随着计算机网络技术和通信技术的迅速发展,数字信号分析与处理技术也获得了较大的改进,并广泛应用于通信、雷达和自动化领域。图像在数字信息的表达中扮演了重要的角色,因此,为了提高传输效率和减少存储空间,必须采用有效的编码算法来消除图像中所包含的各种冗余信息,并在给定失真条件下使用尽可能少的比特数来描述图像。矢量量化作为一种有效的有损压缩技术,其突出优点就是压缩比大以及解码算法简单,因此,它已经成为图像压缩编码的重要技术。经典的矢量量化码书设计算法——LBG算法,它是在给定初始码书的前提下采用动态聚类的思想,在每次迭代中,轮流使用最近邻条件(最佳划分)与质心条件(最佳码书),直至收敛,并把收敛的码书作为最终码书。但它存在以下缺点:1)对初始码书很敏感;2)该算法是一种批处理算法,每次迭代需要处理所有的训练数据,缺乏一定的灵活性和自适应性。为了克服这些缺点,人们对码书设计进行了许多研究。近年来,神经网络已成功应用到矢量量化码书设计中。文中详细介绍了学习矢量量化,重点研究了自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络的码书设计算法,并针对其缺陷提出了一种改进算法,仿真实验证明了改进的码书设计算法在重构图像的信噪比和峰值信噪比等方面均有一定的改善。图像压缩编码技术可减少描述图像的数据量(即比特数),以便节省图像传输、处理时间和减少存储容量,但对数字图像进行编码时,由于其阵列很大,直接在空间域中进行处理,涉及计算量很大。因此往往采用各种图像变换的方法,如傅里叶变换、沃尔什变换、小波变换、离散余弦变换等,将空间域的处理转换为变换域处理。这样不仅可减少计算量,而且可得到更有效的处理结果(如傅里叶变换可在频域中进行数字滤波处理)。文中介绍了离散余弦变换、离散沃尔什—哈达玛变换与小波变换的基本原理,在这些原理的基础上,我们将由改进算法所获得的码书应用在VQ+DPCM+DCT的图像压缩编码方法上,最后给出仿真实验结果。