迭代次數100，LBG與SOM之比較25
表 5.2、η = 0.05，迭代次數500，LBG與SOM之比較25
表 5.3、η = 0.05，迭代次數1000，LBG與SOM之比較25
表 5.4、η = 0.005，二維更新之比較27
表 5.5、η = 0.001，二維更新之比較27
表 5.6、η = 0.0005，二維更新之比較27
表 5.7、η = 0.005，三維更新之比較29
表 5.8、η = 0.001，三維更新之比較29
表 5.9、η = 0.0005，三維更新之比較29
表 5.10、η = 0.005，三維更新之比較29
表 5.11、η = 0.001，三維更新之比較29
表 5.12、η = 0.0005，三維更新之比較29

中文部份
[1]石琢暐，「靜態影像資訊隱藏技術─以自組織映射圖為基礎」，國立台東大學教育學系教學科技碩士班，2008。
[2]李鎮宜，「以向量量化為基礎之視訊編解碼系統」，國立交通大學電子工程研究所，1994。
[3]陶金旭，「樹狀向量量化於醫學影像壓縮之應用」，國立中興大學電機工程學系，2000。
[4]郭人介及廖健倫，「整合自組織映射圖與倒傳遞神經網路於網頁瀏覽路徑分析」，國立台北科技大學生產系統工程與管理研究所，1994。
[5]蔡宗育，「利用類神經網路實現人形擷取與融合系統」，國立雲林科技大學資訊工程研究所，2008。
[6]簡智韋，「可變動區塊小波轉換醫學影像編碼」，國立海洋大學通訊與導航工程系，2010。
英文部份
[1]A. Gersho and R. Gray, Vector Quantization and Signal Compression, Springer, 1992.
[2]A. H. Buzo, R. M. Gray, and J. D. Markel, “Speech Coding Based Upon Vector Quantization,” IEEE Transaction on Acoustics, Speech, and Signal Processing, Vol. 28, pp. 662-574, 1980.
[3]Ayşe Demirhan and İnan Güler, “Combining stationary wavelet transform and self-organizing maps for brain MR image segmentation,” Engineering Applications of Artificial Intelligence, Vol. 24, Issues 2, pp. 358-367, 2011.
[4]B. Ramamurthi and A.Gersho, “Classified Vector Quantization of Images,” IEEE Trans. on Communications, Vol. 34, No. 11, pp. 1105 –1115, Nov. 1986.
[5]Chao-Huang Wanga, Chung-Nan Leea and Chaur-Heh Hsiehb, “Classified self-organizing map with adaptive subcodebook for edge preserving vector quantization,” Computational and Ambient Intelligence, Vol. 72, Issues 16-18, pp. 3760-3770, 2007.
[6]J. Kangas and T. Kohonen, “Developments and Applications of the Self-Organizing Map and Related Algorithms,” Mathematics and Computers in Simulation, Vol. 41, Issue 1-2, pp. 3-12, 1996.
[7]J. Rasti, A. Monadjemi and A. Vafaei, “Color reduction using a multi-stage Kohonen Self-Organizing Map with redundant features,” Expert Systems with Applications, Vol. 38, Issues 10, pp. 13188-13197, 2011.
[8]Jeongho Cho, António R.C. Paiva, Sung-Phil Kim, Justin C. and José C., “Self-organizing maps with dynamic learning for signal reconstruction,” Neural Networks, Vol. 20, Issues 2, pp. 274-284, 2007.
[9]K. Zeger, J. Vaisey, and A. Gersho, “Globally Optimal Vector Quantizer Design by Stochastic Relaxation,” IEEE Transactions on Signal Processing, Vol. 40, No. 2, pp. 310-322, 1992.
[10]R. M. Gray, “Vector Quantization,” IEEE ASSP Magazine, Vol. 1, pp. 4-29, 1984.
[11]S. W. Ra and J. K. Kim, “A Fast Mean-Distance-Ordered Partial Codebook Search Algorithm for Image Vector Quantization,” IEEE Transaction on Circuits and Systems-II: Analog and Digital Signal Processing, Vol. 40, No. 9, pp. 576-579, 1993.
[12]T. Kohonen, “The Self-Organizing Map,” Neurocomputing, Vol. 21, Issue 1-3, pp. 1-6, 1998.
[13]T. Kohonen, Self-Organizing Maps, 3rd ed., Springer Series in Information Sciences, 2001.
[14]X. Huilin, M. N. S. Swamy, and M. O. Ahmad, “Competitive Splitting for Codebook Initialization,” IEEE Signal Processing Letters, Vol. 11, No. 5, pp. 474-477, 2004.
[15]Y. Linde, A. Buzo and R. M. Gray, “An Algorithm for Vector Quantizer Design,” IEEE Trans. on Communications, Vol. Com-28, pp. 84-95, 1980.