神经网络编码是什么

人工神经网络技术具有良好的容错性、自组织性和自适应性。因此，在图像压缩过程中，神经网络可以根据图像本身的信息特征独立完成图像编码和压缩。

人工神经网络在图像压缩中的应用越来越受到重视。与一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织性和自适应性。因此，在图像压缩过程中，神经网络可以根据图像本身的信息特征独立完成图像编码和压缩。

神经网络编码的分类

目前，神经网络编码广泛采用三层BP网络和自组织映射神经网络。

BP网络

利用BP网络实现数据压缩就像是强迫数据通过细腰网络的瓶颈，期望在网络的瓶颈处获得更紧凑的数据表示。根据BP网络进行数据压缩的原理，将图像分成N个小块，对应输入的N个神经元，压缩后的数据对应隐藏层的M个神经元，M≤N，在网络学习过程中，通过训练算法调整网络的权重，使训练集图像的重构误差E=X-Z均值达到最小值(X为输入层样本集， z是输出层样本集)，或者重建图像在均方误差意义上尽可能与原始图像相似。 经过训练，BP神经网络可以用于图像压缩。

自组织映射神经网络

自组织映射神经网络中的神经元可以根据外界刺激的兴奋程度，在外界信号确定的参数空中自动调整自己的位置。以一个两层神经网络为例，输入层(x1，x2，…，xn)的神经元简单反映外界刺激。在输出层，m个神经元排列成二维网络，其中每个神经元j接收两种输入:来自输入层神经元I的输入xi(权重wij)和来自输出层神经元的固定权重。对于每个外部输入向量x=( x1，x2，...，xn)，只有一个距离di = f (x，wj)和wj = (w1j，w2j，...，wnj)从输入被激发。其中距离函数f(x，wj)反映了在一定准则下(一般为平方误差准则)向量x与wj之间的距离。在网络的训练中，只需要提供输入向量X。通过调整从公共外部输入到每个神经元J的连接权重wj，权重向量将逐渐指向输入向量空之间的簇。从而实现输入空之间的维数压缩，完成类似矢量量化的功能。

摘要

除了将神经网络直接应用于图像压缩之外，神经网络还可以与传统的图像压缩编码算法相结合，间接利用神经网络形成多种图像编码方法。但是，目前人工神经网络的工作原理尚不明确，基于神经网络的图像编码方法的研究还处于起步阶段，还有很多问题需要解决，如完善人工神经网络的理论体系，弄清神经网络的工作原理，寻找适合高效图像数据压缩的神经网络模型和学习算法，充分利用视觉信息处理机制等。