Повышение скорости фрактального кодирования . Г щ . ранг, блоков . В этом примере использованы . Заметим, что когла значение лопуска приближается к . Кроме того, время колирования несколько увеличивается при очень маленьких значениях лопуска вслелствие увеличения количества ранговых блоков. Работа станлартного алгоритма фрактального колирования, без вылеления характеристических особенностей, занимает . лля этого примера . Результаты применения алгоритма с выделением особенностей На Рис. Параметры, которые были использованы для определения количества доменов, приведены в табл. Использованное здесь изображение изображение . Максимальная глубина квадродерева была положена равной . Для кодирования с выделением особенностей использовались два значения допуска. Значение, которое мы даем величине . Стандартный алгоритм фрактального кодирования для этого примера, не использующий выделение особенностей, занимает . почти в тысячу раз больше. Однако несколько лучшее сжатие достигается, когда . Это увеличивает время кодирования, но способствует лучшему сжатию, так как при этом для сравнения доступно больше доменных блоков. Максимально возможное расстояние между нашими нормированными . Заметим также, что время кодирования несколько увеличивается при очень маленьких значениях допуска вследствие увеличения количества ранговых блоков. Большое количество ранговых блоков это результат недостаточного количества доменов, просматриваемых в процессе проверки погрешности, из. Повышение скорости фрактального кодирования . . . Соотношение времени полирования . Злесь было использовано изображение . Время колирования базовым метолом при . со . Параметры колирования те же, что и на Рис. Злесь привелены значения лля случая, когла лопуск . Обшее время колирования, прелставленное на Рис. Разница во времени кодир. Например, для значения допуска . Однако при том же количестве доменов время кодирования для базового метода увеличивается с . Время кодирования, представленное на Рис. Только при большом количестве доменов это время составляет значительную часть от общего времени кодирования. Базовый метод обычно генерирует несколько меньшее количество ранговых блоков и, следовательно, дает несколько лучшее сжатие, чем . Это и естественно, так как оба метода при доменно. Важным результатом является то, что оба метода обеспечивают погрешность декодирования, составляющую . Сопоставление количества ранговых блоков с количеством ломенов лля метола РЕ и базового метола. Параметры колирования те же что и на Рис. Срелняя пиксельная ошибка лля ЕЕ. Остальные параметры колирования те же, что и на Рис. Правда, базовый метод обеспечивает несколько лучШ. Повышение скорости фрактального кодирования . меньшее количество ранговых блоков. На рисунке для сравнения расположены рядом два декодированных изображения . Здесь были использованы следующие параметры кодирования. Базовый метод, в то же время, дает лучшее сжатие, а именно . Базовый метол обеспечивает злесь сжатие . Повышение скорости фрактального кодирования . Это те пять характеристик, которые были описаны в предыдущем разделе. Преимущество использования самоорганизующейся сети в том, что нам не нужно решать, какой класс должен быть выбран при классификации. Сеть самоорганизуется в кластеры, представляющие классы изображений, которые определяются содержащимися в них данными изображения. Более того, изображение, используемое для обучения, может не быть . Таким образом, время обучения сети не входит в общее время кодирования. При небольшом количестве доменов классификационный подход не дает существенного выигрыша во времени по сравнению с . Однако для большого количества доменов . Обсуждаемый здесь подход был впервые предложен в работе . Самоорганизующиеся нейронные сети Человеческий мозг обладает удивительным свойством его физическая организация отражает организацию внешних раздражителей, которые он получает. Например, существует вполне определенное взаимоотношение между относительным физическим расположением тактильных рецепторов на поверхности кожи и относительным расположением нейронов, обрабатывающих входные сигналы от этих рецепторов. Соседним тактильным рецепторам соответствуют соседние нейроны. Участки кожи с высокой плотностью тактильных рецепторов, например ладони или лицо, связаны с соответственно большим количеством нейронов. Это соответствие порождает так называемую соматотопическую локализацию . Классификация доменов Большое время кодирования это результат того, что при ходится производить большое количество доменно ранговых сопоставлений. Общее время кодирования явля ется произведением количества сопоставлений и времени требуемого на выполнение каждого сопоставления. Только те домены, которые прошли через сопоставление характеристик, задействуются в попиксельном сопоставлении. Таким образом, большой объем вычислений, связанных с доменно. Следующий шаг, который можно использовать для уменьшения объема вычислений, связанных с доменно. По сути, метод выделения особенностей, описанный в предыдущем разделе, является разновидностью схемы классификации. Вычисление характеристик служит для определения тех доменов, которые принадлежат классу подызображений, чьи вектора характеристик не выходят за пределы допуска для вектора характеристик данного рангового блока. Более сложные схемы классификации используют заранее определенное множество классов. Алгоритм классификации связывает каждый домен с одним из этих классов. При кодировании алгоритм связывает данный ранговый блок с определенным классом, и после этого доменно. Сбережение времени при кодировании происходит за счет выполнения меньшего числа доменно. результирующий вес . Соселние весовые векторы в решетке в связи с и. Повышение скорости фрактального кодирования . Сначала сеть весовых векторов инициализируется случайными значениями. Затем в сеть поступает входной вектор характеристик, и мы отыскиваем весовой вектор, самый близкий к входному вектору.