| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-7页 |
| 第一章 绪论 | 第7-13页 |
| 1．1 引言 | 第7页 |
| 1．2 数据压缩 | 第7-9页 |
| 1．2．1 数据压缩的概念 | 第7-8页 |
| 1．2．2 数据压缩的目的 | 第8-9页 |
| 1．2．3 数据压缩的一般方法 | 第9页 |
| 1．3 数字图像的压缩 | 第9-11页 |
| 1．3．1 数字图像压缩的必要性 | 第9-10页 |
| 1．3．2 数字图像压缩的可能性 | 第10-11页 |
| 1．3．3 数字图像压缩编码的进展 | 第11页 |
| 1．4 本论文研究的主要内容 | 第11-13页 |
| 第二章 矢量量化技术与图像压缩技术 | 第13-32页 |
| 2．1 引言 | 第13页 |
| 2．2 矢量量化的理论基础 | 第13-15页 |
| 2．2．1 率失真函数 | 第13-14页 |
| 2．2．2 Shannon的信源编码定理 | 第14-15页 |
| 2．3 矢量量化的定义和基本原理 | 第15-17页 |
| 2．4 矢量量化器的基本结构 | 第17-19页 |
| 2．5 矢量量化的相关概念 | 第19-21页 |
| 2．5．1 矢量量化器的编码速率和比特率 | 第20页 |
| 2．5．2 失真测度 | 第20-21页 |
| 2．5．3 复杂度 | 第21页 |
| 2．6 矢量量化的关键技术 | 第21-22页 |
| 2．6．1 码书设计 | 第21-22页 |
| 2．6．2 码字搜索 | 第22页 |
| 2．6．3 码字索引分配 | 第22页 |
| 2．7 矢量量化技术理论的发展历程和现状 | 第22-23页 |
| 2．8 图像编码技术 | 第23-27页 |
| 2．8．1 引言 | 第23-24页 |
| 2．8．2 图像编码技术简介 | 第24-25页 |
| 2．8．3 图像压缩编码的评价准则 | 第25-27页 |
| 2．9 基于矢量量化技术的几种图像编码算法 | 第27-32页 |
| 2．9．1 基本相关矢量量化图像编码算法 | 第27-28页 |
| 2．9．2 改进的相关矢量量化图像编码算法 | 第28-30页 |
| 2．9．3 均值匹配的相关矢量量化图像编码算法 | 第30-32页 |
| 第三章 基于自组织特征映射网络的图像压缩码书设计算法及仿真实验 | 第32-53页 |
| 3．1 引言 | 第32页 |
| 3．2 传统码书设计算法 | 第32-38页 |
| 3．2．1 初始码书的生成方法 | 第32-34页 |
| 3．2．2 GLA（LBG）算法 | 第34-38页 |
| 3．3 自组织特征映射网络 | 第38-39页 |
| 3．4 自组织特征映射网络用于图像矢量量化 | 第39-40页 |
| 3．5 自组织特征映射网络压缩编码算法 | 第40-43页 |
| 3．5．1 一般的SOFM算法 | 第40-41页 |
| 3．5．2 SOFM算法的几何解释 | 第41页 |
| 3．5．3 关于连接权初始值的确定 | 第41-42页 |
| 3．5．4 邻域的作用与更新 | 第42页 |
| 3．5．5 SOFM网络的自组织特征 | 第42-43页 |
| 3．6 仿真实验 | 第43-50页 |
| 3．7 改进的自组织特征映射网络矢量量化压缩编码方法 | 第50-53页 |
| 第四章 粗糙集和神经网络相结合的图像压缩矢量量化码书算法及仿真实验 | 第53-65页 |
| 4．1 引言 | 第53-55页 |
| 4．2 粗糙集理论 | 第55-59页 |
| 4．2．1 粗糙集理论概述 | 第55页 |
| 4．2．2 粗糙集理论的产生与发展 | 第55-56页 |
| 4．2．3 粗糙集理论的基本概念 | 第56-58页 |
| 4．2．4 粗糙集与模糊集的比较 | 第58-59页 |
| 4．3 基于粗糙集理论的图像神经网络矢量量化编码方法 | 第59-64页 |
| 4．3．1 条件属性和决策属性的选取 | 第59-60页 |
| 4．3．2 规则的获取 | 第60页 |
| 4．3．3 SOFM神经网络分类编码算法 | 第60-61页 |
| 4．3．4 仿真试验结果及分析 | 第61-64页 |
| 4．4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-68页 |
| 5．1 本论文的工作总结 | 第65页 |
| 5．2 矢量量化技术应用的未来展望 | 第65-66页 |
| 5．3 本论文进一步的工作 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |
