Abstract
影像的表示需要極龐大的資料量，不管是在儲存上或是在資料傳送上，都是一項很大的負擔，因此，如何減少影像的資料量便成為一件重要的工作。減少影像資料量的技術稱之為影像壓縮 (Image Compression)，通常是把影像分割成許多固定大小的小方塊，每個小方塊構成一個向量(Vector)，將這些向量加以分類，然後，輸入的向量可依其所屬分類分別加以編碼，如此，用分類碼來代替整個向量資料，將可達到資料量壓縮的目的。ART(Adaptive Resonance Theory)神經網路是一個很適合做分類的架構，它的分類方式是選定第一個向量為第一個分類的代表向量，第二個向量再和它比較，若很相像則放在同一分類並調整此分類之代表向量，若不相像，則再增加一個分類，如此，代表向量一直在調整，新的分類也不斷產生，直到所有向量輸入訓練完成。LBG 演算法則發表於1980年，它是一個遞迴的演算程序，也是最常用之向量分類演算法。本章我們將引用 ART分類架構到影像壓縮上，ART 演算法則並不須要遞迴處理，因此，它的計算比LBG 還要簡單，實驗証明，ART 方法具有快速運算的好處，而且它有不錯的編碼效果。最後，ART 演算法則也將被引用到變動式分類之設計，利用 ART方法的快速運算的特性，來降低變動式分類設計之運算負擔，並利用部分取代法，來降低傳送代表向量集的額外負擔，實驗証明，這個方法可以有效提高影像品質。