一種基于遺傳算法的矢量量化碼書設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像壓縮編碼技術(shù)領(lǐng)域，特別是設(shè)及一種基于遺傳算法的矢量量化碼 書設(shè)計(jì)方法。
【背景技術(shù)】
[0002] 矢量量化技術(shù)包括碼書設(shè)計(jì)，碼字捜索和碼字索引匹配，其中碼書設(shè)計(jì)是決定壓 縮效果的關(guān)鍵。Linde,Buzo和Gray于1980年提出了K-means聚類算法用于碼書設(shè)計(jì)，其 也稱為LBG算法。LBG算法理論嚴(yán)密，實(shí)施起來簡單方便，已經(jīng)成功地應(yīng)用于圖像的矢量量 化壓縮中。LBG算法是基于W下兩個(gè)必要條件的最優(yōu)碼書迭代算法，即最近鄰居條件和中屯、 條件。最近鄰居條件保證了碼字和各矢量間歐式距離最短；中屯、條件確保了最優(yōu)碼字處于 各類中屯、。但是，經(jīng)典LBG算法具有致命的缺點(diǎn)：
[0003] (1)對初始碼書要求高，收斂速度和最終碼書性能對初始碼書敏感；
[0004] (2)無法穩(wěn)定收斂于全局最優(yōu)解，一般陷入局部最優(yōu)；
[0005] (3)計(jì)算量巨大，時(shí)間和空間計(jì)算復(fù)雜度高，生成碼書速度緩慢；
[0006] (4)生成的碼書無序，導(dǎo)致后續(xù)的碼書捜索算法復(fù)雜。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明所要解決的技術(shù)問題是提供一種基于遺傳算法的矢量量化碼書設(shè)計(jì)方法， 能夠穩(wěn)定收斂于全局最優(yōu)解。
[000引本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是；提供一種基于遺傳算法的矢量量化 碼書設(shè)計(jì)方法，包括W下步驟：
[0009] (1)將染色體編碼，其中，染色體編碼設(shè)計(jì)基于碼字，每個(gè)碼字代表一個(gè)基因，每個(gè) 染色體代表一個(gè)碼書；
[0010] (2)產(chǎn)生初始種群，通過產(chǎn)生0到255之間的隨機(jī)數(shù)，賦值給每一個(gè)碼字，從而生成 一條染色體，重復(fù)多次，產(chǎn)生指定規(guī)模的初始種群；
[0011] (3)計(jì)算每條染色體的適應(yīng)度；
[0012] (4)計(jì)算個(gè)體在選擇過程被選中的概率，利用輪盤賭的方式選擇進(jìn)入下一代的個(gè) 體，并將當(dāng)前代適應(yīng)度最高的染色體加W保護(hù)，保留到下一代，并隨機(jī)替換下一代中的一個(gè) 個(gè)體；
[0013] (5)在選出的進(jìn)入下一代的個(gè)體中進(jìn)行兩兩配對，對每一對配對的個(gè)體，采用自適 應(yīng)的交叉概率選擇方法選擇交叉概率進(jìn)行染色體交叉；
[0014] (6)采用均勻變異算子，對于一個(gè)隨機(jī)選取的變異點(diǎn)，從相應(yīng)基因位的選取范圍內(nèi) 隨機(jī)產(chǎn)生一個(gè)基因；
[0015] (7)對于新的染色體組中的每一條染色體進(jìn)行聚類，形成一個(gè)新的劃分；再計(jì)算 出每一個(gè)類的中屯、，并作為下一代種群的碼書，產(chǎn)生新的種群；
[0016] 做重復(fù)步驟（4)-巧），直到循環(huán)代數(shù)達(dá)到最大進(jìn)化代數(shù)為止。
[0017] 所述步驟（1)中將訓(xùn)練集矢量巧云石…云;)聚類為N個(gè)類，每一類由一個(gè)k維 的矢量片e沁'表示，則將染色體編碼為（yii,yi2'''yik，y2r''y2k，…，yNr''yNk)。
[001引所述步驟（3)中對于每一條染色體，根據(jù)最近鄰居條件將訓(xùn)練集矢量聚類到類Sj.(j= 1，2…腳中，然后利用失真度函數(shù)構(gòu)造的適應(yīng)度函數(shù)計(jì)算每條染色體的適應(yīng)度，其 中，最近鄰居條件為y= 失真度函數(shù)為
【主權(quán)項(xiàng)】
1. 一種基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，包括以下步驟： (1) 將染色體編碼，其中，染色體編碼設(shè)計(jì)基于碼字，每個(gè)碼字代表一個(gè)基因，每個(gè)染色 體代表一個(gè)碼書； (2) 產(chǎn)生初始種群，通過產(chǎn)生O到255之間的隨機(jī)數(shù)，賦值給每一個(gè)碼字，從而生成一條 染色體，重復(fù)多次，產(chǎn)生指定規(guī)模的初始種群； (3) 計(jì)算每條染色體的適應(yīng)度； (4) 計(jì)算個(gè)體在選擇過程被選中的概率，利用輪盤賭的方式選擇進(jìn)入下一代的個(gè)體， 并將當(dāng)前代適應(yīng)度最高的染色體加以保護(hù)，保留到下一代，并隨機(jī)替換下一代中的一個(gè)個(gè) 體； (5) 在選出的進(jìn)入下一代的個(gè)體中進(jìn)行兩兩配對，對每一對配對的個(gè)體，采用自適應(yīng)的 交叉概率選擇方法選擇交叉概率進(jìn)行染色體交叉； (6) 采用均勻變異算子，對于一個(gè)隨機(jī)選取的變異點(diǎn)，從相應(yīng)基因位的選取范圍內(nèi)隨機(jī) 產(chǎn)生一個(gè)基因； (7) 對于新的染色體組中的每一條染色體進(jìn)行聚類，形成一個(gè)新的劃分；再計(jì)算出每 一個(gè)類的中心，并作為下一代種群的碼書，產(chǎn)生新的種群； (8) 重復(fù)步驟（4)-(8)，直到循環(huán)代數(shù)達(dá)到最大進(jìn)化代數(shù)為止。
2. 根據(jù)權(quán)利要求1所述的基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，所述 步驟（1)中將訓(xùn)練集矢量…5)聚類為N個(gè)類，每一類由一個(gè)k維的矢量冗e# 表示，則將染色體編碼為（y^yyy^yyya，
3. 根據(jù)權(quán)利要求2所述的基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，所述 步驟（3)中對于每一條染色體，根據(jù)最近鄰居條件將訓(xùn)練集矢量聚類到類S^j = 1，2…N) 中，然后利用失真度函數(shù)構(gòu)造的適應(yīng)度函數(shù)計(jì)算每條染色體的適應(yīng)度，其中，最近鄰居條件 為y· = 失真度函數(shù)為
中b_st為常數(shù)值，a。為染色體。
4. 根據(jù)權(quán)利要求1所述的基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，所述 步驟（4)中個(gè)體在選擇過程被選中的概率為
^其中，a。表示染 色體，η表示染色體的數(shù)目，f(a。）表示染色體a。的適應(yīng)度。
5. 根據(jù)權(quán)利要求1所述的基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，所述 步驟（5)在染色體交叉過程中，采用雙點(diǎn)交叉，即在兩個(gè)配對的碼書中，隨機(jī)選取連讀的幾 個(gè)碼字，交換重組，不破壞染色體中單個(gè)碼字的結(jié)構(gòu)。
6. 根據(jù)權(quán)利要求1所述的基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，其特征在于，所述 步驟（5)中的自適應(yīng)的交叉概率為
其中，f為雜 交對中較大的適應(yīng)度，favg為當(dāng)代種群平均適應(yīng)度，fmax為當(dāng)代種群最大適應(yīng)度，Pd為交叉 概率上界，Pe2為交叉概率下界。
【專利摘要】本發(fā)明涉及一種基于遺傳算法的矢量量化碼書設(shè)計(jì)方法，包括以下步驟：將染色體編碼；產(chǎn)生初始種群；計(jì)算每條染色體的適應(yīng)度；選擇進(jìn)入下一代的個(gè)體；染色體交叉；染色體變異；產(chǎn)生新種群。本發(fā)明以種群為對象，使用選擇算子對種群中進(jìn)行針對性的擇優(yōu)操作，并通過改進(jìn)的交叉算子以增加種群的多樣性，最后通過變異算子以提高種群的平均適應(yīng)值，使其逃離局部最小點(diǎn)。該方法通過保留LBG優(yōu)化選擇策略，具有良好的局部搜索能力。
【IPC分類】G06T9-00
【公開號(hào)】CN104867164
【申請?zhí)枴緾N201510214645
【發(fā)明人】周云華, 才正國, 李鳳榮, 尚琳, 何為, 王營冠
【申請人】中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所
【公開日】2015年8月26日
【申請日】2015年4月29日