人工神经网络 （ANN） BPN数字图像压缩 MATLAB源代码
作者：aaron8967 主页：http://aaron8967.blog.51cto.com
说明：
人工神经网络（Artificial Neural Network），是一种模拟人类神经系统对信息的记忆和处理方式的信息处理系统。人工神经网络是由十分简单的计算神经元组成的复杂系统，它具有非线性、自适应性、容错性和并行性等优点，应用范围十分广泛。本文中实现的是一种基于误差反向传播算法（Error Back Propagation）的神经网络，简称BP网络。
这个程序是本人在研究人工神经网络时，根据一篇论文所描述的方法编写的图像压缩程序，用于在MATLAB中测试图像压缩的成果。
现分享出来以供学习交流，也希望能够对那些不想直接用MATLAB的神经网络工具箱，而是自己编程实现人工神经网络的人有所帮助，源代码文件见下载链接。
人工神经网络特性：
BP网络，由一个输入层、若干隐含层和一个输出层组成，其中隐含层数和各层单元数可以自己定义。图像压缩编码 即为中间隐含层的权值，压缩比位8:1。
文件结构：
主函数：ArtificialNeuralNetwork.m
预处理函数：PreProcessing.m
功能：数据预处理，创建或写入日志文件和进行图像分块操作等，测试可以成功处理256*256和1024*1024的图像。
网络权值初始化函数：NetWeight.m
功能：将网络的权值初始化为0~1之间的随机数
训练函数：TrainingFunction.m
功能：用于训练人工神经网络，在训练模式时调用
激活函数：ActivationFunction.m
功能：神经元的激活函数
计算函数：Calculating.m
功能：根据现有的神经网络权值，对图像进行压缩和还原计算，单次只能计算8*8的图像
后处理函数：PostProcessing.m
功能：对计算结果进行误差分析，写入结果数据和运行日志，并生成原图像和压缩还原后的图像，以供对比分析
源代码:
%% ArtificialNeuralNetwork.m%%
%程序简介
%Back Propagation for Digital Image Compression
%General Program of Artificial Neural Network
%Activation Funtction: Sigmoid Function
%Neural Network Form: Three Layers Hierarchical Structure
%Training Algorithm: Error Back Propagation Algorithm
%Author: Aaron
%Date: 2012.06.23
%格式设置
clc;
clear all; %初始化变量空间
%参数设置
LayerNum=3; %定义网络层数
LayerUnitNum=[64 8 64]; %定义各层神经元数目
TrainingMode=1; %设置训练模式，0关闭，1开启
TrainingNum=60; %设置训练次数
UnitThreshold=0.05; %设置神经元激活函数阈值
eta=0.5; %设置学习常数
%程序开始
%数据预处理
[PreDone,DirResult]=PreProcessing(LayerNum,LayerUnitNum,TrainingMode,TrainingNum,UnitThreshold,eta);
if PreDone==1
%数据计算
Output=Calculating(DirResult);
%数据后处理
PostProcessing( Output,DirResult );
end
%程序结束
%% PreProcessing.m%%
function[ PreDone,DirResult ]=PreProcessing( LayerNum,LayerUnitNum,TrainingMode,TrainingNum,UnitThreshold,eta )
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
PreDone=1;
%创建目录
DirCurr=cd; %获取当前目录
TimeStart=fix(clock); %获取当前时间
TimeStr=cell(1,6);
for i=1:6
if TimeStart(i)<10
TimeStr{i}=['0' num2str(TimeStart(i))];
else
TimeStr{i}=num2str(TimeStart(i));
end
end
FolderResult=['Result' TimeStr{1} TimeStr{2} TimeStr{3} TimeStr{4} TimeStr{5} TimeStr{6}];
if exist(FolderResult,'dir')==0
mkdir([DirCurr '\' FolderResult]); %创建结果目录
end
DirResult=[DirCurr '\' FolderResult '\'];
%创建日志%
fid=fopen( [DirResult 'ResultInfo' '.' 'txt'] ,'at+');
fprintf(fid,'\r\n程序运行信息\r\n'); %开始写入
if TrainingMode==0
fprintf(fid,'运行模式：计算\r\n');
else
fprintf(fid,'运行模式：训练\r\n');
fprintf(fid,'训练次数：%d次\r\n',TrainingNum);
end
fprintf(fid,'网络层数：'); %网络层数
for i=1:LayerNum
fprintf(fid,'%d层\t',i);
end
fprintf(fid,'\r\n');
fprintf(fid,'单元数目：'); %单元数目
for i=1:LayerNum
fprintf(fid,'%d\t',LayerUnitNum(i));
end
fprintf(fid,'\r\n');
fprintf(fid,'学习常数：%f\r\n',eta);
fprintf(fid,'激活函数阈值：%f\r\n',UnitThreshold);
fprintf(fid,'比特率 ：0.625\r\n');
fprintf(fid,'压缩比 ：8：1\r\n');
fprintf(fid,'开始时间：%4d.%2d.%2d%4d:%2d:%2d\r\n',TimeStart(1),TimeStart(2),TimeStart(3),TimeStart(4),TimeStart(5),TimeStart(6));
fprintf(fid,'程序预处理…………\r\n\r\n');
fclose(fid);
%载入数据%
FileName='test01';
FileType='bmp';
FileFolder='Data';
if ((exist([DirCurr '\' FileFolder],'dir') )&& (exist([DirCurr '\' FileFolder '\' FileName '.' FileType],'file')))==1
[Pixel,Colormap]=imread([DirCurr '\' FileFolder '\' FileName '.' FileType]); %载入训练输入数据
save ( [DirResult 'Pixel.mat'],'Pixel');
save ( [DirResult 'Colormap.mat'],'Colormap');
imwrite(Pixel,Colormap,[DirResult 'pixelOrigin.bmp']);
%矩阵分块%
[PixelX,PixelY]=size(Pixel);
PixelNum=PixelX*PixelY;
DimPixel=256;
BlockX=8;
BlockY=8;
BigBlockX=256;
BigBlockY=256;
BlockNX=BigBlockX/BlockX;
BlockNY=BigBlockY/BlockY;
BlockNum=BlockNX*BlockNY;
BigBlockNX=PixelX/BigBlockX;
BigBlockNY=PixelY/BigBlockY;
BigBlockNum=BigBlockNX*BigBlockNY;
BigBlock=mat2cell(Pixel,ones(PixelX/BigBlockX,1)*BigBlockX,ones(PixelY/BigBlockY,1)*BigBlockY);
Block=cell(BigBlockNX,BigBlockNY);
for i=1:BigBlockNX
for j=1:BigBlockNY
Block{i,j}=mat2cell(BigBlock{i,j},ones(BigBlockX/BlockX,1)*BlockX,ones(BigBlockY/BlockY,1)*BlockY);
end
end
%输入输出%
BInput=Block;
BOutput=BInput;
BCorrect=BInput;
if ((rem(PixelX,256)~=0)||(rem(PixelY,256)~=0))
PreDone=3;
end
if TrainingMode==1 %训练模式
WFinal=cell(BigBlockNum,BlockNum);
else %计算模式
if (exist([DirResult 'WFinal.mat' ],'file') )~=0;
load ([DirResult 'WFinal.mat']);
else
PreDone=4;
end
WFinal=cell(BigBlockNum,BlockNum);
end
else
PreDone=2;
end
%保存变量%
save ( [DirResult 'ResutlPre.mat'],'BlockX' ,'BlockY' ,'BlockNX' ,'BlockNY' ,'BigBlockNX' ,'BigBlockNY' ,'PixelNum' ,'WFinal' ,'BInput', 'BOutput' ,'BCorrect' ,'DimPixel', 'TimeStart','TrainingNum','TrainingMode','LayerNum','LayerUnitNum','UnitThreshold','eta');
%日志信息%
fid=fopen( [DirResult 'ResultInfo' '.' 'txt'] ,'at+');
Time=fix(clock);
fprintf(fid,'时间：%4d:%2d:%2d\r\n',Time(4),Time(5),Time(6));
if PreDone==1
fprintf(fid,'程序运行中…………\r\n\r\n');
elseif PreDone==2
fprintf(fid,'目标路径或文件不存在，无法读取…………\r\n\r\n');
elseif PreDone==3
fprintf(fid,'图像像素矩阵不符合要求:N*(256*256)，终止运行…………\r\n\r\n');
elseif PreDone==4
fprintf(fid,'权值文件不存在，无法读取…………\r\n\r\n');
else
end
fclose(fid);
end
%% NetWeight.m%%
function [ W ] = NetWeight( LayerNum, LayerUnitNum )
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
W=cell(1,LayerNum);
W{1}=ones(LayerUnitNum(LayerNum),LayerUnitNum(1));
for i=2:LayerNum
W{i}=(rand(LayerUnitNum(i-1),LayerUnitNum(i)))/100;
end
end
%函数结束%
%% TrainingFunction.m%%
function [ WFinal ] = TrainingFunction( LayerNum,LayerUnitNum,W,Output,Correct,eta)
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
%初始变量%
delta=cell(1,LayerNum); %初始化误差变量
for i=1:LayerNum
delta{i}=zeros(LayerUnitNum(i),1);
end
for i=1:LayerUnitNum(1)
delta{1}(i)=0;
end
%更新误差%
for i=1:LayerUnitNum(LayerNum) %调整输出层误差元胞数组
d=Correct(i);
o=Output{LayerNum}(i);
delta{LayerNum}(i)=(d-o)*o*(1-o);
end
for j=(LayerNum-1):-1:2 %调整隐含层误差元胞数组
for i=1:LayerUnitNum(j)
o=Output{j}(i);
delta{j}(i)=dot(delta{j+1},W{j+1}(i,:))*o*(1-o);
end
end
%更新权重%
for j=LayerNum:-1:2 %调整权值元胞数组
W{j}=W{j}+eta*((delta{j})*(Output{j-1})')';
end
WFinal=W;
end
%函数结束%
%% ActivationFunction.m%%
function [ Output ] = ActivationFunction( LayerNum,LayerUnitNum,W,Input,UnitThreshold )
%UNTITLED3 Summary of this function goes here
% Detailed explanation goes here
%初始变量%
Output=cell(1,LayerNum); %初始化输出元胞数组
for j=1:LayerNum
Output{j}=zeros(LayerUnitNum(j),1); %初始化输出列向量
end
%激活函数%
Output{1}=Input;
for j=2:LayerNum
for i=1:LayerUnitNum(j)
temp=dot(W{j}(:,i),Output{(j-1)})-UnitThreshold;
Output{j}(i)=1/(1+exp(-temp));
end
end
end
%函数结束%
%% Calculating.m%%
function [ Output ] = Calculating( DirResult )
%UNTITLED2 Summary of this function goes here
% Detailed explanation goes here
%载入变量%
load ([DirResult 'ResutlPre.mat']);
%变量设置%
Input=zeros((BlockX*BlockY),1);
Correct=zeros((BlockX*BlockY),1);
ErrorHistory=zeros(TrainingNum,1);
%分块计算%
BigBN=1;
for i=1:BigBlockNX
for j=1:BigBlockNY
BN=1;
for m=1:BlockNX
for n=1:BlockNY
lin=1; %输入块拉直
for lm=1:BlockX
for ln=1:BlockY
Input(lin)=double(BInput{i,j}{m,n}(lm,ln))/DimPixel;
Correct(lin)=double(BCorrect{i,j}{m,n}(lm,ln))/DimPixel;
lin=lin+1;
end
end
if TrainingMode==1 %训练模式
W=NetWeight(LayerNum,LayerUnitNum);
for t=1:TrainingNum
Output=ActivationFunction( LayerNum,LayerUnitNum,W,Input,UnitThreshold);
W=TrainingFunction( LayerNum,LayerUnitNum,W,Output,Correct,eta);
ErrorHistory(t)=ErrorHistory(t)+sum(sum(abs(Output{LayerNum}-Input)))/(BlockX*BlockY);
end
WFinal{BigBN,BN}=W;
end
Output=ActivationFunction( LayerNum,LayerUnitNum,W,Input,UnitThreshold); %计算
lout=1; %输出块还原
for lm=1:BlockX
for ln=1:BlockY
BOutput{i,j}{m,n}(lm,ln)=uint8(Output{LayerNum}(lout)*DimPixel);
lout=lout+1;
end
end
BN=BN+1;
end
end
BigBN=BigBN+1;
end
end
ErrorHistory=ErrorHistory/(BlockNX*BlockNY*BigBlockNX*BigBlockNY);
save ( [DirResult 'ErrorHistory.mat'],'ErrorHistory');
save ( [DirResult 'WFinal.mat'],'WFinal');
Output= BOutput;
end
%% PostProcessing.m%%
function [ ] = PostProcessing( Output,DirResult )
%UNTITLED Summary of this function goes here
% Detailed explanation goes here
%载入变量%
load ([DirResult 'ResutlPre.mat']);
load ([DirResult 'ErrorHistory.mat']);
%日志信息%
fid=fopen( [DirResult 'ResultInfo' '.' 'txt'] ,'at+');
Time=fix(clock);
fprintf(fid,'时间：%4d:%2d:%2d\r\n',Time(4),Time(5),Time(6));
fprintf(fid,'程序后处理…………\r\n\r\n');
fclose(fid);
%矩阵组合%
BigBlock=cell(BigBlockNX,BigBlockNY);
Block=Output;
for i=1:BigBlockNX
for j=1:BigBlockNY
BigBlock{i,j}=cell2mat(Block{i,j});
end
end
PixelResult=cell2mat(BigBlock);
save ([DirResult 'PixelResult.mat'],'PixelResult');
%结果输出%
load ([DirResult 'Colormap.mat']);
imwrite(PixelResult,Colormap,[DirResult 'pixelResult.bmp']);
%图像输出%
figure=plot(ErrorHistory);
xlabel('训练次数');
ylabel('平均误差');
title('BPN for Image Compression');
axis([1,TrainingNum,0,1]);
saveas(figure,[DirResult 'FigureError.bmp']);
%误差计算%
load ([DirResult 'Pixel.mat']);
Error=(sum(sum(abs(double(PixelResult-Pixel)))))/(PixelNum*DimPixel);
SNR=10*log10((sum(sum(Pixel.^2)))/(sum(sum((PixelResult-Pixel).^2))));
PSNR=10*log10((PixelNum*(DimPixel^2))/(sum(sum((PixelResult-Pixel).^2))));
save ([DirResult 'Error.mat'],'Error');
%日志信息%
fid=fopen( [DirResult 'ResultInfo' '.' 'txt'] ,'at+');
TimeEnd=fix(clock);
fprintf(fid,'结束时间：%4d.%2d.%2d%4d:%2d:%2d\r\n',TimeEnd(1),TimeEnd(2),TimeEnd(3),TimeEnd(4),TimeEnd(5),TimeEnd(6));
TimeLast=TimeEnd-TimeStart;
for i=6:-1:4
if TimeLast(i)<0
if i>=5
TimeLast(i)=TimeLast(i)+60;
TimeLast(i-1)=TimeLast(i-1)-1;
else
TimeLast(i)=TimeLast(i)+24;
TimeLast(i-1)=TimeLast(i-1)-1;
end
end
end
fprintf(fid,'\r\n运行时间：%2d时%2d分%2d秒\r\n',TimeLast(4),TimeLast(5),TimeLast(6));
fprintf(fid,'平均误差：%f\r\n',Error);
fprintf(fid,'信噪比 ：%f\r\n',SNR);
fprintf(fid,'峰值信噪比 %f\r\n',PSNR);
fprintf(fid,'初始文件：PixelOrigin.bmp\r\n');
fprintf(fid,'还原文件：PixelResult.bmp\r\n');
fprintf(fid,'\r\n');
fclose(fid);
end
网络设置：
运行模式：训练
训练次数：60次
网络层数：1层 2层 3层 4层
单元数目：64 16 16 64
学习常数：0.500000
激活函数阈值：0.050000
比特率 ：0.625
压缩比 ：8：1
开始时间：2012. 6.25 22:46:31
程序预处理…………
时间： 22:46:31
程序运行中…………
时间： 22:49:34
程序后处理…………
结束时间：2012. 6.25 22:49:35
运行时间： 0时 3分 4秒
平均误差：0.001234
信噪比 ：19.039471
峰值信噪比 43.264512
初始文件：PixelOrigin.bmp
还原文件：PixelResult.bmp
压缩结果对比（图片来自网络）：
原图像：
压缩还原后：
代码文件下载地址：http://pan.baidu.com/share/link?shareid=127753&uk=2199844354
本文是原创文章，转载请保留原作者和出处信息。
由于个人水平有限，不足之处还望多多包涵，欢迎批评指正。
By aaron8967
